本研究使用卷积神经网络和集成方法对两个皮肤病图片数据集进行分类。结果表明，使用目标检测技术可以提高某些皮肤病类别的分类准确性。

Nov, 2019

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

开发了由皮肤科医生密集注释的皮肤病 数据库 SkinCon， 其中包括3230张皮肤病图像， 使用48个临床概念的概念元标签进行注释， 为AI皮肤病模型的错误调试提供了潜在应用。

Feb, 2023

本研究基于HAM10000数据集，提出 SkinSAM 模型实现皮肤癌图像自动分割，最终模型准确度较高，证明了将该模型应用于医学图像分割任务的巨大潜力。

Apr, 2023

本研究提出了一种新方法，将Segment Anything Model (SAM)与领域特定知识相结合，可用于构建医学图像分割模型，通过迭代的方式，将无标签图像与SAM和领域特定知识相结合，有效地进行半监督学习，以实现标签效率高的医学图像分割。实验证明该方法在乳腺癌、息肉和皮肤病变分割方面具有有效性，为医学图像分割的半监督学习开辟了新的方向。

Aug, 2023

通过图像分析开发深度学习模型诊断皮肤病变的激增值得注意，然而它们在临床黑脸挑战方面存在限制：限定的诊断输出数量、对罕见皮肤病变缺乏实际世界测试、无法检测越界图像以及过度依赖显微镜图像。为了解决这些问题，我们提出了一种全能的HOT模型（Hierarchical-Out of Distribution-Clinical Triage），对于临床图像，我们的模型生成三个输出：层次预测、越界图像警报以及在临床图像不足以进行诊断时对显微镜图像的推荐。当进行推荐时，它将同时整合临床和显微镜图像以进行最终诊断。针对代表性的皮肤病变数据集进行的大量实验证明了我们框架内每个组件的有效性和协同作用。我们多功能的模型为病变诊断提供有价值的决策支持，并为医学AI应用设定了一个有前景的先例。

Nov, 2023

使用现代深度学习方法和可解释人工智能（XAI）来解决皮肤癌检测问题，采用四个先进的预训练模型进行皮肤病变分类，XceptionNet被确定为表现最佳的模型，本研究展示了深度学习和可解释人工智能（XAI）如何改善皮肤癌诊断，为医学图像分析领域未来的发展奠定了基础。

Dec, 2023

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

通过可解释的原型-部分模型以及自动分割网络和用户优化的原型引入的非专家反馈指导，我们提出了一种新的黑素瘤诊断方法，实验证明即使没有专家监督，我们的方法在性能和泛化程度上均优于不可解释的模型。

Feb, 2024

本研究针对皮肤病变的分割问题，提出了一种轻量级网络LSSF-Net，旨在解决现有模型在处理复杂病变形状、模糊边界及纹理和颜色差异方面的不足。该模型采用了新颖的编码-解码架构，结合了焦点调制注意力和自我意识空间注意力，验证结果显示其在多个基准数据集上具有卓越性能，展现了良好的应用潜力。

Sep, 2024