Assessing the Generalizability of Deep Neural Networks-Based Models for Black Skin Lesions
Recod.ai Lab, Institute of Computing, University of Campinas, Brazil（Recod.ai实验室，计算学院，坎皮纳斯大学，巴西）
本文评估了深度神经网络在黑色人群皮肤病变图像上的表现，发现现有模型在黑色皮肤上泛化能力差，需开发专用模型以提升诊断效果。
2024-01-26 cs.CV
Beyond Visual Image: Automated Diagnosis of Pigmented Skin Lesions Combining Clinical Image Features with Patient Data
Federal University of Espírito Santo（圣埃斯皮里图联邦大学）
在一些国家，肾癌被认为是最常见的癌症类型之一。由于皮肤病变临床诊断的困难性和主观性，计算机辅助诊断系统正在开发中，以帮助专家进行更可靠的诊断。皮肤病变的临床分析和诊断不仅依赖于视觉信息，而且依赖于患者提供的背景信息。这项工作解决了从智能手机捕获的图像中检测色素性皮肤病变的问题。除了从图像中提取的特征外，还收集了患者背景信息，以提供更准确的诊断。实验表明，视觉特征与上下文信息的结合提高了最终结果。实验结果是非常有希望的和可比的专家。
2022-01-25 cs.AI cs.CV
Evaluating Deep Neural Networks Trained on Clinical Images in Dermatology with the Fitzpatrick 17k Dataset
MIT（麻省理工学院）；Harvard University（哈佛大学）；Scale（Scale公司）；Banner Health（班纳健康）；Northeast Dermatology Associates（东北皮肤科协会）
训练用于对皮肤状况的临床图像进行分类的深度神经网络模型的准确性如何随肤色而变化？虽然最近的研究表明，计算机视觉模型可以作为医疗保健中有用的决策支持工具，并在许多特定任务上提供皮肤科医生级别的分类，但深色皮肤在数据中的代表性不足。大多数公开可用的数据集不包括Fitzpatrick皮肤类型标签。我们使用Fitzpatrick皮肤类型标签对来自两个皮肤病学图谱的16，577张临床图像进行了注释，并将这些注释开源。基于这些标签，我们发现在这个数据集中，浅色皮肤类型的图像明显多于深色皮肤类型。我们训练了一个深度神经网络模型来对114种皮肤状况进行分类，发现该模型对与其训练的皮肤类型相似的皮肤类型最准确。此外，我们评估了识别肤色的算法方法，个人类型学角度，与人类标签团队注释的Fitzpatrick皮肤类型标签相比。
2021-04-20 cs.CV
Deep neural network ensemble by data augmentation and bagging for skin lesion classification
Indian Institute of Technology, Varanasi（瓦拉纳西印度理工学院）；Nanyang Technological University（南洋理工大学）
这项工作总结了我们提交的任务3：ISIC 2018年皮肤病变分析对黑色素瘤检测的疾病分类挑战。我们使用了一种新的深度神经网络（DNN）集成架构，该架构可以通过使用数据增强和装袋来有效地对皮肤病变进行分类，以解决数据不足的问题并防止过度拟合。集成由两个DNN架构组成：Inception-v4和Inception-Resnet-v2。DNN架构通过使用$1\times1$卷积在元学习层中进行融合而组合成系综。
2018-07-24 cs.CV
WonDerM: Skin Lesion Classification with Fine-tuned Neural Networks
Samsung Advanced Institute of Health Sciences and Technology（三星健康科学与技术高级研究院）；Sungkyunkwan University（成均馆大学）；Samsung Medical Center（三星医疗中心）
由于皮肤癌是全球最常见的癌症之一，因此基于皮肤镜的准确、非侵入性诊断变得至关重要且有希望。MICCAI 2018的ISIC皮肤图像分析挑战赛第3部分的任务是预测皮肤病变图像的七种疾病类别，包括黑色素瘤（MEL），黑色素细胞痣（NV），基底细胞癌（BCC），光化性角化病/ Bowen病（上皮内癌）（AKIEC），良性角化病（日光性雀斑样痣/脂溢性角化病/扁平苔藓样角化病）（BKL）、皮肤纤维瘤（DF）和血管病变（VASC）。在这项工作中，我们设计了WonDerM管道，对预处理后的皮肤病变图像进行重新采样，构建与分割任务数据（第1部分）微调的神经网络架构，并使用集成方法对七种皮肤疾病进行分类。我们的模型在验证集和测试集中分别达到了0.899和0.785的准确度。
2019-05-10 cs.CV
Leveraging Adaptive Color Augmentation in Convolutional Neural Networks for Deep Skin Lesion Segmentation
Escola Politècnica Superior, Universitat de Girona（赫罗纳大学高等理工学院）
皮肤镜图像中皮肤病变的全自动检测可以促进恶性黑色素瘤和非黑色素瘤皮肤癌的早期诊断和抑制。尽管卷积神经网络是一种强大的解决方案，但它们受到带注释的皮肤镜筛查图像的照明光谱的限制，其中颜色是一个重要的区分特征。在本文中，我们提出了一个自适应的颜色增强技术，以放大数据的表达和模型的性能，同时调整色差和饱和度，以尽量减少使用合成数据的风险。通过深度可视化，我们定性地识别和验证了网络学习到的用于区分皮肤病变和正常皮肤组织的语义结构特征。整个系统在ISIC 2018分割测试集上实现了0.891的骰子比，灵敏度为0.943，特异性为0.932。
2020-10-31 cs.CV
Skin Disease Classification versus Skin Lesion Characterization: Achieving Robust Diagnosis using Multi-label Deep Neural Networks
University of Rochester（罗切斯特大学）
在这项研究中，我们调查了什么是一个实际有用的方法，以实现强大的皮肤病诊断。直接的方法是以地面实况诊断标签为目标，而替代的方法则集中于确定视觉上更一致和可辨别的皮肤病变特征。我们认为，对于计算机辅助皮肤病诊断，它是更现实和更有用的病变类型标签应被视为自动诊断系统的目标，使系统可以首先实现高精度描述皮肤病变，反过来促进疾病诊断病变特征结合其他证据。为了进一步实现这一目标，我们采用卷积神经网络（CNN）进行疾病靶向和病变靶向分类。我们收集了来自六个公开的皮肤病学亚特兰大的75，665张皮肤病图像的大规模和多样化的数据集。然后，我们训练和比较疾病为目标的分类器和病变为目标的分类器，分别。对于针对疾病的分类，仅实现了27.6%的前1准确度和57.9%的前5准确度，平均平均精度（mAP）为0.42。相比之下，对于病变靶向分类，我们可以实现0.70的高得多的mAP。
