ISIC 2017 - Skin Lesion Analysis Towards Melanoma Detection
NLP LOGIX, LLC（NLP LOGIX有限责任公司）
我们的系统解决了ISIC 2017挑战的第1部分病变分割和第3部分病变分类。这两种算法都利用深度卷积网络来实现挑战目标。
2017-03-01 cs.CV
DSNet: Automatic Dermoscopic Skin Lesion Segmentation
University of Girona（赫罗纳大学）；Université Clermont Auvergne（克莱蒙奥弗涅大学）
皮肤病变的自动分割是黑色素瘤计算机辅助诊断（CAD）的关键步骤。尽管它的意义，皮肤病变分割仍然是一个具有挑战性的任务，由于其不同的颜色，纹理和难以区分的边界，并形成一个开放的问题。通过这项研究，我们提出了一个新的和自动的语义分割网络强大的皮肤病变分割皮肤镜皮肤网络（DSNet）。为了减少参数的数量以使网络轻量化，我们使用深度可分离卷积代替标准卷积，将学习到的鉴别特征投影到编码器不同阶段的像素空间上。此外，我们还实现了U-Net和全卷积网络（FCN 8 s），以与建议的DSNet进行比较。我们在两个公开的数据集上评估了我们提出的模型，即ISIC-2017和PH 2。ISIC-2017和PH 2数据集的平均交集（mIoU）分别为77.5%和87.0%，在mIoU方面优于ISIC-2017挑战获胜者1.0%。我们提出的网络在ISIC-2017数据集上的mIoU方面也分别优于U-Net和FCN 8 3.6%和6.8%。我们的皮肤病变分割网络优于其他方法，可以在两个不同的测试数据集上提供更好的分割掩模，从而提高黑色素瘤检测的性能。我们的训练模型以及源代码和预测掩码都是公开的。
2020-01-23 cs.CV eess.IV
Semantic Segmentation of Skin Lesions using a Small Data Set
University of Twente（特文特大学）
黑色素瘤的早期检测对人眼来说是困难的，但这是降低其死亡率的关键一步。计算机检测这些黑色素瘤和其他皮肤病变是必要的。本文的中心研究问题是“如何在低可用数据的情况下使用神经网络分割皮肤病变图像？".该问题分为三个子问题，分别是最佳网络结构、训练数据和训练方法。第一理论与这些问题进行了讨论。文献指出，U-net CNN结构在分割任务上具有出色的性能，更多的训练数据提高了网络性能，利用迁移学习使网络能够更好地推广到新数据。为了验证文献中的这些发现，进行了两个实验。第一个实验在不同大小的数据集上训练网络。第二个实验提出了12个网络结构，并在同一数据集上训练它们。实验结果支持文献中的发现。FCN 16和FCN 32网络在准确性，交集和平均BF 1得分指标方面表现最好。从这些结果得出结论，皮肤病变分割网络是具有跳过架构和编码器深度为1或2的完全卷积结构。这个网络的权重应该使用来自预训练的VGG 16网络的迁移学习来初始化。训练数据应该被裁剪以降低复杂性，并在训练过程中被增强以降低过度拟合的可能性。
2019-10-23 cs.CV eess.IV
Skin Lesion Analysis Towards Melanoma Detection Using Deep Learning Network
Computer Vision Institute, College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院计算机视觉研究所）
皮肤病是一种世界性的严重疾病。皮肤镜图像中黑色素瘤的早期检测显著提高了生存率。然而，黑色素瘤的准确识别是非常具有挑战性的，由于以下原因，例如，低对比度之间的病变和皮肤，黑色素瘤和非黑色素瘤病变之间的视觉相似性等，因此，可靠的皮肤肿瘤的自动检测是非常有用的，以提高准确性和效率的病理学家。国际皮肤成像协作组织（ISIC）是一个致力于皮肤病变自动分析的挑战。在本文中，我们提出了两种深度学习方法来解决ISIC 2017中宣布的所有三个任务，即病变分割（任务1），病变皮肤镜特征提取（任务2）和病变分类（任务3）。提出了由两个全卷积残差网络（FCRN）组成的深度学习框架，以同时产生分割结果和粗分类结果。病变指数计算单元（LICU）被开发用于通过计算距离热图来细化粗分类结果。提出了一种直接的CNN用于皮肤镜特征提取任务。据我们所知，我们不知道以前曾为这项任务提出过任何工作。拟议的深度学习框架在ISIC 2017测试集上进行了评估。实验结果表明，我们的框架，即0.718的任务1，0.833的任务2和0.823的任务3实现了有希望的准确率。
2017-11-22 cs.CV
Transfer Learning for Melanoma Detection: Participation in ISIC 2017 Skin Lesion Classification Challenge
Mayo Clinic（梅奥诊所）
本手稿描述了我们参加国际皮肤成像合作组织2017年皮肤病变分析黑色素瘤检测竞赛的情况。我们参加了第3部分：病变分类。该二元图像分类挑战的两个既定目标是区分（a）黑素瘤和（b）痣和脂溢性角化病，然后区分（a）脂溢性角化病和（b）痣和黑素瘤。我们选择了一种带有迁移学习策略的深度神经网络方法，使用预先训练的Inception V3网络作为特征提取器，为多层感知器提供输入，并对增强的Inception网络进行微调。该方法在第二个任务上产生0.84的验证集AUC，在第一个任务上产生0.76的验证集AUC，平均AUC为0.80。不幸的是，我们很晚才加入竞争，我们期待着在这些结果的基础上有所改进。
2017-03-15 cs.CV
Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential Dermoscopic Images
Monash University（莫纳什大学）
现有的黑色素瘤自动诊断研究是基于病变的单时间点图像。然而，黑素细胞病变事实上是逐渐演变的，而且，良性病变可以进展为恶性黑色素瘤。因此，忽视病变的跨时间形态学变化可能会导致误诊的临界病例。基于皮肤科医生通过随访检查评估皮肤镜随时间的变化来诊断模糊的皮肤病变的事实，在这项研究中，我们提出了一个使用连续皮肤镜图像进行黑色素瘤诊断的自动化框架。为了捕捉皮肤镜演化的时空特征，我们在双流网络架构中构建了我们的模型，该架构能够同时学习个体病变的外观表示，同时对原始像素差异和抽象特征差异进行时间推理。我们收集了184例连续皮肤镜图像数据，其中包括组织学证实的92个良性病变和92个黑色素瘤病变，以评估所提出的方法的有效性。我们的模型实现了74.34%的AUC，比仅使用单个图像的AUC高出约8%，比基于LSTM的广泛使用的序列学习模型高出约6%。
