本篇论文总结了 BCN20000 数据集，该集包含来自巴塞罗那医学中心在 2010 年至 2016 年期间拍摄的 19424 张皮肤镜检影像，旨在研究皮肤癌的非受限分类问题，包括在难以诊断的部位（指甲和黏膜），不适合镜检设备孔径的大型病变和低色素病变。BCN20000 将提供给 ISIC Challenge 2019 的参与者使用，参与者需要训练算法自动分类皮肤癌镜检影像。

Aug, 2019

利用具有不同种族和不同获取模式的皮肤镜图像，通过不同的采集和清洗方法以及半自动工作流程和特别训练的神经网络，我们成立了 HAM10000 数据集，这个数据集由 10015 个用于学术机器学习目的的皮肤镜图像组成，覆盖养猪场多种重要诊断范畴，用于训练神经网络。

Mar, 2018

2020 SIIM-ISIC Melanoma Classification challenge dataset was developed to provide patient-level contextual information for dermatologists’ holistic judgment on melanoma, containing 33,126 dermoscopic images and 584 confirmed melanomas among 2,056 patients.

Aug, 2020

本研究针对皮肤病变分析提出计算机辅助诊断系统，提供临床图像数据、病人临床数据以及 6 种不同皮肤病变诊断分类的数据集，以期协助临床医生进行皮肤癌的检测。

Jul, 2020

本研究总结了由国际皮肤成像协作组织（ISIC）主办的全球最大的皮肤图像分析挑战赛的结果，旨在建立皮肤图像智能分析的新标准，实验表明，当前前沿的皮肤图像智能分析仍存在诊断错误率较高的问题以及算法能力泛化差异问题，这对于卫生保健领域中的机器学习工具监管机构来说是一个重要考虑。

Feb, 2019

本文介绍了我们用于分类 ISIC 2019 挑战数据集皮损 dermoscopic 照片的方法和技术，我们的方法旨在使用合奏深度神经网络及其一些强大的技术来处理不平衡数据集，以提高 CNN 模型性能。

Nov, 2019

介绍了 SkinCAP 多模态皮肤病数据集，由 board-certified 皮肤科医生进行了详细的医学描述和标题注释。

May, 2024

通过整合智能手机拍摄的图像与临床和人口统计信息，将多模态方法引入皮肤病变分类的诊断过程中，通过辅助任务的超分辨率图像预测组成，提高特征提取和类别区分的能力，并展示了在资源匮乏的医疗环境中应用此方法的有效性。

Feb, 2024

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

本文介绍了我们针对 ISIC 2019 皮肤病变分类挑战的方法，通过包括不在训练集中的皮肤病变类型的外部数据，使用丰富多样的数据集解决多类皮肤病变分类中的类别不平衡问题，并采用不同的分辨率和裁剪策略，以及额外的神经网络融合等技术实现了一整套模型，最终在两个任务上取得了最好的效果。

Oct, 2019