2022-03-23 cs.CV
Multi-class Skin Cancer Classification Architecture Based on Deep Convolutional Neural Network
Kennesaw State University（肯尼索州立大学）；University of Calabria（卡拉布里亚大学）
皮肤癌检测具有挑战性，因为不同类型的皮肤病变具有高度相似性。本文提出了一种基于计算机的深度学习方法，可以准确识别不同类型的皮肤病变。深度学习方法可以非常准确地检测皮肤癌，因为模型可以学习图像的每个像素。有时人类会被皮肤病变的相似性所迷惑，我们可以通过机器来最大限度地减少这种相似性。然而，并非所有的深度学习方法都能给出更好的预测。一些深度学习模型存在局限性，导致模型产生假阳性结果。我们引入了几种深度学习模型来对皮肤病变进行分类，以区分皮肤癌和不同类型的皮肤病变。在皮肤病变分类之前，使用数据预处理和数据增强方法。最后，将卷积神经网络（CNN）模型和六个迁移学习模型（如Resnet-50，VGG-16，Densenet，Mobilenet，Inceptionv 3和Xception）应用于可公开获得的基准HAM 10000数据集，对七类皮肤病变进行分类并进行比较分析。这些模型将通过区分癌细胞和非癌细胞来检测皮肤癌。模型的性能是使用性能指标来衡量的，如精确度，召回率，f1得分和准确度。对于inceptionv 3、Xception、Densenet、Mobilenet、Resnet、CNN和VGG 16，我们分别获得了90%、88%、88%、87%、82%和77%的准确率。此外，我们开发了五种不同的堆叠模型，如inceptionv 3-inceptionv 3，Densenet-mobil…
2023-03-13 cs.CV
Multiple Convolutional Neural Network for Skin Dermoscopic Image Classification
University of Illinois at Springfield（伊利诺伊大学斯普林菲尔德分校）；Tanta University（坦塔大学）
黑色素瘤分类是识别皮肤病的一个重要阶段。由于黑色素瘤的类内差异、皮肤病变的低对比度和皮肤镜图像中的伪影（包括噪声、毛发的存在、气泡）以及黑色素瘤和非黑色素瘤病例之间的相似性，因此认为这是一个具有挑战性的过程。为了解决这些问题，我们提出了一种新的多卷积神经网络模型（MCNN）来分类皮肤镜图像中的不同七种疾病类型，其中使用添加剂样本学习策略分别训练多个模型。MCNN模型分别使用国际皮肤成像合作组织（ISIC 2018）的训练集和验证集进行训练和测试。受试者工作特征曲线（ROC）被用来评估所提出的方法的性能。AUC（ROC曲线下面积）的值用于评估MCNN的性能。
2018-07-26 cs.CV
Incorporating the Knowledge of Dermatologists to Convolutional Neural Networks for the Diagnosis of Skin Lesions
Universidad Carlos III de Madrid（卡洛斯三世大学）
本报告描述了我们提交的ISIC 2017皮肤病变分析黑色素瘤检测挑战。我们参与了第3部分：病变分类，并使用自动诊断系统对痣、黑色素瘤和脂溢性角化病进行了诊断。我们的方法旨在将皮肤科医生的专业知识融入到众所周知的卷积神经网络（CNN）框架中，该框架在许多视觉识别任务中表现出令人印象深刻的性能。特别是，我们设计了几个网络提供病变区域识别，病变分割成结构模式和临床病例的最终诊断。此外，已经设计了用于CNN的新块，以将这些信息与诊断处理管道集成。
2017-06-02 cs.CV
Skin Lesion Classification Using Hybrid Deep Neural Networks
Medical University of Vienna（维也纳医科大学）；TissueGnostics GmbH（TissueGnostics有限公司）；Loughborough University（拉夫堡大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
皮肤癌是癌症的主要类型之一，在过去几十年中发病率不断增加。准确诊断皮肤病变以区分良性和恶性皮肤病变对于确保适当的患者治疗至关重要。虽然有许多用于皮肤病变分类的计算机化方法，但卷积神经网络（CNN）已被证明优于经典方法。在这项工作中，我们提出了一种用于皮肤病变分类的全自动计算机化方法，该方法采用来自许多成熟的CNN和不同抽象级别的优化深度特征。我们使用三个预训练的深度模型，即AlexNet，VGG 16和ResNet-18作为深度特征生成器。然后，提取的特征用于训练支持向量机分类器。在最后阶段，融合分类器输出以获得分类。在ISIC 2017分类挑战的150个验证图像上进行评估，所提出的方法显示出非常好的分类性能，黑色素瘤分类的受试者工作特征曲线下面积为83.83%，脂溢性角化病分类的受试者工作特征曲线下面积为97.55%。
2019-04-25 cs.CV
Creating A New Color Space utilizing PSO and FCM to Perform Skin Detection by using Neural Network and ANFIS
Vali-e-Asr University of Rafsanjan（拉夫桑詹瓦利阿斯尔大学）；Ontario Tech University（安大略理工大学）；IASBS（基础科学高级研究所）
肤色检测是与计算机视觉相关的各种应用中必不可少的步骤。这些应用将包括人脸检测，发现电影和照片中的色情图像，发现种族，年龄，诊断等。因此，提出一个合适的皮肤检测方法可以解决几个问题。在本研究中，首先使用模糊C均值算法和粒子群算法建立一个新的颜色空间。然后，在新的颜色空间中，利用线性和非线性模式进行皮肤分类。此外，还利用ANFIS和神经网络在RGB和LAB颜色空间中进行了实验。在RBG颜色空间中的皮肤检测已经使用马氏距离和欧氏距离算法进行。相比之下，该方法比同一数据库上最准确的方法高出18.38%。此外，该方法在测试COMPAQ数据集时的等出错率（1-EER）达到了90.05%，在测试Pratheepan数据集时的准确率达到了92.93%，与之前的方法相比，在COMPAQ数据库上的1-EER提高了0.87%。
2021-06-22 cs.CV
Improving Skin Condition Classification with a Question Answering Model
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Triage（特里奇）
