Jun, 2024

基于小波引导的注意力模块与基于梯度的特征融合的皮肤癌分类

PDF
TL;DR通过使用新颖的注意机制来聚焦于不同对称性、质地和颜色等特征的差异以及提取皮损边界信息的梯度融合小波和软注意辅助特征，我们的模型在多类别且高度不平衡的数据集 HAM10000 上测试并取得了有希望的结果，F1 得分为 91.17%，准确率为 90.75%。
skin cancerdiagnosiscomputer-aided diagnosis systemnovel attention mechanismboundary information
发现论文，激发创造
  • 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

  • 渐进式类别关注 (PCA) 方法用于皮肤病诊断

    本研究提出了一种新颖的逐类注意技术，该技术可以平衡考虑每个类别，同时挖掘有关皮肤病变的更具体细节，最终实现了高精度的皮肤病变分类识别，在多项基准测试中均取得了优异表现。

    Jun, 2023

  • 基于视觉变换器的皮肤癌分割与分类，用于皮肤镜非侵入式数字系统的自动分析

    这篇研究论文介绍了一种开创性的方法来进行皮肤癌分类，采用了视觉转换器作为深度学习架构，在精细标注的皮肤病变图像数据集上进行预处理和训练，通过自注意机制捕捉复杂的空间依赖关系，取得优于传统深度学习架构的卓越性能，特别是 Google 基于 ViT patch-32 变体，达到 96.15% 的准确率，为皮肤科医生在皮肤癌诊断中提供了潜力巨大的有效工具。

    Jan, 2024

  • 基于视觉转换的皮肤病生成与分类

    本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

    Feb, 2023

  • 基于注意力机制的轻量级模型用于色素性皮损检测

    该研究提出了一种轻量级的皮肤病变检测流程，应对类别分布不平衡和一些病变的微妙或非典型表现的挑战。该流程基于一种轻量级模型，利用幽灵特征和 DFC 注意力机制减少计算复杂性同时保持高性能。通过合成少数类过采样技术和各种图像增强技术来解决数据集中的类别不平衡问题。模型还采用基于知识的损失加权技术，在类别级别和实例级别对损失函数赋予不同的权重，以帮助模型关注少数类别和具有挑战性的样本。该模型在检测和分类不同的皮肤病变方面取得了 92.4% 的准确率，84.2% 的精确度，86.9% 的召回率和 85.4% 的 F1 得分，尤其在识别良性角化病样病变（BKL）和痣（NV）方面表现出色。尽管具有卓越的性能，但该模型的计算成本远低于一些准确度较低的模型，使其成为实际应用中准确度和效率都至关重要的最佳解决方案。

    Aug, 2023

  • 多模态皮肤癌分类的联合个体融合结构与融合注意力模块

    本文设计了一种新的融合方法，从特征选择和特征融合的角度，将皮肤癌分类的皮肤镜图像或临床图像与患者元数据相结合，与其他融合方法相比，在三个公共数据集上改善了分类结果，并表现出更好的性能。

    Dec, 2023

  • 基于生成对抗网络的皮损分割

    使用对抗学习的算法开发的可自动生成皮肤病变掩膜的 EGAN 算法，可应用于皮肤癌病变的计算机辅助诊断，其精度比当前最先进的基于皮损分割的方法高出 2% 的 Dice 系数，1% 的 Jaccard 相似度，和 1% 的准确度。

    May, 2023

  • 基于 CNN 的皮肤病变分类及基于图块的注意力和诊断引导的损失加权

    本研究提出了一种新的基于补丁注意力机制的体系结构，可以为高分辨率图像提供全局上下文，在皮肤病变分类中优于其他基于补丁的方法，并提出了一种诊断引导的损失加权方法以应对类别不平衡问题。

    May, 2019

  • RACR-MIL: 利用整片切片图像上的等级感知上下文推理进行弱监督的皮肤癌评级

    通过自动弱监督分级方法 RACR-MIL，将肿瘤 WSI 转化成以瓦片补丁为基础的袋模型，并利用基于注意力的多实例学习进行 WSI 级别的分级，通过三个关键创新解决了肿瘤分级中的一般性和特定性挑战，取得了在 cSCC 组织图像数据集上 2-9% 的分级改进和更好的肿瘤定位，对于难以分类的高危分级类别具有 5-20% 的精确度提高，并且能够应对类别不均衡的情况。

    Aug, 2023

  • 通过多模态数据和辅助任务集成优化皮肤病变分类

    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