- 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。
- 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 - 人工智能在临床黑素瘤诊断中的应用:一项前瞻性多中心研究的洞见
通过与皮肤科医生在一个具有多个不同医院和摄像机配置、罕见黑素瘤亚型和特殊解剖部位的异质测试集上进行比较,我们评估了 “全数据扩展”(ADAE)算法在黑素瘤检测中的诊断准确性,并提高了算法的泛化能力。与皮肤科医生相比,AI 在异质数据集上表现 - SLP-Net: 皮肤病病变分割的高效轻量级网络
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 - 一个用于黑色素瘤诊断和预后的双卷积神经网络管道
该研究提出了一种黑色素瘤诊断管道,利用两个卷积神经网络,一个诊断模型和一个预后模型。该管道在相同分布的数据上进行测试时的 F1 分数为 0.79。
- 基于迁移学习和混沌游戏优化的医学图像分类在医疗物联网中的应用
该论文介绍了一种医学图像分类的 IoMT 提案,通过使用 MobileNetV3 进行特征提取和使用混沌游戏优化进行特征选择,该方法在 ISIC-2016、PH2 和血细胞数据集上获得了高准确度,相比现有方法表现出色。
- GDN:用于皮肤癌诊断的堆叠网络
本文提出了 GoogLe-Dense 网络(GDN),它是一种用于识别基底细胞癌和黑色素瘤两种皮肤癌症的图像分类模型。通过堆叠不同的网络来提高模型性能,并在第二层中采用逻辑回归模型,以避免训练时间长和准确率低的问题,实验结果表明 GDN 相 - 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。
- 皮肤病变筛查的自动化自我监督学习
该研究开发了一种人工智能决策支持工具,通过使用一种先进的目标检测算法,从患者图像中识别和提取所有皮肤病变,进而帮助皮肤科医生鉴别丑小鸭症状(UD),该工具的临床验证研究表明,辅助 AI 后,皮肤科医生的信心提高,与 AI 识别的 UD 的一 - 基于 Transformer 网络的皮肤病变分割的跨尺度依赖建模
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 - 基于 Transformer 网络的皮肤病变分割及跨尺度依赖建模的改进
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。
- 评估基于深度神经网络模型对黑色皮肤病变的普适性
黑色素瘤是皮肤癌症中最严重的一种,深度神经网络在临床护理和皮肤癌症诊断方面表现出巨大潜力,但现有研究主要依赖白人肤色的数据集,忽视了多样人群肤色的诊断结果。本研究评估了有监督和自监督模型在黑人手掌、脚底和指甲等黑人肌肤部位的皮损图像中的性能 - 全身照片中皮肤病变对应定位
通过结合几何与纹理信息,我们在全身成像的背景下提出了一种将皮肤病变从源扫描定位到目标扫描的新框架,可用于纵向追踪皮肤病变的早期检测,取得了与已报告的纵向研究相当的成功率。
- 皮肤科镜检中暗角伪影的去除:敌还是友?
该研究探讨了皮肤癌分类的重要障碍,即伴随临床使用的皮肤显微镜及其引起的暗角伪影,通过构建新的基于人工合成的模拟暗角伪影的数据集,说明在模型训练阶段,模拟暗角伪影的引入对减少误诊率、提高诊断质量的积极效应,为皮肤病变图像研究提供了新的参考。
- CVPR医学图像中基于一致性概念的解释及其在皮肤病诊断中的应用
本文提出了一种可解释性的深度学习模型在诊断黑色素瘤皮损方面的应用,该模型基于概念编码器和硬注意力机制及可视连贯性损失项进行优化,其结果表明该模型优于现有黑盒和概念模型。
- 从相邻染色组织中学习黑色素细胞掩膜
本文提出了使用深度神经网络实现黑色素细胞分割的方法,以解决由病理学家不一致性引起的黑色素瘤诊断的问题。通过使用免疫组化切片进行训练,最终得到了可靠的结果。
- 基于知识蒸馏的黑色素瘤检测方法
本文探讨了使用知识蒸馏技术,建立少层数且具有更少的可学习参数的模型,以提供更快速且准确的皮肤病变 —— 黑色素瘤的早期检测方法。我们的 DSNet 模型在精确度、召回率和 F1 得分等指标上,在黑色素瘤和非黑色素瘤病变的检测上,始终表现比 - ECCV利用自监督对比学习的全幻灯片图像表示进行黑色素瘤一致性回归
本研究提出一种基于深度学习的黑色素瘤一致性回归模型,利用 SimCLR 方法进行自我监督学习,可以从数字化的 WSI 图像中预测恶性黑素瘤的一致性,实现了对 AI 系统的初步构建。
- 基于中心导向无边际三元损失的深度聚类在高度不平衡数据集中用于皮肤病变检测
介绍了一种基于深度聚类的皮肤病变图片分类方法,引入了一种新的基于中心的聚类损失函数,可以实现在对少量恶性病灶数据训练的情况下有效地检测恶性黑色素瘤的皮损。
- ICCV一种病理深度学习系统,能够利用皮肤病理学家共识作为基准来分类黑色素瘤样本
该研究介绍了一种病理深度学习系统 (PDLS),该系统可以对数码全幻灯片图像进行分类诊断,特别是在诊断黑色素瘤和良性黑色素细胞痣时表现出较高的敏感性与优异的性能,可以帮助病理医生明确合适的病理检查先后顺序,缩短患者等待诊治时间,最终改善患者