2020-06-19 cs.CV
Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion
Missouri University of Science & Technology（密苏里科学技术大学）；S&A Technologies（S&A科技公司）
针对整图深度学习因病灶外特征泄露导致泛化性差的问题，提出迫使EfficientNet从病灶中学习特征的椭圆分割技术，在ISIC 2020数据集上将mean AUC从0.9提升至0.922，有效提高了黑色素瘤诊断置信度。
2023-05-16 cs.CV
Improving Dermoscopic Image Segmentation with Enhanced Convolutional-Deconvolutional Networks
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
皮肤镜图像上的皮肤病灶自动分割是黑色素瘤计算机辅助诊断的重要步骤。然而，由于不同患者的病变外观存在显著差异，因此这项任务具有挑战性。当处理大量图像数据时，这一挑战会进一步加剧。在本文中，我们扩展了我们以前的工作，开发了一个更深的网络架构，具有更小的内核，以提高其判别能力。此外，我们显式地包含来自多个颜色空间的颜色信息，以便于网络训练，从而进一步提高分割性能。我们在ISBI 2017皮肤病变分割挑战中广泛评估了我们的方法。通过对2000幅挑战训练图像的训练，我们的方法在600幅挑战测试图像上获得了0.765的平均Jaccard指数（JA），在挑战中排名第一
2017-09-28 cs.CV
Automatized Self-Supervised Learning for Skin Lesion Screening
ETH Zurich（苏黎世联邦理工学院）；University Hospital Zurich（苏黎世大学医院）；University of Zurich（苏黎世大学）
本文提出一种结合目标检测与情境化自监督排序的 AI 工具，从全身图像中识别可疑“丑小鸭”病变，临床验证显示其高灵敏度并可提升皮肤科医生诊断信心。
2025-01-05 cs.AI cs.CV
Knowledge-aware Deep Framework for Collaborative Skin Lesion Segmentation and Melanoma Recognition
Nanyang Technological University（南洋理工大学）；Central South University（中南大学）；Singapore University of Technology and Design（新加坡科技设计大学）
深度学习技术在皮肤科医生的临床检查中表现出了卓越的性能。然而，黑色素瘤的诊断仍然是一个具有挑战性的任务，由于将有用的皮肤科医生的临床知识纳入学习过程中的困难。在本文中，我们提出了一种新的知识感知深度框架，该框架将一些临床知识纳入两个重要的黑色素瘤诊断任务的协作学习中，即，皮肤病变分割和黑素瘤识别。具体而言，利用知识的形态学表达的病变区域和黑色素瘤识别的周边区域，基于病变池和形状提取（LPSE）计划的设计，转移到黑色素瘤识别从皮肤病变分割获得的结构信息。同时，为了将黑色素瘤识别中的皮肤病变诊断知识传递到皮肤病变分割中，设计了一种有效的诊断引导特征融合（DGFF）策略。此外，我们提出了一个递归的相互学习机制，进一步促进任务间的合作，从而迭代地提高皮肤病变分割和黑色素瘤识别模型的联合学习能力。两个公开的皮肤病变数据集上的实验结果表明，所提出的方法对黑色素瘤分析的有效性。
2021-12-02 cs.CV eess.IV
MelanomaNet: Explainable Deep Learning for Skin Lesion Classification
Northeastern University（东北大学）
MelanomaNet通过结合EfficientNet V2、GradCAM++、ABCDE标准提取、FastCAV和蒙特卡洛Dropout，实现了皮肤病变分类的高准确率和可解释性，推动临床应用。
2025-12-10 cs.CV
Skin Lesion Analysis toward Melanoma Detection: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2016, hosted by the International Skin Imaging Collaboration (ISIC)
Louisiana State University in Shreveport（路易斯安那州立大学什里夫波特分校）；Kitware（Kitware公司）；Memorial Sloan-Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；Missouri University of Science and Technology（密苏里科技大学）；Emory University（埃默里大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
在这篇文章中，我们描述了一个公开访问的皮肤病学图像分析基准挑战的设计和实施。该挑战的目标是支持研究和开发用于从皮肤镜图像自动诊断黑色素瘤（一种致命形式的皮肤癌）的算法。该挑战分为图像分析中涉及的每个任务的子挑战，包括病变分割，病变内的皮肤镜特征检测和黑色素瘤分类。训练数据包括900幅图像。提供了379个图像的单独测试数据集，以测量用训练数据开发的系统的最终性能。训练集和测试集的基础事实由皮肤镜专家小组生成。总共有来自38名参与者的79份提交材料，使其成为迄今为止皮肤镜图像中黑色素瘤诊断的最大标准化和比较研究。虽然官方的挑战持续时间和参与者的排名已经结束，但数据集仍可用于进一步的研究和开发。
2016-05-04 cs.CV
Automatic Skin Lesion Analysis using Large-scale Dermoscopy Images and Deep Residual Networks
the University of Sydney（悉尼大学）
恶性黑色素瘤是世界上发病率增长最快的疾病之一，并且具有相当高的死亡率。早期诊断尤其重要，因为黑色素瘤可以通过及时切除而治愈。皮肤镜图像在黑色素瘤的非侵入性早期检测中发挥重要作用[1]。然而，即使在经验丰富的皮肤科医生中，仅使用人类视觉的黑色素瘤检测也可能是主观的、不准确的和可再现性差的。这归因于解释具有不同特征的图像的挑战，包括不同大小和形状的病变、可能具有模糊边界的病变、不同的肤色和存在毛发[2]。因此，皮肤镜图像的自动分析对于临床决策和基于图像的诊断是有价值的辅助，以识别诸如黑色素瘤的疾病[1-4]。深度残差网络（ResNets）在图像分类和检测相关问题方面取得了最先进的成果[5-8]。在这个ISIC 2017皮肤病变分析挑战中，我们建议利用深度ResNets进行鲁棒的视觉特征学习和表示。