我们提出了一种基于预训练卷积神经网络（CNN）和问答（QA）模型的顺序管道的皮肤状况分类方法。这种方法使我们不仅能够提高所部署的CNN系统的分类置信度和准确性，而且还能够模拟医生询问相关问题的传统方法，以改进最终的诊断和鉴别。通过将CNN输出以分类概率的形式作为QA模型和图像文本描述的先验，我们可以最大化症状的信息增益。我们证明，将QA模型与CNN相结合，与单独的CNN相比，准确度提高了10%，与单独的QA模型相比，准确度提高了30%以上。
2018-11-15 cs.CV
Siamese Neural Networks for Skin Cancer Classification and New Class Detection using Clinical and Dermoscopic Image Datasets
Newcastle University（纽卡斯尔大学）；Durham University（杜伦大学）
皮肤癌是世界上最常见的恶性肿瘤。自动皮肤癌检测将显著提高早期检测率并防止死亡。为了帮助实现这一目标，已经发布了许多可用于训练深度学习系统的数据集-这些数据集已经产生了令人印象深刻的分类结果。然而，这仅适用于他们接受培训的类别，而他们无法从以前看不见的类别中识别皮肤病变，使其不利于临床使用。我们可以通过包括所有可能的皮肤病变来大量增加数据集，尽管这总是会遗漏一些类。相反，我们评估了Siamese神经网络（SNN），它不仅允许我们对皮肤病变的图像进行分类，还允许我们识别与训练类不同的图像-允许我们确定图像不是我们训练类的示例。我们在皮肤镜和皮肤病变的临床图像上评估SNN。我们在临床和皮肤镜数据集上分别获得了74.33%和85.61%的前1分类准确率。虽然这略低于最先进的结果，但SNN方法的优势在于它可以检测出类外示例。我们的研究结果突出了SNN方法的潜力以及未来临床部署的途径。
2022-12-12 cs.CV
Melanoma Skin Cancer and Nevus Mole Classification using Intensity Value Estimation with Convolutional Neural Network
本研究提出一种基于强度值估计与卷积神经网络（CNN）的自动深度学习系统，通过选取病灶图像的高强度像素特征，实现对黑色素瘤与痣的更准确分类，在5折交叉验证中准确率达92.58%。
2022-09-30 cs.CV
An Automatic Diagnosis Method of Facial Acne Vulgaris Based on Convolutional Neural Network
Key Laboratory for Biomedical Engineering of Ministry of Education（教育部生物医学工程重点实验室）；Zhejiang University of China（中国浙江大学）
本文提出了一种基于卷积神经网络的面部寻常痤疮自动诊断方法。该方法的提出是为了克服以往方法中分类类型的不足。该方法的核心是基于卷积神经网络对图像进行特征提取，并通过分类器实现分类。我们设计了皮肤和非皮肤的二元分类器来检测皮肤区域，设计了七元分类器来实现面部寻常痤疮和健康皮肤的分类。在实验中，我们在ImageNet数据集上比较了我们的卷积神经网络和预训练的VGG 16神经网络的有效性。并利用ROC曲线和正态混淆矩阵对二分类器和七分类器的性能进行了评价。实验结果表明，预训练的VGG 16神经网络在图像特征提取方面更有效。基于预先训练好的VGG 16神经网络的分类器实现了皮肤检测和痤疮分类，具有较好的鲁棒性。
2017-11-13 cs.CV
Skin lesion segmentation based on preprocessing, thresholding and neural networks
Universidad Politécnica de Madrid（马德里理工大学）
本摘要描述了用于参与挑战ISIC 2017的分割系统：皮肤病变分析对黑色素瘤检测。几种预处理技术已被测试的三种颜色表示（RGB，YCbCr和HSV）的392幅图像。结果已被用来选择更好的预处理每个通道。在每种情况下，训练神经网络以基于对象特性来预测Jaccard指数。该系统包括黑框和参考圆检测算法，但没有对脱毛进行特殊处理。分割分两步进行，首先通过选择最佳神经网络输出来选择要分割的最佳通道。如果该输出没有预测Jaccard指数超过0.5，则使用开放和封闭形态学操作执行更积极的预处理，并且从神经网络获得最佳输出的通道的分割被选择为病变。
2017-03-15 cs.CV
Skin Lesion Classification Using a Soft Voting Ensemble of Convolutional Neural Networks
Department of Computer Science；Engineering, Khulna University of Engineering \& Technology, Khulna-9203, Bangladesh 1 2 3 4 Department of Computer Science；Engineering, Daffodil International University, Bangladesh 5 1 , 2
本文提出利用CNNs软投票集成进行皮肤癌早期分类，通过数据预处理和迁移学习提高分类准确率，达到96.32%的识别准确率。
2025-12-23 cs.CV
Ensembling convolutional neural networks for human skin segmentation
Silesian University of Technology（西里西亚工业大学）
针对颜色与灰度特征尚未联合用于皮肤分割的空白，本文提出用关注不同特征的数据集训练卷积网络，并由另一卷积网络融合各输出生成最终分割图，性能优于基础分类器和投票集成。
2025-03-18 cs.CV
Automatic Lesion Detection System (ALDS) for Skin Cancer Classification Using SVM and Neural Classifiers
Pakistan Navy Engineering College (PNEC)（巴基斯坦海军工程学院）；National University of Sciences & Technology (NUST)（国家科技大学）；Electronics and Power Engineering (EPE)（电子与动力工程系）
如今，技术辅助平台几乎在每个领域都提供了可靠的工具。这些由计算能力支持的工具对于需要敏感和精确数据分析的应用程序非常重要。在医学领域中的一个这样的重要应用是用于皮肤癌分类的自动病变检测系统（ALDS）。计算机辅助诊断有助于医生和皮肤科医生获得第二意见，以正确分析和治疗皮肤癌。癌性痣及其周围区域的精确分割对于正确的分析和诊断至关重要。本文的重点是对改进的ALDS框架的基础上概率的方法，最初利用主动轮廓和分水岭合并掩模分割出的痣，后来SVM和神经分类器应用于分类的分割痣的发展。在病变分割之后，对所选择的特征进行分类以确定所考虑的病例是黑色素瘤还是非黑色素瘤。不同的数据集和比较分析的方法进行测试，反映了所提出的系统的有效性。
2020-03-13 cs.CV
