skin lesion analysis | BriefGPT

关键词skin lesion analysis

搜索结果 - 13

鲁棒皮肤病变分析的测试时间选择
通过利用人 - 机循环方法中的正（如病变区域）和负（如图像伪影）关键点，我们提出了一种名为 TTS（测试时选择）的方法，该方法可以在不重新训练的情况下有效地使模型避免利用伪影相关的关联，并具有较少的标注需求，从而解决了皮肤病变分析模型受到图
PDFa year ago
能否通过域自适应提高皮肤病变分类的准确性和公平性？
深度学习诊断系统在标注训练样例充足时，已展示出在分类皮肤癌症状况方面的潜力。然而，皮损分析经常面临标注数据稀缺的问题，阻碍了准确可靠的诊断系统的开发。在本研究中，我们利用多个皮损数据集，并探讨了各种无监督领域自适应（UDA）方法在二元和多类
PDFa year ago
基于皮肤镜和临床图像的多标签皮损分类图集学习模型
本文提出了一种基于图卷积网络和集成学习的方法，用于皮肤病变分析中的多模态数据的多标签分类，该方法可以成功地利用先前的共现关系，可在不同数据集上提高分类性能并取得最新成果。
PDFa year ago
ECCV基于物品的皮肤病变模型领域泛化
提出了一种基于标注伪影的流程，用于深度学习在皮肤病变分析中的领域适应性评估与去偏倚。在具有不同程度偏差的数据集上进行建模，并利用基于皮肤病变的数据集进行域通用化。在测试时去除推理图像中的伪特征，实验表明该流程在有偏数据集的表现指标有所提高，
PDF2 years ago
CVPR基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述
使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。
PDF3 years ago
PAD-UFES-20: 一组皮肤病变数据集，包含从智能手机采集的病人数据和临床图像
本研究针对皮肤病变分析提出计算机辅助诊断系统，提供临床图像数据、病人临床数据以及 6 种不同皮肤病变诊断分类的数据集，以期协助临床医生进行皮肤癌的检测。
PDF4 years ago
一种应用于皮肤镜图像的皮损检测与分割架构
报告总结了我们在 ISIC 2018 任务 1 中，针对黑色素瘤检测领域的皮肤损伤分析进行病变分割的方法和验证结果。我们提出了一种优化训练方法和集成后处理的二阶段病变分割方法，取得了在病变分割方面的最新成果，赢得了 ISIC 2018 任务
PDF6 years ago
基于深度学习的皮肤病损分割、分析和分类: RECOD Titans 参加 ISIC Challenge 2018
本文介绍 RECOD Titans 参与 ISIC Challenge 2018 的情况，针对皮肤病变分析、黑色素瘤检测和病变属性检测三个任务，提交了包括模型和数据集在内的 3 种集成方法，最终在官方测试中分别取得了 0.728、0.344
PDF6 years ago
数据，深度和设计：用于皮肤病变分析的可靠模型学习
该研究利用两个全因子实验，分析了深度学习模型在皮肤病变分析中的设计和评估方法，结果表明训练数据量、测试数据增强和输入分辨率对模型性能影响最大，而集成模型是一种成本效益高且可靠的替代方法。同时指出，推动皮肤病变分析研究需要积累更大的公共数据集
PDF7 years ago
基于全卷积解卷积网络的皮肤病自动分割
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。
PDF7 years ago
RECOD Titans 在 ISIC Challenge 2017 中的表现
本文介绍 RECOD Titans 参加 ISIC Challenge 2017 'Skin Lesion Analysis Towards Melanoma Detection' (ISBI 2017) 第一部和第三部分的结果，其中应用到
PDF7 years ago
深度神经网络集合对黑色素瘤、痣和脂溢性角化症的图像分类
本研究报告了 Casio 和信州大学合作团队参加 ISBI 2017 挑战的方法和评估结果 —— 皮肤病变分析，目的是检测黑色素瘤 - 小节 3：病变分类，我们的在线验证分数为 0.958，黑素瘤分类器 AUC 达到 0.924，脂溢性角化
PDF7 years ago
利用皮肤科医生的知识将卷积神经网络应用于皮肤病诊断
本文介绍了我们参加 ISIC 2017 挑战赛中皮肤病变分析与黑色素瘤检测的提交成果，我们的方法为卷积神经网络框架下结合多种分区和分类方法进行自动诊断，使得临床医师的专业知识得以应用。
PDF7 years ago