本文总结了我们用于ISBI 2017挑战赛-面向黑色素瘤检测的皮肤病变分析-第一部分：病变分割的方法和验证结果。

Mar, 2017

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

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

本文提出了一种创新的跨尺度边界感知变压器XBound-Former，通过三个特别设计的学习器获取边界知识，并在两个皮肤病例数据集(ISIC-2016和PH2以及ISIC-2018)上进行了评估。结果显示，该模型在皮肤病变量方面的表现优于其他卷积和变压器模型，在类似的息肉病变分割方面也具有较强的实用价值。

Jun, 2022

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

该论文提出了一种用于皮肤病变分割的增强模型AC-MambaSeg，其具有混合CNN-Mamba骨干以及集成Convolutional Block Attention Module（CBAM）、Attention Gate和Selective Kernel Bottleneck等先进组件，通过使用Vision Mamba框架进行高效特征提取，进一步提升其对信息区域的聚焦能力和抑制背景噪声的能力。我们在多个皮肤病变图像数据集上评估了AC-MambaSeg的性能，包括ISIC-2018和PH2，然后与现有的分割方法进行了比较。我们的模型显示出改善计算机辅助诊断系统和促进皮肤病学疾病早期检测和治疗的潜力。我们的源代码将在此https URL上提供。

May, 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

本文针对皮肤病变分割中面临的挑战，提出了一种新颖的AD-Net方法，结合了注意力机制与膨胀卷积残差网络，以增强空间特征并优化解码过程。研究结果表明，该方法在需要更少模型参数的情况下，准确性优于现有顶尖方法，显著降低了训练所需的标注数据量。

Sep, 2024