2017-03-17 cs.CV
Image Classification of Melanoma, Nevus and Seborrheic Keratosis by Deep Neural Network Ensemble
R&D Center, Casio Computer Co., Ltd.（卡西欧计算机株式会社研发中心）；Shinshu University（信州大学）
这篇短文报告了卡西欧和信州大学联合团队在ISIC主办的ISBI挑战赛2017 -皮肤病变分析对黑色素瘤检测-第3部分：病变分类中的方法和评估结果。我们的在线验证评分为0.958，黑色素瘤分类器AUC为0.924，脂溢性角化病分类器AUC为0.993。
2017-03-09 cs.CV
Melanoma Recognition with an Ensemble of Techniques for Segmentation and a Structural Analysis for Classification
University ”Politehnica” of Bucharest（布加勒斯特理工大学）
描述了一种用于病变定位的病变识别方法，该方法使用分割技术的集合，并且用于病变分类的详尽的结构分析。对于本地化，候选区域从全局阈值的彩色地图，并从应用K-Means算法的RGB图像;候选区域，然后集成。对于分类，进行相对详尽的轮廓和区域的结构分析。
2018-07-18 cs.CV
Inter-Scale Dependency Modeling for Skin Lesion Segmentation with Transformer-based Networks
University of Kentucky（肯塔基大学）
本研究提出一种用于皮肤病变分割的U型分层Transformer结构，并设计了尺度间上下文融合（ISCF）模块以利用编码器各阶段注意力相关性自适应融合上下文，从而克服长距离依赖捕获受限及语义鸿沟问题。
2023-10-20 cs.CV eess.IV
Towards Automated Melanoma Detection with Deep Learning: Data Purification and Augmentation
New York University（纽约大学）；New York University School of Medicine（纽约大学医学院）
黑色素瘤是美国十大最常见的癌症之一。早期发现对生存至关重要，但癌症通常在致命阶段被诊断出来。深度学习有可能提高癌症检测率，但其对黑色素瘤检测的适用性受到可用皮肤病变数据库的限制，这些数据库很小，严重不平衡，并且包含具有遮挡的图像。我们构建了基于深度学习的数据净化和增强工具，以应对这些限制。所开发的工具可以用于病变分类的深度学习系统，我们展示了如何构建这样的系统。该系统严重依赖于用于去除图像遮挡的处理单元和基于生成对抗网络的数据生成单元，用于填充稀少的病变类别，或者等效地创建具有预定义类型病变的虚拟患者。我们经验验证我们的方法，并表明，将这两个单位到黑色素瘤检测系统的结果在共同的基线优越的性能。
2019-05-14 cs.CV
Skin Lesion Analysis Toward Melanoma Detection: A Challenge at the 2017 International Symposium on Biomedical Imaging (ISBI), Hosted by the International Skin Imaging Collaboration (ISIC)
IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Emory University（埃默里大学）；University of Central Arkansas（中阿肯色大学）；Kitware（Kitware公司）；Memorial Sloan-Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；Missouri University of Science and Technology（密苏里科技大学）；Medical University of Vienna（维也纳医科大学）
本文介绍了皮肤镜图像分析基准测试挑战的最新版本的设计、实现和结果。其目标是支持自动诊断黑色素瘤（最致命的皮肤癌）的算法的研究和开发。挑战分为3个任务：病变分割，特征检测和疾病分类。参与涉及593个注册，81个预提交，46个最终提交（包括4页的手稿），以及大约50名与会者，使其成为迄今为止该领域最大的标准化和比较研究。虽然官方的挑战持续时间和参与者的排名已经结束，但数据集快照仍可用于进一步的研究和开发。
2018-01-08 cs.CV
Spatially Aware Melanoma Segmentation Using Hybrid Deep Learning Techniques
Institute for Intelligent Systems Research and Innovation, Deakin University（迪肯大学智能系统研究与革新研究所）；School of Medicine, Deakin University（迪肯大学医学院）
在本文中，我们提出了一种混合方法，该方法利用深度卷积和递归神经网络来准确描绘ISBI 2017病变分割挑战提供的图像的皮肤病变。该方法使用1800张图像进行训练，并在ISBI 2017挑战赛的150张图像上进行测试。
2017-02-26 cs.CV
Random Forests and VGG-NET: An Algorithm for the ISIC 2017 Skin Lesion Classification Challenge
University of Science and Technology of China（中国科学技术大学）
本文简要介绍了为ISIC 2017皮肤病变分类竞赛开发的算法。在这项任务中，参与者被要求完成两个独立的二进制图像分类任务，涉及三个独特的诊断皮肤病变（黑色素瘤，痣，和脂溢性角化病）。在第一个二元分类任务中，要求参与者区分（a）黑色素瘤和（b）痣和脂溢性角化病。在第二个二元分类任务中，要求参与者区分（a）脂溢性角化病和（b）痣和黑色素瘤。比赛的其他阶段不予考虑。我们提出的算法包括三个步骤：预处理，使用VGG-NET和随机森林分类，并计算最终得分。
2017-03-15 cs.CV