Automated Skin Lesion Classification Using Ensemble of Deep Neural Networks in ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection Challenge
在本文中，我们广泛研究了基于不同深度学习的方法来检测黑色素瘤和皮肤病变癌症。黑色素瘤是一种恶性皮肤癌，对健康威胁很大。在早期阶段正确诊断黑色素瘤对于完全治愈的成功率至关重要。皮肤癌的良性和恶性形式的皮肤镜图像可以通过计算机视觉系统进行分析，以简化皮肤癌检测的过程。在这项研究中，我们实验了各种神经网络，这些网络采用了最近的基于深度学习的模型，如PNASNet-5-Large，InceptionResNetV 2，SENet 154，InceptionV 4。皮肤镜图像在输入网络之前会经过适当的处理和增强。我们在国际皮肤成像合作组织（ISIC）2018挑战数据集上测试了我们的方法。我们的系统在PNASNet-5-Large模型中获得了0.76的最佳验证分数。进一步改进和优化所提出的方法，更大的训练数据集和精心选择的超参数可以提高性能。代码可在https://github.com/miltonbd/ISIC_2018_classification下载
2019-01-30 cs.AI cs.CV
Colorimeter-Supervised Skin Tone Estimation from Dermatoscopic Images for Fairness Auditing
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, Josip Juraj Strossmayer University of Osijek（奥西杰克大学电子工程、计算机科学与信息科技学院）
本文提出基于神经网络的皮肤病图像肤色估计方法，通过色度仪验证，首次实现了对不同肤色群体性能差异的公平性审计。
2026-02-10 cs.CV
Skin Lesion Segmentation and Classification for ISIC 2018 by Combining Deep CNN and Handcrafted Features
University of Dayton（代顿大学）
这份简短的报告描述了我们提交给ISIC 2018挑战的任务1和任务3的皮肤病变分析对黑色素瘤检测。这项工作由代顿大学信号和图像处理实验室的一组研究人员完成。我们提出的方法在计算上是高效的，结合了来自深度学习和手工特征的信息。对于Task3，我们形成了一种新型的图像特征，称为混合特征，它比单一方法特征具有更强的区分能力。这些功能被用作一个决策模型，是基于多类支持向量机（SVM）分类器的输入。所提出的技术进行评估在线验证数据库。我们的得分是0.841与SVM分类器的验证数据集。
2019-08-14 cs.CV cs.LG eess.IV
Training Skinny Deep Neural Networks with Iterative Hard Thresholding Methods
NUS Graduate School for Integrative Science and Engineering, NUS（新加坡国立大学综合科学与工程研究生院）；Department of ECE, NUS（新加坡国立大学电子与计算机工程系）；AI Institute（360人工智能研究院）；School of Information and Control, Nanjing University of Information Science & Technology（南京信息工程大学信息与控制学院）
深度神经网络在广泛的实际问题中取得了显著的成功。然而，由于固有的大参数空间，深度模型是众所周知的倾向于过拟合和难以部署在便携式设备与有限的内存。本文提出了一种迭代硬阈值（IHT）方法来训练瘦深度神经网络（SDNN）。SDNN具有更少的参数，但可以实现竞争力，甚至比其完整的CNN对应更好的性能。更具体地说，IHT方法通过以下两个可选阶段训练SDNN：（I）执行硬阈值处理以丢弃具有小激活的连接并微调其他重要滤波器;（II）重新激活冻结的连接并训练整个网络以提高其整体辨别能力。我们在四个基准对象识别数据集上验证了SDNN在效率和分类性能方面的优越性，包括CIFAR-10，CIFAR-100，MNIST和ImageNet。实验结果清楚地表明，IHT可以用于训练基于各种CNN架构（如NIN和AlexNet）的SDNN。
2016-07-19 cs.CV
Skin lesion segmentation using U-Net and good training strategies
Universidade de Brasília (UnB)（巴西利亚大学）
在本文中，我们使用基于U-Net架构的卷积神经网络来处理皮肤病变分割问题。我们提出了一套训练策略，对该模型的性能产生了重大影响。我们在2018年ISIC挑战赛-皮肤病变分析对黑色素瘤检测进行了评估，获得了77.5%的阈值Jaccard指数。
2018-11-27 cs.CV
Skin Lesion Classification Using Deep Neural Network
University Of Bordj Bou Arreridj（布尔吉布阿雷里吉大学）
本文报告了我们开发的用于对ISIC 2019皮肤病变分类挑战数据集的皮肤镜图像（任务1）进行分类的方法和技术，我们的方法旨在使用集成深度神经网络和一些强大的技术来处理不平衡的数据集，这是该挑战的主要问题，以提高CNN模型的性能。
2019-11-18 cs.CV eess.IV
Skin Segmentation based Elastic Bunch Graph Matching for efficient multiple Face Recognition
NIT Rourkela（国家理工学院鲁尔克拉分校）
本文旨在发展和结合不同的人脸检测和人脸识别算法，以产生一个有效的机制，可以检测和识别输入图像的人脸区域。对于复杂区域中的人脸检测，肤色分割首先将复杂图像中的类人脸区域分离出来，然后通过形态学和模板匹配的运算剔除误匹配，提取出人脸区域。为了识别面部，图像数据库现在被转换成面部片段的数据库。因此，在皮肤分割之后实施弹性束图匹配（EBGM）的技术生成精确地表示个体面部的特征的面部束图，从而提高训练集的质量。这显著增加了匹配概率。
2013-10-22 cs.CV
SkinningNet: Two-Stream Graph Convolutional Neural Network for Skinning Prediction of Synthetic Characters
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
这项工作提出了SkinningNet，一个端到端的双流图神经网络架构，从输入网格及其相关的骨架计算蒙皮权重，而不对所提供的网格的形状类和结构进行任何假设。而以前的方法预先计算手工制作的功能，涉及的网格和骨架或假设一个固定的拓扑结构的骨架，所提出的方法提取此信息在一个端到端的可学习的方式，通过共同学习网格顶点和骨架关节之间的最佳关系。所提出的方法利用了新颖的多聚合器图卷积的优点，该卷积在消息传递方案的总结步骤期间结合了不同聚合器的结果，有助于操作推广到看不见的拓扑。实验结果表明，我们的新架构的贡献的有效性，与SkinningNet优于当前国家的最先进的替代品。
