- 从多数到少数：基于传播的方法增强皮肤病变分析中的弱势群体
通过有效的扩散增强框架，利用多数群体的丰富信息来改善少数群体的诊断结果，对于皮肤癌等疾病的医学成像分析具有实际价值。
- 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
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 - 皮肤癌图像分类使用迁移学习技术
应用了五种不同的预先训练的迁移学习方法对恶性和良性阶段的皮肤癌进行二分类检测，实验结果表明 ResNet-50 模型提供了 0.935 的准确率、0.86 的 F1 分数和 0.94 的精确度。
- 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。
- 使用 ResNet101 和 DAE 提高皮肤癌成像的质量和分类准确性
使用深度自动编码器（DAE）和 ResNet101 构建的卷积集成网络方法，基于卷积神经网络对皮肤癌进行检测，通过 ISIC-2018 公共数据进行实验，并取得了显著的性能表现，准确度 96.03%，精确度 95.40%，召回率 96.05 - 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 V - 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。
- 双重浓缩注意力凝聚器：利用深度学习中的注意力来检测皮肤癌
通过结合具有高速和更高效计算能力的双重压缩注意力凝聚器（DC-AC）的自注意神经网络骨干架构，本文探讨了利用高效的自注意结构来检测皮肤病变图像中的皮肤癌，并介绍了一种专为皮肤癌检测而定制的深度神经网络设计。该模型作为全球开源倡议的一部分，致 - 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。
- UCM-Net：使用 MLP 和 CNN 的轻量级高效皮肤病变分割解决方案
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。
- 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。
- 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 - 通道注意力可分离卷积网络用于皮肤病变分割
通过提出 CASCN 网络，利用 U-Net、DenseNet、Separable Convolution、Channel Attention 和 Atrous Spatial Pyramid Pooling 等先进机制，实现皮肤病变分割， - SkinDistilViT：用于皮肤病变分类的轻量级视觉变换器
早期发现可以治疗皮肤癌，我们提出了一种专用于皮肤癌分类问题的解决方案，通过对专家注释的黑色素瘤医学图像训练视觉转换器，实现与人类性能相匹配的识别效果。通过知识蒸馏从教师模型中构建出一个模型，无论是时间还是内存消耗都比教师模型小很多，性能却保 - ICML正向 - 正向算法作为皮肤病变分类特征提取器的初步研究
本文提出了通过结合前向前向算法和反向传播算法进行生物医学图像分类，进而实现对皮肤病的早期检测和更准确的分类，为临床医生的诊断和治疗提供帮助。
- 基于注意力机制残差双 U-Net 的医学图像分割
提出了一种名为 AttResDU-Net 的基于注意力机制的残差双 U-Net 架构，旨在提高医学图像分割的效率，以实现自动肺癌和皮肤癌的快速准确诊断。
- 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。
- 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。
- 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。