Mar, 2024

使用 ResNet101 和 DAE 提高皮肤癌成像的质量和分类准确性

PDF
TL;DR使用深度自动编码器（DAE）和 ResNet101 构建的卷积集成网络方法，基于卷积神经网络对皮肤癌进行检测，通过 ISIC-2018 公共数据进行实验，并取得了显著的性能表现，准确度 96.03%，精确度 95.40%，召回率 96.05%，F-measure 达 0.9576，AUC 为 0.98。
skin cancercomputer visionconvolutional neural networksdeep autoencoderisic-2018 data
发现论文，激发创造
  • 使用深度神经网络集成的自动皮肤病变分类：基于 ISIC 2018 数据集的皮肤病变分析，旨在参加黑色素瘤检测挑战

    本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断，以检测黑色素瘤和恶性皮肤癌，其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。

    Jan, 2019

  • 基于深度卷积神经网络组合的皮肤病变检测

    论文提出了一种深度卷积神经网络的组合方法，用于将皮肤镜图像分类为三类，该方法结合了四种不同神经结构的输出，以达到最高分类精度，并优于单个神经网络。

    May, 2017

  • 卷积神经网络用于皮肤病变诊断

    通过人工智能和图像分类技术，将肿瘤性皮肤病变进行分类识别为恶性或良性，以实现早期有效诊断。

    May, 2023

  • 探究和利用图像分辨率进行基于迁移学习的皮肤病变分类

    本文研究了使用不同输入图像尺寸 fine-tuned CNNs 进行皮肤病变分类的性能，提出了一种基于三级集成策略的新型融合方法，取得了比现有算法更好的分类结果。

    Jun, 2020

  • 皮肤镜图像分类的卷积神经网络模型集成

    这篇论文介绍了一个基于深度学习的自动疾病诊断预测系统，使用转移学习策略在 VGG16 和 GoogLeNet 架构上进行疾病分类预测，其主要特点是基于图像增强和颜色规范化的预处理方法，任务表现优秀。

    Aug, 2018

  • 基于 VGG16 和 VGG19 的迁移学习模型用于皮肤癌诊断

    皮肤癌是世界上最危险和最常见的癌症之一，本文使用深度卷积神经网络和迁移学习方法对皮肤病变进行自动分类，证明了在已有预训练神经网络的基础上的合理设计和应用可以显著提高病变检测的分类准确率。

    Apr, 2024

  • 提高黑色素瘤诊断可信度：强制卷积网络从病变中学习

    本研究提出了一种基于 EfficientNet 和椭圆分割模型的黑素瘤检测方法，测试结果表明该方法可显著提高诊断准确率和信心水平。

    May, 2023

  • 皮肤癌图像分类使用迁移学习技术

    应用了五种不同的预先训练的迁移学习方法对恶性和良性阶段的皮肤癌进行二分类检测，实验结果表明 ResNet-50 模型提供了 0.935 的准确率、0.86 的 F1 分数和 0.94 的精确度。

    Jun, 2024

  • 利用皮肤科医生的知识将卷积神经网络应用于皮肤病诊断

    本文介绍了我们参加 ISIC 2017 挑战赛中皮肤病变分析与黑色素瘤检测的提交成果，我们的方法为卷积神经网络框架下结合多种分区和分类方法进行自动诊断，使得临床医师的专业知识得以应用。

    Mar, 2017

  • 基于聚合多分辨率跳跃连接的深度卷积编码器 - 解码器用于皮肤病变分割

    本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了 0.837 验证准确性，优于 U-Net，相信这种方法可以用于临床实践。

    Jan, 2019