2022-04-06 cs.AI cs.CV cs.LG
Skinning a Parameterization of Three-Dimensional Space for Neural Network Cloth
Stanford University（斯坦福大学）；Epic Games
我们提出了一种新的学习框架，通过将虚拟布料嵌入到四面体网格中，该四面体网格参数化底层身体周围的空气体积区域来进行布料变形。为了在角色动画期间保持这种体积参数化，四面体网格被约束为在其变形时跟随身体表面。我们将布料网格顶点嵌入到三维空间的参数化中，以便自动捕获由于关节旋转和碰撞而引起的大部分非线性变形。然后，我们训练一个卷积神经网络，通过学习每个骨架姿势的布料嵌入偏移来恢复地面真实变形。我们的实验表明，从身体表面参数化的学习布偏移量，无论是定量和视觉上的显着改善，与现有技术的平均误差比我们高五个标准差。此外，我们的研究结果表明，一个一般的学习范式，高频细节可以嵌入到低频参数化的功效。
2020-06-08 cs.CV
Unsupervised Skin Feature Tracking with Deep Neural Networks
National Cheng Kung University（成功大学）；Umeå University（于默奥大学）
本文提出卷积堆叠自编码器的无监督皮肤特征跟踪方法DFE，通过高斯加权残差损失降低边缘效应与标注需求，并在面部和手部视频上以0.6至3.3像素平均误差超越多种传统及监督方法。
2024-05-08 cs.CV
Dermatologist vs Neural Network
Institute of Technology, Nirma University（尼尔玛大学技术学院）
一般来说，癌症是非常致命的。及时治疗任何癌症是挽救生命的关键。皮肤癌也不例外。全世界每年都有成千上万的皮肤癌病例。仅在一年内就发现了12.3万例致命的黑色素瘤病例。这个巨大的数字被证明是由于臭氧层的退化而导致阳光中存在大量紫外线的原因。如果没有在早期发现，皮肤癌可能导致患者死亡。由于缺乏适当的资源，例如专家皮肤科医生、最先进的检测设施和快速活检结果，研究人员开发了一种可以解决上述问题的技术。深度学习就是这样一种方法，它提供了非凡的结果。本研究提出的卷积神经网络比每一个预训练的模型都要好。我们在HAM10000数据集上训练了我们的模型，该数据集提供了属于7类皮肤病的10015张图像。我们提出的模型给出了89%的准确率。这个模型可以非常准确地预测致命的黑色素瘤皮肤癌。希望这项研究可以帮助挽救人们的生命，那里有适当的皮肤病资源的可用性，通过弥合差距，使用我们提出的研究。
2020-06-15 cs.CV
Can We Go Beyond Visual Features? Neural Tissue Relation Modeling for Relational Graph Analysis in Non-Melanoma Skin Histology
Mohamed bin Zayed University of AI（Mohamed bin Zayed人工智能大学）；School of Information and Data Sciences（信息与数据科学学院）；Vellore Institute of Technology（维洛雷理工学院）；Loughborough University（洛桑大学）；MD Anderson Cancer Center, The University of Texas（MD安德森癌症中心，德克萨斯大学）
本文提出神经组织关系建模（NTRM），通过引入组织级图神经网络，改进皮肤病理学图像分割，提升对组织间关系的建模能力，在非黑色素瘤皮肤癌分割数据集上取得更优性能。
2026-05-11 cs.CV
Classification of Skin Cancer Images using Convolutional Neural Networks
Netaji Subhas University of Technology（内塔吉·苏巴斯理工大学）
皮肤癌是最常见的人类恶性肿瘤（美国癌症协会），其主要通过视觉诊断，从初始临床筛查开始，然后可能进行皮肤镜（与皮肤相关）分析，活检和组织病理学检查。当皮肤细胞的DNA发生错误（突变）时，就会发生皮肤癌。突变导致细胞生长失控，形成大量癌细胞。本研究的目的是尝试在卷积神经网络的帮助下对皮肤病变图像进行分类。深度神经网络在图像分类方面显示出巨大的潜力，同时考虑到环境所表现出的巨大变化性。在这里，我们根据像素值训练图像，并根据疾病标签对其进行分类。该数据集是从开源Kaggle存储库（Kaggle数据集）获得的，该数据集本身是从ISIC（国际皮肤成像合作组织）档案馆获得的。训练是在多个模型上进行的，并伴随着迁移学习。模型的最高精度达到86.65%以上。所使用的数据集是公开的，以确保上述结果的可信度和可重复性。
2022-02-01 cs.CV cs.LG eess.IV
Bilinear-Convolutional Neural Network Using a Matrix Similarity-based Joint Loss Function for Skin Disease Classification
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；Umea University（于默奥大学）；School of Information and Control Engineering, Xi’an University of Architecture and Technology（西安建筑科技大学信息与控制工程学院）；School of Civil and Hydraulic Engineering, Huazhong University of Science and Technology（华中科技大学土木与水利工程学院）；School of Management Science and Engineering, China University of Geosciences（中国地质大学管理科学与工程学院）
提出一种结合双线性卷积神经网络和受限三元组网络的皮肤病分类模型，通过双线性池化捕获二阶特征统计量，并利用受限三元组损失层实现类间分类与类内集中，最终达到93.72%的平均准确率。
2024-06-02 cs.CV
Learning Differential Diagnosis of Skin Conditions with Co-occurrence Supervision using Graph Convolutional Networks
Voxelcloud Inc.（体素云公司）；Northeastern University（东北大学）