Ensemble of Multi-sized FCNs to Improve White Matter Lesion Segmentation
Ohio University（俄亥俄大学）；University of Kentucky（肯塔基大学）
在本文中，我们开发了一个两阶段的神经网络解决方案，具有挑战性的任务，白质病变分割。为了应对病变大小的巨大变化，我们在三个不同维度上对脑部MR扫描进行了采样，并将其输入到单独的全卷积神经网络（FCN）中。在第二阶段中，我们分别处理大的和小的病变，并使用集成网络组合从FCNs产生的分割结果。在集成网络中采用了一种新的激活函数，提高了用Dice相似系数度量的分割精度。对MICCAI 2017白质高信号（WMH）分割挑战数据的实验表明，我们的两阶段多尺寸FCN方法以及新的激活函数可有效捕获MR图像中的白质病变。
2018-07-24 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
Araguaia Medical Vision Lab at ISIC 2017 Skin Lesion Classification Challenge
Universidade Federal de Mato Grosso（马托格罗索联邦大学）
本文介绍了阿拉瓜亚医学视觉实验室参加国际皮肤成像协作2017年皮肤病变挑战赛的情况。我们描述了使用深卷积神经网络，试图分类黑色素瘤和脂溢性角化病病变的图像。通过使用微调的GoogleNet和AlexNet，我们在脂溢性角化病和黑色素瘤上分别获得了0.950和0.846 AUC的结果。
2017-03-02 cs.CV
Cascaded Context Enhancement Network for Automatic Skin Lesion Segmentation
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Science and Technology of China（中国科学技术大学）
皮肤病灶分割是黑色素瘤自动诊断的重要步骤。由于来自不同患者的病变的不可忽略的多样性，提取用于细粒度语义分割的强大上下文在今天仍然具有挑战性。尽管深度卷积神经网络（CNN）在皮肤病变分割方面取得了显着改进，但由于CNN内部连续的卷积步幅和池化操作，它们通常无法保留空间细节和长期依赖性上下文。在本文中，我们制定了一个级联的上下文增强神经网络自动皮肤病变分割。提出了一种新的级联上下文聚合（CCA）模块，基于门的信息集成方法，顺序地和选择性地聚合原始图像和多层次特征的编码器子网络。所生成的上下文被进一步用于通过所设计的上下文引导局部亲和度（CGL）模块来引导区分性特征提取。此外，一个辅助损失被添加到CCA模块用于细化预测。在我们的工作中，我们评估我们的方法对四个公共皮肤皮肤镜图像数据集。该方法在ISIC-2016、ISIC-2017、ISIC-2018和PH 2数据集上实现了87.1%、80.3%、83.4%和86.6%的Jaccard指数（JA），分别高于其他最先进的模型。
2021-06-07 cs.CV eess.IV
Detecting Melanoma Fairly: Skin Tone Detection and Debiasing for Skin Lesion Classification
Newcastle University（纽卡斯尔大学）；Durham University（杜伦大学）
卷积神经网络在黑色素瘤和其他皮肤病变的分类方面已经表现出了人类水平的性能，但在广泛部署之前，应该解决不同肤色之间的明显性能差异。在这项工作中，我们提出了一个高效而有效的算法自动标记病变图像的肤色，并使用它来注释基准ISIC数据集。随后，我们使用这些自动化标签作为两个领先的偏见学习技术的目标，以减轻肤色偏见。我们的实验结果提供的证据表明，我们的肤色检测算法优于现有的解决方案，忘记肤色可以提高泛化能力，并可以减少黑色素瘤检测在较浅和较深的肤色之间的性能差距。
2022-07-29 cs.CV eess.IV
The Impact of Lesion Focus on the Performance of AI-Based Melanoma Classification
Department of Computer Science University of Illinois Urbana-Champaign（计算机科学系伊利诺伊大学厄巴纳-香槟分校）
本研究探讨了病变聚焦对AI黑色素瘤分类性能的影响，通过分析模型对病变区域的关注程度，揭示了可解释AI在医疗诊断中的应用潜力。
2026-01-01 cs.CV eess.IV
An Extensive Technique to Detect and Analyze Melanoma: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2017
提出了一种检测和分析黑色素瘤的自动化方法，以提高诊断水平，从而实现准确的治疗。该方法涉及到图像分割、特征描述符和分类模型等图像处理技术。在第一阶段中，使用基于CIELAB颜色空间的分割来分割病变区域。然后提取形状、颜色和纹理等特征描述符。最后，在第三阶段中，使用多类O-A SVM模型将病变区域分类为黑色素瘤、脂溢性角化病或痣。对ISIC 2017 Archive皮肤图像数据库进行了实验，并对结果进行了分析。
2017-02-28 cs.CV
Graph-Based Intercategory and Intermodality Network for Multilabel Classification and Melanoma Diagnosis of Skin Lesions in Dermoscopy and Clinical Images
黑色素瘤的识别涉及使用临床和皮肤镜检查方式获得的皮肤病变图像的综合分析。皮肤镜图像提供了表面下视觉结构的详细视图，补充了宏观临床图像。黑色素瘤的诊断通常基于7点视觉类别检查表（7PC）。7PC包含类别之间的内在关系，可以帮助分类，例如共享特征，相关性和类别对诊断的贡献。人工分类是主观的，并且易于观察者内和观察者间的差异。这为自动化方法提供了改善诊断的机会。当前最先进的方法集中在单个图像模态上，而忽略来自另一个模态的信息，或者没有充分利用来自两个模态的互补信息。此外，没有一种方法来利用7PC中的类别间关系。在这项研究中，我们提出了一个基于图的类别间和通道间网络（GIIN）的两个模块来解决这些问题。基于图的关系模块（GRM）利用类别间关系、模态间关系，并且通过在图网络中编码类别表示来对来自皮肤镜检查的视觉结构细节进行优先级排序。类别嵌入学习模块（CELM）捕获专门用于每个类别的表示并支持GRM。我们表明，我们的模块可以有效地使用皮肤镜临床图像的公共数据集来增强分类性能，并表明我们的方法在对7 PC类别和诊断进行分类方面优于最先进的方法。
