Jun, 2024

皮肤癌图像分类使用迁移学习技术

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 利用对抗训练和深度迁移学习进行黑色素瘤检测

    本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

    Apr, 2020

  • 基于深度学习的黑色素瘤筛查知识迁移

    研究表明，知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务，深度学习对训练数据的渴求提出了挑战，通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题，然而这方面的系统性评估目前尚缺失，因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能，结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能，为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。

    Mar, 2017

  • 基于迁移学习技术的黑素瘤分类比较分析

    使用深度卷积神经网络进行皮肤癌的早期检测和分类，有助于减少高昂的医疗费用并提升治疗效果。

    Nov, 2022

  • 利用知识蒸馏实现轻量级皮肤癌分类：平衡准确性与计算效率

    我们提出基于知识蒸馏的方法来创建一个轻量级且高性能的皮肤癌分类器，通过融合 ResNet152V2、ConvNeXtBase 和 ViT Base 等三个模型来创建一个有效的教师模型，进而进行指导以得到一个大小为 2.03 MB 的轻量级学生模型，通过 16 位量化将其进一步压缩到 469.77 KB，以实现边缘设备的平滑整合，在六个阶段的图像预处理、数据增强以及严谨的消融研究的基础上，在 HAM10000 数据集上取得了 98.75% 的准确率，在 Kaggle 数据集上取得了 98.94% 的准确率，在资源受限的环境中，我们的模型以其高准确率和紧凑的大小成为一个潜在的准确的皮肤癌分类选择。

    Jun, 2024

  • 基于网络的黑色素瘤检测

    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。

    Mar, 2024