据报道，皮肤病是全球非致命性疾病负担的第四大原因。然而，鉴于临床上定义的皮肤病的巨大范围和皮肤病学专业知识的短缺，及时准确地诊断皮肤状况仍然是一项具有挑战性的任务。使用计算机视觉技术，深度学习系统已被证明可以有效地帮助临床医生进行放射学、眼科等的图像诊断。在本文中，我们提出了一个深度学习系统（DLS），可以使用临床图像预测皮肤状况的鉴别诊断。我们的DLS制定的差分诊断作为一个多标签分类任务超过80个条件时，只有不完整的图像标签。我们通过将分类网络与图卷积网络（GCN）相结合来解决标签不完整性问题，GCN表征标签同现并有效地将其正则化为稀疏表示。我们的方法在136，462张临床图像上进行了验证，并得出结论，分类准确率大大受益于共现监督。我们的DLS在12，378张测试图像上实现了93.6%的前5名准确率，并且始终优于基线分类网络。
2020-07-13 cs.CV
CancerNet-SCa: Tailored Deep Neural Network Designs for Detection of Skin Cancer from Dermoscopy Images
University of Waterloo（滑铁卢大学）；DarwinAI Corp.（DarwinAI公司）
皮肤癌仍然是美国最常见的癌症，这不仅对健康和福祉有重大影响，而且与治疗相关的经济成本也很高。皮肤癌治疗和管理的关键步骤是有效的皮肤癌检测，因为在早期治疗时预后很好，其中一个关键的筛查方法是皮肤镜检查。受深度学习的进步和研究界开源计划的启发，在这项研究中，我们介绍了CancerNet-SCa，这是一套深度神经网络设计，专为从皮肤镜图像中检测皮肤癌而量身定制，是开源的，作为Cancer-Net计划的一部分，可供公众使用。据作者所知，CancerNet-SCa由第一个专门为皮肤癌检测量身定制的机器设计的深度神经网络架构设计组成，其中一个拥有带有注意力冷凝器的自我注意力架构设计。此外，我们通过可解释性驱动的模型审计，以负责任和透明的方式调查和审计CancerNet-SCa的行为。虽然CancerNet-SCa不是一个生产就绪的筛查解决方案，但希望CancerNet-SCa以开源、开放获取的形式发布，将鼓励研究人员、临床医生和公民数据科学家利用和建立在它们的基础上。
2020-11-21 cs.CV cs.LG
Skin Lesions Classification Using Convolutional Neural Networks in Clinical Images
University of Brasília（巴西利亚大学）；Faculdade de Engenharias do Gama（伽马工程学院）
皮肤病变是由于许多不同原因而出现在患者身上的情况。其中之一可能是因为皮肤组织的异常生长，定义为癌症。全世界有1 410多万患者患有这种疾病，并已造成820多万人死亡。因此，提出了包括恶性黑色素瘤和基底细胞癌在内的12种病变的分类模型的构建。此外，在这项工作中，它使用了ResNet-152架构，该架构经过了3，797张图像的训练，后来使用位置，比例和照明变换增强了29倍。最后，用956张图像测试网络，黑色素瘤的曲线下面积（AUC）为0.96，基底细胞癌的曲线下面积（AUC）为0.91。
2018-12-06 cs.CV cs.LG
Residual Network based Aggregation Model for Skin Lesion Classification
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Northwestern Polytechnical University（西北工业大学）
我们认识到皮肤病变诊断是图像分类中的一个重要且具有挑战性的子任务，Fisher矢量（FV）编码算法和深度卷积神经网络（DCNN）是其中最成功的两种技术。由于FV和DCNN的联合使用已被证明是成功的，因此联合技术也可以对皮肤病变诊断具有区分能力。针对这一假设，本文提出了一种皮肤病变诊断的聚集算法，该算法利用残差网络提取局部特征，并利用Fisher向量方法将局部特征聚集到图像级表示。我们将我们的算法应用于2018年国际皮肤成像合作（ISIC 2018）挑战，只关注第三个任务，即，疾病分类。
2018-07-24 cs.CV
Double-Condensing Attention Condenser: Leveraging Attention in Deep Learning to Detect Skin Cancer from Skin Lesion Images
University of Waterloo（滑铁卢大学）
本文提出一种集成双重压缩注意力冷凝器的高效自注意力深度网络，用于从皮肤病变图像检测皮肤癌，在降低计算与存储成本的同时实现高性能，并已开源发布。
2024-10-18 cs.CV eess.IV
Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models
Faculty of Electrical and Computer Engineering, Qom University of Technology（库姆科技大学电气与计算机工程学院）
本文提出基于VGG16和VGG19迁移学习框架并融合修改后AlexNet的皮肤病变分类方法，无需数据增强即可将分类准确率从94.2%提升至98.18%。
2024-04-01 cs.CV
Skin lesion classification with ensemble of squeeze-and-excitation networks and semi-supervised learning
Hosei University（法政大学）
在本报告中，我们介绍了我们的系统在任务3：ISIC 2018疾病分类：皮肤病变分析对黑色素瘤检测的概述。我们微调多个预训练的神经网络模型的基础上挤压和激励网络（SENet），在图像识别领域取得了最先进的成果。此外，我们使用平均教师作为半监督学习框架，并引入了一些专门设计的数据增强策略用于皮肤病变分析。我们证实了我们的数据增强策略提高了分类性能，并在官方ISIC 2018验证数据集上展示了87.2%的平衡准确率。
2018-09-07 cs.CV
Exploring Advances in Transformers and CNN for Skin Lesion Diagnosis on Small Datasets
Federal University of Espirito Santo, UFES（圣埃斯皮里图联邦大学（UFES））
皮肤癌是世界上最常见的癌症之一。已经提出了不同的计算机辅助诊断系统来解决皮肤病变诊断，其中大多数基于深度卷积神经网络。然而，计算机视觉的最新进展在许多任务中取得了最先进的成果，特别是基于Transformer的网络。我们探讨和评估计算机视觉架构，训练方法和多模态特征融合的皮肤病变诊断任务的进展。实验表明，PiT（$0.800 \pm 0.006$）、CoaT（$0.780 \pm 0.024$）和ViT（$0.771 \pm 0.018$）骨干模型与元块融合在PAD-UFES-20数据集中实现了平衡准确度度量的最新结果。
2022-05-30 cs.CV
Semi-supervised Skin Detection by Network with Mutual Guidance
Megvii Technology（旷视科技）；Sun Yat-sen University（中山大学）；Dalian University of Technology（大连理工大学）
