Mar, 2024

基于网络的黑色素瘤检测

PDF
TL;DR通过引入支持 11 个数据集和 24 种先进深度学习架构的统一黑素瘤分类方法，该研究建立了一个可比较 1,296 个实验的公平对比，并生成一个可在 Web 上部署的轻量级模型（称为 Mela-D）以及减少参数 24 倍以提高 33 倍运行速度，并在之前未见过的图像上获得与 ResNet50 相似的 88.8% 的准确率，从而实现在消费级硬件上高效准确地在实际环境中检测黑素瘤。
melanomaautomated detection techniquesstandardized datasetsdeep learning architecturesmela-d
发现论文，激发创造
  • 皮肤镜图像黑色素瘤识别的深度学习集成

    本文介绍了一种结合深度学习和机器学习的系统，通过分割皮肤病变区域及其周围组织进行黑色素瘤检测，使用公开数据集验证，相比于专家医生的平均准确率高达 76%。

    Oct, 2016

  • 基于深度学习的自动黑素瘤检测：数据净化和增强

    本研究介绍了基于深度学习的黑色素瘤检测系统，包括数据净化和增强工具，通过去除图像的遮挡和用生成对抗网络合成图像来增加数据的多样性。实验证明，该系统相比其他方法表现更为优异。

    Feb, 2019

  • 走向自动化的黑色素瘤筛查：适当的计算机视觉和可靠结果

    本文针对自动黑素瘤筛查的研究现状进行了调查、分析和批评，并重新实施了一个基线技术并提出了两个新的技术。研究表明，基于当前的计算机视觉模型的简化流程比传统模型的性能更好，基于高级词袋的模型的 AUC 为 84.6％，基于深度神经网络的模型达到 89.3％，而基线（经典词袋）为 81.2％。我们还开始对我们的社区进行改进重复性的对话。

    Apr, 2016

  • 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

  • 分析及比较基于转移学习的皮肤镜图像黑素瘤分类

    结合深度学习技术和迁移学习方法，本文提出了一种系统，用于对黑色素瘤皮肤损伤进行分类和诊断，达到相对较高的准确度，并且可在计算能力较弱的设备上进行预测。

    Dec, 2023

  • 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

  • 利用大规模的皮肤镜图像和深度残差网络进行自动皮肤病变分析

    这篇文章讨论了利用深度残差网络对皮肤镜图像进行分析和诊断的方法，通过自动分析可以更准确地进行皮肤黑素瘤的诊断，有助于提高早期诊断率和治疗效果。

    Mar, 2017

  • 皮肤病变定位和分割的检测器 - 分割师网络

    该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的 “网络中的网络” 方法，用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理，配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上，该方法的 Dice 相似度系数达到 0.915，准确率达到 0.959，在 ISBI 2017 数据集上，Dice 相似度系数达到 0.947，准确率达到 0.971。

    May, 2020

  • 多任务可解释性皮肤病变分类

    通过使用多任务少样本学习方法，我们提出了一种适应少量标记数据的多任务少样本学习方法，结合分割网络和分类网络，以实现对皮肤病变的自动分类和检测，提高皮肤癌的早期检测率。

    Oct, 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