2021-11-25 cs.CV
A Comprehensive Evaluation Study on Risk Level Classification of Melanoma by Computer Vision on ISIC 2016-2020 Datasets
University of Technology Sydney（悉尼科技大学）
皮肤癌是最常见的癌症类型。具体来说，黑色素瘤是75%皮肤癌死亡的原因，尽管它是最不常见的皮肤癌。更好地检测黑色素瘤可能会对数百万人产生积极影响。ISIC档案包含了最大的皮肤病损皮肤镜图像的公开收藏。在这项研究中，我们研究了在计算机视觉中应用先进的深度学习技术来识别皮肤病变图像中的黑色素瘤的有效性。通过回顾以前的方法，包括预训练模型，深度学习分类器，迁移学习等，我们展示了流行的深度学习方法在识别黑色素瘤等关键临床问题上的适用性。最后，我们提出了一个处理流程，在ISIC 2016 - 2020数据集上的验证AUC大于94%，灵敏度大于90%。
2023-02-19 cs.CV
Convolutional Neural Network Committees for Melanoma Classification with Classical And Expert Knowledge Based Image Transforms Data Augmentation
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）；Hospital Universitário Pedro Ernesto（佩德罗·埃内斯托大学医院）；Universidade Estadual do Rio de Janeiro（里约热内卢州立大学）
皮肤癌是一个主要的公共卫生问题，是最常见的癌症类型，占全球癌症诊断的一半以上。早期发现影响疾病的结果，并激励我们的工作。我们调查了CNN委员会的组成和ISBI 2017黑色素瘤分类挑战（名为皮肤病变分析对黑色素瘤检测）的数据增强，面临着处理这样一个小的，不平衡的生物数据库的特殊性。为此，我们探索了在ISBI挑战训练数据集上训练的卷积神经网络的委员会，该训练数据集通过经典图像处理变换和由关于病变轴的专业知识指导的图像扭曲来人工增强，并提高了最终分类器对常见黑色素瘤变化的不变性。
2017-03-15 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
Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks
Cleveland Clinic（克利夫兰诊所）
本文总结了我们的方法和验证结果的ISIC挑战2018 -皮肤病变分析对黑色素瘤检测-任务1：病变分割
2018-07-17 cs.CV
Deep-Learning Ensembles for Skin-Lesion Segmentation, Analysis, Classification: RECOD Titans at ISIC Challenge 2018
University of Campinas (UNICAMP)（坎皮纳斯大学）
本扩展摘要描述了RECOD Titans参与ISIC挑战赛2018“皮肤病变分析对黑色素瘤检测”（MICCAI 2018）的第1至3部分。尽管我们的团队在黑色素瘤分类方面有着长期的经验，在病变分割方面有着中等的经验，但2018年ISIC挑战赛是我们第一次从事病变属性检测。对于每个任务，我们提交了3种不同的集成方法，不同的模型和数据集组合。我们在官方测试集上的最佳结果，关于每个任务的官方度量，分别是：0.728（分割），0.344（属性检测）和0.803（分类）。这些提案分别排在第56、第14和第9位。
2018-08-25 cs.CV
Automatic skin lesion segmentation with fully convolutional-deconvolutional networks
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
本文总结了我们的方法和验证结果的ISBI挑战2017 -皮肤病变分析对黑色素瘤检测-第一部分：病变分割
2017-09-28 cs.CV
Skin Lesion Analysis Toward Melanoma Detection 2018: A Challenge Hosted by the International Skin Imaging Collaboration (ISIC)
IBM T.J. Watson Research Center（IBM T.J.沃森研究中心）；Memorial Sloan-Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；Medical University of Vienna（维也纳医科大学）；University of Central Arkansas（中阿肯色大学）；Emory University（埃默里大学）；Kitware, Inc.（基特威尔公司）
这项工作总结了世界上最大的皮肤图像分析挑战的结果，该挑战由国际皮肤成像合作组织（ISIC）主办，ISIC是一个全球合作伙伴关系，组织了世界上最大的皮肤镜图像公共存储库。该挑战于2018年在西班牙格拉纳达举行的医学图像计算和计算机辅助干预（MICCAI）会议上举办。该数据集包括3个任务的12，500多张图像。900名用户注册下载数据，115名提交至病变分割任务，25名提交至病变属性检测任务，159名提交至疾病分类任务。建立了新的评估协议，包括分割算法性能的新测试和算法泛化能力的测试。结果表明，顶级分割算法平均仍有超过10%的图像失败，在测试数据上具有相同性能的算法可能具有不同的泛化能力。这是监管医疗保健领域越来越多的机器学习工具的机构的重要考虑因素，并为医疗保健领域未来的公共挑战设定了新标准。
2019-03-29 cs.CV
Explainable Artificial Intelligence Architecture for Melanoma Diagnosis Using Indicator Localization and Self-Supervised Learning
University of Southern California（南加州大学）