在本文中，我们提出了一种新的数据驱动的方法，从一个单一的人体肖像图像的鲁棒的皮肤检测。与以前的方法不同，我们将人体作为弱语义指导纳入这项任务，考虑到获取大规模的人类标记皮肤数据通常是昂贵和耗时的。具体而言，我们提出了一个双任务神经网络的皮肤和身体通过半监督学习策略的联合检测。双任务网络包含一个共享的编码器，但皮肤和身体分别有两个解码器。对于每一个解码器，它的输出也作为其对应方的指导，使两个解码器相互指导。通过大量的实验验证了该网络的有效性，实验结果表明，该网络在皮肤检测方面优于现有技术。
2019-08-06 cs.CV
DACB-Net: Dual Attention Guided Compact Bilinear Convolution Neural Network for Skin Disease Classification
Umea University（于默奥大学）
本文提出三分支双注意力引导紧凑双线性CNN（DACB-Net），通过全局与局部特征融合、新颖损失函数及迁移学习解决皮肤病分类中的数据不平衡和过拟合问题，在HAM10000和ISIC2019上准确率提升2.59%。
2024-07-03 cs.CV
LesionSeg: Semantic segmentation of skin lesions using Deep Convolutional Neural Network
University of Guelph（圭尔夫大学）
我们提出了一种用于ISIC 2017皮肤病变分割挑战的皮肤病变分割方法。我们的方法基于全卷积网络架构，该架构在有限的数据集上从头开始进行端到端的训练。我们的语义分割架构利用了几项最新的创新，特别是在以下方面的组合使用中：（i）使用atrous卷积来增加网络感受野的有效视野，而不增加参数的数量;（ii）使用网络中网络$1\times1$卷积层来增加网络的容量;以及（iii）使用子像素CNN层对预测进行最先进的超分辨率上采样。我们报告了组织者提供的验证集的平均IOU得分为0.642。
2017-03-15 cs.AI cs.CV cs.NE
Extraction of Skin Lesions from Non-Dermoscopic Images Using Deep Learning
Isfahan University of Technology（伊斯法罕理工大学）；University of Michigan（密歇根大学）
黑色素瘤是最具侵袭性的癌症类型之一。然而，如果在早期发现，它是高度可治愈的。对可疑的痣和恶性病变进行预先筛查是非常重要的。检测可以通过由标准相机捕获的图像来完成，由于低成本和可用性，标准相机是更优选的。在计算机化皮肤病变评估中的一个重要步骤是准确检测病变区域，即将图像分割成病变和正常皮肤两个区域。由于诸如照明变化和病变与健康皮肤之间的低对比度之类的负担，准确的分割可能是具有挑战性的。本文提出了一种基于深度神经网络的病变区域精确提取方法。对输入图像进行预处理，然后将其补丁馈送到卷积神经网络（CNN）。局部纹理和整体结构的补丁进行处理，以分配像素病变或正常类。一种用于有效选择训练块的方法用于更准确地检测病变边界。通过一些后处理操作来细化输出分割掩码。定性和定量评价的实验结果表明，我们的方法可以优于其他国家的最先进的算法存在于文献中。
2016-09-08 cs.CV
A Smartphone based Application for Skin Cancer Classification Using Deep Learning with Clinical Images and Lesion Information
UFES（圣埃斯皮里图联邦大学）
在过去的几十年中，皮肤癌、黑色素瘤和非黑色素瘤的发病率持续增加。特别是对于黑色素瘤，最致命的皮肤癌类型，早期检测对增加患者预后很重要。最近，深度神经网络（DNN）已经成为处理皮肤癌检测的可行方法。在这项工作中，我们提出了一个基于智能手机的应用程序，以协助皮肤癌检测。该应用程序基于卷积神经网络（CNN），该网络基于从智能手机收集的临床图像和患者人口统计数据进行训练。同时，针对皮肤癌数据集不平衡的问题，提出了一种基于差分进化算法变异算子的数据平衡方法。从这个意义上说，beyond提供了一个灵活的工具，以帮助医生在皮肤癌筛查阶段，该方法获得了有希望的结果，平衡的准确率为85%，召回率为96%。
2021-04-28 cs.CV eess.IV
Automating Vitiligo Skin Lesion Segmentation Using Convolutional Neural Networks
Stanford University（斯坦福大学）
对于白癜风等几种皮肤病，从皮肤图像中准确分割病变是疾病进展和严重程度的主要衡量标准。现有的白癜风病变分割方法需要人工干预。不幸的是，手动分割是时间和劳动密集型的，并且在医生之间不可再现。我们引入了一个卷积神经网络（CNN），快速，稳健地执行白癜风皮肤病变分割。我们的CNN有一个U-Net架构，带有一个修改的收缩路径。我们使用CNN来生成病变的初始分割，然后通过在高置信度像素上运行分水岭算法来细化它。我们在247张具有各种病变大小、复杂性和解剖部位的图像上训练网络。经过我们修改的网络明显优于最先进的U-Net，Jaccard指数（JI）得分为73.6%（相比之下为36.7%）。此外，我们的方法只需要几秒钟的分割，与以前提出的半自治分水岭方法，这需要2-29分钟，每幅图像。
2019-12-16 cs.CV cs.LG eess.IV
The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions
Medical University of Vienna（维也纳医科大学）；University of Queensland（昆士兰大学）
用于色素性皮肤病变的自动诊断的神经网络的训练受到皮肤镜图像的可用数据集的小尺寸和缺乏多样性的阻碍。我们通过发布HAM10000（“具有10000个训练图像的人机对抗”）数据集来解决这个问题。我们收集了不同人群的皮肤镜图像，这些图像是通过不同的方式获得和存储的。鉴于这种多样性，我们必须采用不同的采集和清洁方法，并利用专门训练的神经网络开发半自动工作流程。最终的数据集由10015张皮肤镜图像组成，这些图像作为学术机器学习目的的训练集发布，并通过ISIC存档公开提供。该基准数据集可用于机器学习以及与人类专家进行比较。病例包括色素性病变领域所有重要诊断类别的代表性集合。超过50%的病变已被病理学证实，而其余病例的基础事实是随访、专家共识或体内共聚焦显微镜的确认。
2018-11-25 cs.CV
A Multiresolution Convolutional Neural Network with Partial Label Training for Annotating Reflectance Confocal Microscopy Images of Skin
Northeastern University（东北大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆·凯特琳癌症中心）；Caliber I.D. Inc（Caliber I.D.公司）；SkinMedical Research and Diagnostics, P.L.L.C.（SkinMedical研究与诊断有限责任公司）；SUNY Downstate Medical Center（纽约州立大学下州医学中心）
