使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

Aug, 2018

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

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

无监督皮肤病变分割，采用Uncertainty Self-Learning Network自学习网络，通过对比学习提取特征，生成基于显著性的Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

Sep, 2023

通过整合多层感知器和卷积神经网络，我们提出了一种高效低成本的UCM-Net解决方案，用于皮肤病变分割，其参数不超过50KB且每秒运算次数不超过0.05 Giga-Operations，为皮肤病变分割领域的高效性设立了新的可能标准。

Oct, 2023

提出一种基于Hierarchical Transformer的U型结构用于皮损分割，以及一种使用注意力相关性自适应地组合每个阶段的上下文来减轻语义差距的Inter-scale Context Fusion（ISCF）方法。

Oct, 2023

本研究提出并评估了一种基于分层 Transformer 结构的 U 型网络模型用于皮肤病变分割，同时提出了一种自适应地结合每个阶段上下文的 Inter-scale Context Fusion (ISCF) 方法，初步结果证明了ISCF模块在皮肤病变分割基准上的适用性和效能。

Oct, 2023

我们提出了一种新颖的皮肤病变分割技术SLP-Net，它是一种基于脉冲神经P(SNP)系统类型机制的超轻量级分割网络，具有很少的参数和高速计算的特点。在ISIC2018挑战赛中，我们的模型在准确率和DSC指标上都达到了最高水平，而在PH2数据集上也展现了良好的泛化能力。与其他模型相比，SLP-Net在计算复杂性和计算速度上具有明显的优势。

Dec, 2023

本研究解决了皮肤癌早期检测中由于病变形状不规则、边界不清晰以及伪影影响而导致的精准分割问题。该论文提出的TESL-Net通过结合卷积神经网络（CNN）与双卷积长短期记忆网络（Bi-ConvLSTM）和Swin变压器，捕捉长期依赖关系和上下文通道关系，从而提高了分割的准确性。在ISIC 2016、ISIC 2017和ISIC 2018数据集上的评价显示，TESL-Net在分割任务中达到了先进的性能，显著提高了Jaccard指数。

Aug, 2024

本研究旨在解决皮肤病损分割中的关键挑战，尤其是在处理不同尺寸病损和不明显目标区域时的困难。提出的SkinMamba架构结合了Mamba和CNN的优势，能有效捕捉全局上下文关系并实现线性复杂度，提供了精确的边界引导，从而在公共数据集上展示了其强大的竞争力和潜在影响。

Sep, 2024