黑色素瘤是一种流行的致命类型的癌症，如果在发展的早期阶段诊断出来，是可以治疗的。皮肤病变是诊断黑色素瘤的典型指标，但由于黑色素瘤早期癌性和良性病变的高度相似性，它们经常导致诊断延迟。深度学习（DL）可以用作以高准确度对皮肤病变图片进行分类的解决方案，但是深度学习的临床采用面临重大挑战。原因是深度学习模型的决策过程通常是不可解释的，这使得它们成为难以信任的黑箱。我们开发了一种用于黑色素瘤诊断的可解释的深度学习架构，该架构为其决策生成临床可解释的视觉解释。我们的实验表明，我们提出的架构匹配临床解释显着优于现有的架构。
2023-03-26 cs.CV cs.LG
Deep attention-guided fusion network for lesion segmentation
Shanghai Jiao Tong University（上海交通大学）；Minjiang Teachers College（闽江师范高等专科学校）
我们参与了任务1：病变分割。本文描述了我们的算法和ISIC挑战2018 -皮肤病变分析对黑色素瘤检测的验证集的最终结果。
2018-07-25 cs.CV
Attention Swin U-Net: Cross-Contextual Attention Mechanism for Skin Lesion Segmentation
Shahid Beheshti University（沙希德·贝赫什提大学）；RWTH Aachen University（亚琛工业大学）；Alzahra University（阿尔扎赫拉大学）；University of Regensburg（雷根斯堡大学）
黑色素瘤是由人类皮肤中黑色素细胞的异常生长引起的。像其他癌症一样，这种危及生命的皮肤癌可以通过早期诊断来治疗。为了支持通过自动皮肤病变分割的诊断，已经提出了几种全卷积网络（FCN）方法，特别是U-Net架构。具有对称结构的U-Net模型在分割任务中表现出优越的性能。然而，U-Net架构中卷积运算的局部性限制限制了其在捕获长程依赖性方面的性能，这对于医学图像中的分割任务至关重要。为了解决这一限制，最近提出了一种基于Transformer的U-Net架构，该架构用Swin Transformer模块取代CNN块，以捕获本地和全局表示。在本文中，我们提出了Att-SwinU-Net，一个基于注意力的Swin U-Net扩展，用于医学图像分割。在我们的设计中，我们试图通过仔细设计跳过连接路径来提高网络的特征重用性，我们认为，在跳过连接路径中使用的经典级联操作可以通过引入注意机制来进一步改进。通过对几个皮肤病变分割数据集进行全面的消融研究，我们证明了我们提出的注意力机制的有效性。
2022-10-30 cs.CV cs.LG eess.IV
Early Melanoma Diagnosis with Sequential Dermoscopic Images
Department of Epidemiology and Biostatistics, College of Public Health, Zhengzhou University（郑州大学公共卫生学院流行病学与生物统计学系）；Victorian Melanoma Service, Alfred Health（阿尔弗雷德健康服务中心维多利亚黑色素瘤中心）；eResearch Centre, Monash University（莫纳什大学电子研究中心）
皮肤科医生通常通过评估皮肤病变的后续皮肤镜图像来诊断或排除早期黑色素瘤。然而，现有的早期黑色素瘤诊断算法是使用病变的单时间点图像开发的。忽视病变的时间、形态学改变可导致临界病例的误诊。在这项研究中，我们提出了一个框架，自动早期黑色素瘤诊断使用连续皮肤镜图像。为此，我们分三步构建我们的方法。首先，我们使用估计的欧几里德变换对齐皮肤病变的连续皮肤镜图像，通过计算连续图像之间的图像差异来提取病变生长区域，然后提出一个时空网络来从对齐的病变图像和相应的差异图像中捕获皮肤镜变化。最后，我们开发了一个早期诊断模块来计算随着时间的推移病变图像的恶性肿瘤的概率分数。我们收集了122例患者的179个连续皮肤镜成像数据来验证我们的方法。大量的实验表明，该模型优于其他常用的序列模型。我们还比较了我们的模型的诊断结果与七个经验丰富的皮肤科医生和五个注册。我们的模型实现了比临床医生更高的诊断准确率（分别为63.69%和54.33%），并提供了黑色素瘤的早期诊断（在首次随访图像上正确诊断的黑色素瘤为60.7%和32.7%）。这些结果表明，我们的模型可用于识别在疾病过程早期处于恶性转化高风险的黑色素细胞病变，从而重新定义黑色素瘤早期检测的可能性。
2021-10-12 cs.CV cs.LG eess.IV
Detector-SegMentor Network for Skin Lesion Localization and Segmentation
Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）
黑色素瘤是一种危及生命的皮肤癌，如果在早期未被诊断出来。虽然非黑色素瘤癌症的病例比黑色素瘤癌症多，但黑色素瘤癌症更致命。早期发现黑色素瘤对于及时诊断黑色素瘤癌症并防止其扩散到远处的身体部位至关重要。皮肤病变的分割是皮肤镜图像中黑色素瘤癌分类的关键步骤。皮肤镜皮肤图像的手动分割非常耗时且容易出错，因此迫切需要一种智能且准确的算法。在这项研究中，我们提出了一种简单而新颖的网络中网络卷积神经网络（CNN）为基础的方法分割的皮肤病变。基于区域的更快的CNN（更快的RCNN）用于预处理，以预测整个图像中病变的边界框，随后将其裁剪并馈送到分割网络中以获得病变掩模。分割网络是UNet和沙漏网络的组合。我们在ISIC 2018数据集上训练和评估了我们的模型，并在PH \textsuperscript{2}和ISBI 2017数据集上进行了交叉验证。我们提出的方法超越了最先进的Dice相似系数为0.915，准确度为0.959 ISIC 2018数据集和ISBI 2017数据集上的Dice相似系数为0.947，准确度为0.971。
2020-05-13 cs.CV cs.LG eess.IV
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
Skin Deep Unlearning: Artefact and Instrument Debiasing in the Context of Melanoma Classification
Newcastle University（纽卡斯尔大学）；Durham University（杜伦大学）
针对黑色素瘤分类中手术标记、标尺及成像器械造成的数据偏差，本文比较两种主流偏差去学习方法，证明其可显著降低虚假变异影响并提升泛化。
2023-04-27 cs.CV
Skin Lesion Segmentation Improved by Transformer-based Networks with Inter-scale Dependency Modeling
University of Kentucky（肯塔基大学）
