本文提出了一种新的人体皮肤检测方法，该方法利用平滑的 2D 直方图和高斯模型相结合，结合眼部检测器对特定人员的皮肤模型进行优化，从而实现更准确、实用的肤色检测。通过在三个公共数据集上的定性和定量实验以及与现有方法的比较，结果表明该方法具有较好的效果和鲁棒性。

Oct, 2014

本文章介绍了一项公共皮肤科图像分析挑战赛的设计与实现，其目的是支持自动诊断致命皮肤癌症麻风疹的算法的研究与开发。通过划分子挑战来分别完成图像分析任务，包括皮损分割、皮损内皮肤镜特征检测和黑色素瘤分类。最终统计共有 79 组参赛选手，38 名参赛者，是迄今为止在皮损镜下诊断黑色素瘤的最大标准化和比较研究之一。

May, 2016

本文提出了一种新的人类皮肤检测算法，该算法基于 RGB、HSV 和 YCbCr 颜色模型，通过考虑三个颜色参数的各自和联合范围来提高对给定图像中皮肤像素的识别精度。

Aug, 2017

通过组织学分析和免疫组织化学染色的角化细胞分化标记物，可以评估体外重建的人类表皮的完整性。使用计算机分析扫描组织可节省专家时间，消除评价者之间的可靠性问题，从而提高定量方法的准确性。通过开发一种无监督方法，我们检测和定量了免疫组织化学染色，实现了自动旋转图像，找到人类表皮分化标记物并排除不具有染色区域的图像，这些方法将增强对重建人类表皮样本中蛋白标记的定量分析性能，并使得在不同实验条件下它们的空间分布得以比较。

Jun, 2024

该研究开发了一个基于智能手机拍摄的脂肪瘤皮肤病变图像的计算机辅助诊断系统，通过提取图像特征和病人背景信息来提高皮肤病变诊断的准确性，在实验中与专家的判断相当。

Jan, 2022

本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了 RGB 图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了 12.02%、4.30% 和 8.86% 的平均 Jaccard Index 提升。

Mar, 2020

本文提出了使用深度神经网络实现黑色素细胞分割的方法，以解决由病理学家不一致性引起的黑色素瘤诊断的问题。通过使用免疫组化切片进行训练，最终得到了可靠的结果。

Nov, 2022

该研究旨在衡量计算机视觉中明显的肤色，超越肤色一维刻板印象的范围。通过引入色调角度从红到黄的范围作为肤色的补充维度，该研究揭示了计算机视觉系统中与肤色相关的偏见，并推荐使用多维肤色尺度，以评估公平性。

Sep, 2023

利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

Oct, 2023

该研究使用多表位配体地图（Multi-Epitope-Ligand Cartography，MELC）对疑似黑色素瘤样本进行细胞水平的组织表征并构建了表示该表征的图表，进而采用图神经网络进行训练。该技术与方法组合的皮肤疾病图像分类准确率高达 87％，比现有方法提高 10％。

Nov, 2022