我们描述了一种新的多分辨率“嵌套编码器-解码器”卷积网络架构，并使用它来注释人类皮肤反射共焦显微镜（RCM）图像中的形态模式，以帮助癌症诊断。皮肤癌是最常见的癌症类型，黑色素瘤是其中最致命的。RCM是一种有效的、非侵入性的皮肤癌诊断预筛选工具，具有所需的细胞分辨率。然而，图像是复杂的，低对比度和高度可变的，因此临床医生需要数月至数年的专家级培训才能做出准确的评估。在本文中，我们解决分类4个关键的临床重要的结构/纹理模式的RCM图像。这些模式的发生和形态学被临床医生用于诊断黑色素瘤。RCM图像的大尺寸、图案尺寸的大方差、图案出现的大规模范围、收集的图像中的类别不平衡以及缺乏完全标记的图像都使得这成为一个具有挑战性的问题，即使使用自动化机器学习工具也是如此。我们设计了一个新的嵌套U-网架构来应对这些挑战，和一个选择性的损失函数来处理部分标记。在56张疑似黑色素瘤、部分标记的12 k x 12 k像素图像上进行了训练和测试，我们的网络以高灵敏度和特异性自动标注诊断模式，为测试图像的未标记部分提供一致的标签。提供这样的注释将帮助临床医生实现诊断准确性，并且可能更重要的是，极大地促进临床培训，从而使得能够更快地将RCM采用到广泛的临床使用过程中。此外，我们对U-net架构的适应提供了一个本质上多分辨率的深度网络，可能在其他具有挑战性的生物医学图像分析应用中有用。
2018-08-23 cs.CV
SLSDeep: Skin Lesion Segmentation Based on Dilated Residual and Pyramid Pooling Networks
Universitat Rovira i Virgili（罗维拉-维尔吉利大学）；Bioinformatics Institute（生物信息学研究所）；Rovira i Virgili University（罗维拉-维尔吉利大学）；Liverpool School of Tropical Medicine（利物浦热带医学院）；University of Barcelona（巴塞罗那大学）
皮肤镜图像中的皮肤病变分割是黑色素瘤自动诊断的关键。在本文中，我们提出了一个强大的深度学习SLS模型，即所谓的SLSDeep，它被表示为编码器-解码器网络。编码器网络由膨胀的残差层构成，反过来，金字塔池化网络和三个卷积层用于解码器。与采用交叉熵损失的传统方法不同，我们研究了一种结合负对数似然（NLL）和终点误差（EPE）的损失函数，以准确地分割具有尖锐边界的黑色素瘤区域。在两个公共数据库上评估了所提出模型的稳健性：ISBI 2016和2017，用于针对黑色素瘤检测挑战的皮肤病变分析。该模型在分割精度方面优于最先进的方法。此外，它能够在最新的GPU上每秒分割超过384 x 384大小的$100$图像。
2018-05-31 cs.CV
The impact of patient clinical information on automated skin cancer detection
Federal University of Espírito Santo（圣埃斯皮里图联邦大学）
皮肤癌是世界上最常见的癌症之一。因此，在过去的几年里，人们提出了不同的方法来帮助检测它。然而，大多数方法都只基于皮肤镜图像，而没有考虑到患者的临床信息。在这项工作中，首先，我们提出了一个新的数据集，其中包含从智能手机获取的临床图像和皮肤病变的患者临床信息。接下来，我们介绍一种简单的方法，使用不同的知名深度学习模型将临床数据和图像结合起来。这些模型仅使用图像并将其与患者临床信息相结合应用于所呈现的数据集。我们提出了一项全面的研究，以显示临床数据对最终预测的影响。通过结合两组信息获得的结果显示，所有模型的平衡精度普遍提高了约7%。此外，统计检验表明，考虑和不考虑两种数据的模型之间存在显著差异。所实现的改进显示了在皮肤癌检测中使用患者临床信息的潜力，并表明这条信息对于利用皮肤癌检测系统很重要。
2019-09-16 cs.CV cs.LG eess.IV
A Multi-task Framework for Skin Lesion Detection and Segmentation
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Indian Institute of Technology Jodhpur（焦特布尔印度理工学院）
皮肤病变的早期检测和分割是及时诊断和治疗的关键，是提高患者生存率的必要条件。然而，手动描绘是耗时的，并且受到皮肤科医生之间的观察者内和观察者间的变化的影响。这强调了需要一个准确和自动的方法来分割皮肤病变。为了解决这个问题，我们提出了一个基于多任务卷积神经网络（CNN）的联合检测和分割框架，旨在最初定位病变，随后分割它。一个“更快的基于区域的卷积神经网络”（Faster-R CNN），其中包括一个区域建议网络（RPN），用于生成边界框/区域建议，在每个图像中的病变定位。随后使用softmax分类器和边界框回归器对所提出的区域进行细化。最后使用U-Net的修改版本“SkinNet”裁剪和分割细化的边界框。我们使用ISBI 2017挑战赛和PH 2数据集训练和评估了我们的网络性能，并使用作为挑战赛一部分发布的官方测试数据将其与最先进的网络进行了比较。在五重交叉验证实验中，我们的方法在Dice系数（$>0.93$）、Jaccard指数（$>0.88$）、准确度（$>0.96$）和灵敏度（$>0.95$）方面优于其他方法。
2018-08-05 cs.CV
Dermatologist Level Dermoscopy Skin Cancer Classification Using Different Deep Learning Convolutional Neural Networks Algorithms
Shiraz branch, Islamic Azad University（伊斯兰阿扎德大学设拉子分校）；Legal Medicine Research Center, Iranian Legal Medicine Organization（伊朗法医组织法医学研究中心）
本文研究了卷积神经网络在8种皮肤病分类中的有效性和性能。使用不同的预训练的最先进的架构（DenseNet 201，ResNet 152，Inception v3，InceptionResNet v2），并应用于总共10135张皮肤镜皮肤图像（HAM 10000：10015，PH 2：120）。所使用的数据集包括8个诊断类别-黑色素瘤、黑色素细胞痣、基底细胞癌、良性角化病、光化性角化病和上皮内癌、皮肤纤维瘤、血管病变和非典型痣。目的是将深度学习的能力与训练有素的皮肤科医生的表现进行比较。总体而言，平均结果显示，所有深度学习模型的表现都优于皮肤科医生（至少11%）。黑色素瘤和基底细胞癌的最佳ROC AUC值分别为94.40%（ResNet 152）和99.30%（DenseNet 201），而皮肤科医生分别为82.26%和88.82%。此外，DenseNet 201具有总体分类的最高宏观和微观平均AUC值（分别为98.16%，98.79%）。
2018-10-21 cs.CV cs.LG stat.ML