针对U-Net在皮肤病变分割中难以捕获长距离依赖及存在语义鸿沟的问题，提出U型分层Transformer结构与跨尺度上下文融合（ISCF）方法，利用注意力相关性自适应融合各阶段上下文以提升特征可重用性，在两个基准上验证了有效性。
2023-10-20 cs.AI cs.CV eess.IV
Complementary Network with Adaptive Receptive Fields for Melanoma Segmentation
Department of Electrical Engineering, City Univeristy of Hong Kong, Hong Kong SAR, China
皮肤镜图像中黑色素瘤的自动分割是皮肤癌计算机辅助诊断的关键。现有的方法可能会受到空洞和收缩的问题，有限的分割性能。为了解决这些问题，我们提出了一种新的互补网络与自适应接收字段学习。而不是独立的分割任务，我们引入了一个前景网络来检测黑色素瘤病变和一个背景网络来掩盖非黑色素瘤区域。此外，我们提出了自适应的atrous卷积（AAC）和知识聚合模块（KAM），以填补漏洞，缓解收缩问题。AAC在多个尺度上显式地控制感受野，KAM通过扩张卷积与自适应感受野卷积浅特征图，该自适应感受野根据深特征图进行调整。此外，提出了一种新的互损，利用前台和后台网络之间的依赖性，从而使这两个网络内的干扰影响。因此，这种相互训练策略使半监督学习和提高边界敏感性。使用皮肤成像协作（ISIC）2018皮肤病变分割数据集进行训练，我们的方法实现了86.4%的骰子系数，并且与最先进的黑色素瘤分割方法相比表现出更好的性能。
2020-01-12 cs.CV
Melatect: A Machine Learning Model Approach For Identifying Malignant Melanoma in Skin Growths
Lexington High School（列克星敦高中）
恶性黑色素瘤是一种常见的皮肤癌，在转移之前大多是可以治愈的-当生长在远离原始部位的器官中时。黑色素瘤是最危险的皮肤癌类型，如果不治疗，由于转移的高风险。本文介绍了Melatect，这是一种嵌入在iOS应用程序中的机器学习（ML）模型，可识别潜在的恶性黑色素瘤。Melatect在96.6%的时间内准确地将病变分类为恶性或良性，没有明显的偏倚或过拟合。使用Melatect应用程序，用户可以拍摄皮肤病变（痣）的照片，随后接收痣分类。Melatect应用程序提供了一种便捷的方式来获得有关病变的免费建议并随时间推移跟踪这些病变。开发了递归计算机图像分析算法和修改的MLOps流水线，以创建比现有模型精度更高的模型。我们的训练数据集包括18，400张良性和恶性病变的图像，其中18，000张来自国际皮肤成像合作组织（ISIC）档案，以及从当地皮肤科医生那里收集的400张图像;这些图像使用DeepAugment（AutoML工具）增强到54，054张图像。
2021-09-21 cs.AI cs.CV eess.IV
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
Exploring Content Based Image Retrieval for Highly Imbalanced Melanoma Data using Style Transfer, Semantic Image Segmentation and Ensemble Learning
Gujarat Technological University（古吉拉特理工大学）
病变图像经常在开放设置中拍摄。由于图像数据的多样性，卷积神经网络很难找到合适的特征并具有良好的泛化能力，因此很难建立基于内容的病变图像检索（CBIR）系统。本文探讨了这一领域，并提出了多个相似性措施，使用风格损失和骰子系数通过一个新的相似性措施称为I1-得分。在提出的CBIR相似性度量中，纯风格损失方法比传统的方法如欧氏距离和余弦相似性实现了显着的准确性提高。使用风格损失的I1分数表现优于传统方法的一个小的利润率，而，I1分数与骰子系数公平非常差。所使用的模型使用集成学习进行训练，以获得更好的泛化能力。
2021-10-12 cs.CV
Global and Local Information Based Deep Network for Skin Lesion Segmentation
University of Electronic Science and Technology of China（电子科技大学）
随着皮肤镜图像的大量涌入和皮肤科医生的日益短缺，自动皮肤镜图像分析在皮肤癌诊断中起着至关重要的作用。本文提出了一种新的深度全卷积神经网络（FCNN），通过端到端学习，仅以像素和标签作为输入，自动将黑色素瘤从皮肤图像中分割出来。我们提出的FCNN能够通过采用跳过层来使用局部和全局信息来分割黑色素瘤。在2017年国际生物医学成像研讨会上的黑色素瘤检测挑战2017中，由150个验证图像，600个测试图像和2000个训练图像组成的公共基准数据库用于测试我们算法的性能。所有大尺寸图像（例如，$4000\times 6000$像素）都将缩小为具有$384\times 384$像素的小得多的图像（小10倍以上）。我们得到并提交了挑战的初步结果，没有任何预处理或后处理。我们所提出的方法的性能可以进一步提高数据增强和避免图像尺寸减小。
2017-03-16 cs.CV
Evaluation of Big Data based CNN Models in Classification of Skin Lesions with Melanoma
Kasetsart University Sriracha Campus（农业大学是拉差校区）；University of Hertfordshire（赫特福德大学）
本章介绍了一种使用卷积神经网络诊断色素性皮肤病变的方法。该架构基于卷积神经网络，并使用新的CNN模型进行评估，以及使用预先存在的CNN模型的重新训练修改。实验结果表明，与从皮肤镜图像明确训练的卷积神经网络模型相比，在大数据集上预训练的CNN模型在重新训练以识别皮肤病变类型时用于一般目的的图像分类时提供更准确的结果。通过重新训练ResNet-50卷积神经网络的修改版本，实现了最佳性能，准确率为93.89%。对皮肤病变病理类型进行了分析，黑色素瘤和基底细胞癌的分类准确率分别为79.13%和82.88%。
2020-07-10 cs.CV cs.LG eess.IV
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
What evidence does deep learning model use to classify Skin Lesions?
Yale University（耶鲁大学）；Cleerly Inc（Cleerly公司）；Dana-Farber Cancer Institute（丹娜-法伯癌症研究所）；East China University of Science and Technology（华东理工大学）
黑色素瘤是一种发病率增长最快的皮肤癌。使用皮肤镜图像早期检测黑色素瘤可显著提高患者的生存率。然而，通过眼睛对皮肤病变进行准确分类，特别是在黑色素瘤的早期阶段，对于皮肤科医生来说极具挑战性。因此，发现可靠的生物标志物将对黑色素瘤的诊断有意义。近年来，基于深度学习的计算机辅助诊断的价值已经在基于生物医学成像的决策中得到了体现。然而，许多研究集中在提高疾病检测的准确性，而不是探索病理学的证据。在本文中，我们提出了一种解释深度学习分类结果的方法。首先，我们提出一个精确的神经网络架构来分类皮肤病变。其次，我们利用预测差异分析方法，检查图像上的每个补丁，通过patch-wised腐败检测生物标志物。最后，我们验证了我们的生物标志物发现与文献中的模式相对应。这一发现对指导临床诊断具有重要意义。
2019-02-13 cs.CV q-bio.QM
Skin cancer reorganization and classification with deep neural network
Yale University School of Medicine（耶鲁大学医学院）
黑色素瘤作为皮肤癌的一种，是非常危险的。基于皮肤镜的早期检测和再碳化策略对于黑色素瘤治疗至关重要。然而，训练有素的皮肤科医生主导诊断的准确性。为了解决这个问题，许多努力集中在开发自动图像分析系统。在这里，我们报告了一种基于深度学习技术的新策略，并实现了非常高的皮肤病变分割和黑色素瘤诊断准确率：1）我们构建了一个分割神经网络（skin_segnn），它实现了非常高的病变边界检测准确率; 2）我们基于Google inception v3网络（skin_recnn）及其经过良好训练的权重构建了另一个非常深的神经网络。新设计的基于迁移学习的深度神经网络skin_inceptions_v3_nn有助于实现高预测精度。
2017-03-01 cs.CV
Improving Automatic Skin Lesion Segmentation using Adversarial Learning based Data Augmentation
the University of Sydney（悉尼大学）；Shanghai Jiao Tong University（上海交通大学）
皮肤病变的分割被认为是计算机辅助诊断（CAD）中的一个重要步骤，用于自动黑色素瘤诊断。近年来，基于全卷积网络（FCN）的分割方法在一般图像中取得了很大的成功。这一成功主要是由于利用大型标记数据集来学习与图像的浅层外观以及深层语义相对应的特征。然而，对大数据集的依赖并不能很好地转化为医学图像。为了提高FCN在皮肤病变分割方面的性能，研究人员尝试使用特定的成本函数或添加后处理算法来细化FCN结果的粗略边界。然而，这些方法的性能在很大程度上依赖于许多参数和后处理技术的调整。在本文中，我们利用生成对抗网络（GAN）的最先进的图像特征学习方法，通过使用深度神经网络和对抗学习概念来产生一致和逼真的图像特征。我们对GAN进行了改进，使得可以以受控的方式在不同的复杂程度上学习皮肤病变特征。我们的方法的输出，然后增加到现有的FCN训练数据，从而增加了整体功能的多样性。我们在ISIC 2018皮肤病变分割挑战数据集上评估了我们的方法，并表明与现有的皮肤病变分割方法相比，它更准确，更强大。
2018-07-31 cs.CV
Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields
Technische Universität München（慕尼黑工业大学）；LMU Hospital Grosshadern（LMU格罗斯哈德恩医院）
肝脏及其病变的自动分割是获得用于准确临床诊断和计算机辅助决策支持系统的定量生物标志物的重要一步。提出了一种利用级联全卷积神经网络（CFCN）和稠密三维条件随机场（CRF）自动分割CT腹部图像中肝脏和病变的方法。我们训练和级联两个FCN的肝脏及其病变的联合分割。在第一步中，我们训练FCN以分割肝脏作为第二个FCN的ROI输入。第二FCN仅从步骤1的预测的肝脏ROI分割病变。我们使用一个密集的三维CRF，占空间的连贯性和外观的CFCN细分细化。CFCN模型在包含15个肝脏肿瘤体积的腹部CT数据集3DIRCAD上进行了2重交叉验证训练。我们的研究结果表明，基于CFCN的语义肝脏和病变分割实现了肝脏的Dice分数超过94%，计算时间低于100秒每卷。我们的实验表明，所提出的方法作为一个决策支持系统的鲁棒性，具有高精度和速度的日常临床常规使用。
2016-10-07 cs.CV
