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
Using Computer Vision for Skin Disease Diagnosis in Bangladesh Enhancing Interpretability and Transparency in Deep Learning Models for Skin Cancer Classification
Daffodil International University（达福迪尔国际大学）
针对孟加拉国皮肤癌诊断专家短缺及深度学习模型缺乏可解释性的问题，提出结合显著性图和注意力图的方法可视化关键诊断特征，以增强模型透明度并改善早期检测。
2025-01-30 cs.CV eess.IV
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
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
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
SkinCLIP-VL: Consistency-Aware Vision-Language Learning for Multimodal Skin Cancer Diagnosis
Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）；University of Liverpool（利物浦大学）
本文提出SkinCLIP-VL，通过冻结感知与自适应推理范式，结合CLIP编码器与轻量量化Qwen2.5-VL，引入一致性聚焦对齐损失，实现高效皮肤癌诊断，优于13B参数基线模型，参数更少且临床信任度更高。
2026-03-22 cs.CV
Skin Cancer Detection and Tracking using Data Synthesis and Deep Learning
Peking University（北京大学）；Stanford University（斯坦福大学）
密集目标检测和时间跟踪需要跨越从人员跟踪到随时间分析卫星图像的应用领域。恶性皮肤癌和良性痣的检测和跟踪构成了一个特别具有挑战性的问题，这是由于大的皮肤斑块的一般均匀性，皮肤病变在外观上变化不大的事实，以及相对少量的可用数据。在这里，我们介绍了一种新的数据合成技术，将单个皮肤病变的图像与全身图像合并，并对其进行大量增强，以生成大量数据。我们构建了一个基于卷积神经网络（CNN）的系统，在此合成数据上进行训练，并展示了优于传统检测和跟踪技术的性能。此外，我们将我们的系统与使用简单标准训练的人类进行比较。我们的系统旨在用于潜在的临床用途，以增强医疗保健提供者的能力。虽然是特定于领域的，但我们相信这项工作中调用的方法将有助于在数据可用性有限的领域中应用CNN。
2016-12-04 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
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
Cancer-Net SCa-Synth: An Open Access Synthetically Generated 2D Skin Lesion Dataset for Skin Cancer Classification
University of Waterloo（滑铁卢大学）
针对皮肤癌开源数据集类别不平衡问题，利用Stable Diffusion和DreamBooth生成合成皮肤病变图像，构建开源数据集Cancer-Net SCa-Synth，并通过ISIC 2020测试集验证其提升分类性能的有效性。
2024-11-08 cs.CV cs.LG
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 Cancer Detection utilizing Deep Learning: Classification of Skin Lesion Images using a Vision Transformer
University of Cologne（科隆大学）
针对皮肤癌检测精度有限的问题，采用基于自注意力机制的预训练 Vision Transformer（ViT）模型对皮肤病变图像进行分类，相比 CNN 等基础模型取得更优准确率，为医疗诊断提供了更快更准的潜在工具。
2024-08-25 cs.CV
GDN: A Stacking Network Used for Skin Cancer Diagnosis
School of Artificial Intelligence and automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；Biosystem Engineering, Zhejiang University（浙江大学生物系统工程学院）；Computer Science Department, New York University（纽约大学计算机科学系）；School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院）
本文提出堆叠网络GDN，先并行训练GoogLeNet和DenseNet进行皮肤癌基础分类，再用逻辑回归融合二者输出，从而提升基底细胞癌和黑色素瘤的识别准确率。
2023-12-05 cs.CV
New pyramidal hybrid textural and deep features based automatic skin cancer classification model: Ensemble DarkNet and textural feature extractor
Ardahan University（阿尔达汉大学）；Firat University（菲拉特大学）
工作背景：皮肤癌是世界范围内常见的恶性肿瘤之一，皮肤癌的自动分类有助于皮肤科诊所的准确诊断。因此，必须开发基于机器学习的皮肤癌自动检测模型。材料和方法：本研究旨在解决皮肤癌自动检测问题。使用彩色皮肤癌图像数据集。该数据集包含3297张图像，分为两类。提出了一种基于纹理和深度特征的自动多级模型。采用离散小波变换（DWT）、局部相位量化（LPQ）、局部二值模式（LBP）、预训练的DarkNet19和DarkNet53进行多层次融合特征生成，并采用基于阈值的邻域成分分析（NCA）选取前1000个特征。所选择的前1000个特征使用10倍交叉验证技术进行分类。结果如下：为了获得结果，使用了10倍交叉验证，通过使用推荐的金字塔混合特征生成器和基于NCA选择器的模型，获得了91.54%的分类准确率结果。此外，使用各种训练和测试分离比（90：10、80：20、70：30、60：40、50：50），并且使用90：10分离比计算出最大分类率为95.74%。结论：结果表明，该模型可用于皮肤科和病理诊所，以简化皮肤癌的检测过程，并帮助医生。
2022-03-28 cs.CV cs.LG
Discovery Radiomics via Deep Multi-Column Radiomic Sequencers for Skin Cancer Detection
Elucid Labs；University of Waterloo（滑铁卢大学）
虽然皮肤癌是男性和女性中诊断最多的癌症形式，每年诊断的病例比所有其他癌症的总和还要多，但足够早的诊断会导致非常好的预后，因此早期发现至关重要。虽然放射组学已经显示出相当大的前景，作为一个强大的诊断工具，显着提高肿瘤诊断的准确性和效率，目前的放射组学驱动的方法在很大程度上依赖于预定义的，手工制作的定量特征，这可能会大大限制的能力，充分表征独特的癌症表型，区分它与健康组织。最近，引入了发现放射组学的概念，其中从大量容易获得的医学成像数据中直接发现大量定制的定量放射组学特征。在这项研究中，我们提出了一种用于皮肤癌检测的新发现放射组学框架，其中我们利用新型深多柱放射组测序仪进行高通量发现和提取大量定制放射组学特征，这些特征是为表征独特的皮肤癌组织表型而定制的。所发现的放射组测序仪针对9，152个活检证实的临床图像进行了测试，所述临床图像包括不同的皮肤癌，例如黑色素瘤和基底细胞癌，并且证明灵敏度和特异性分别为91%和75%，从而实现了皮肤科医生水平的性能，并且\break因此可以是用于辅助全科医生和皮肤科医生等提高效率、一致性、和皮肤癌诊断的准确性。
2017-09-24 cs.CV cs.NE
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
Skin Lesion Analyser: An Efficient Seven-Way Multi-Class Skin Cancer Classification Using MobileNet
Priyadarshini Institute of Engineering & Technology（普里雅达希尼工程技术学院）
皮肤癌是一种主要的癌症形式，是一个严重的公共卫生问题，每年全球有123，000例新诊断的黑色素瘤病例和200万至300万例非黑色素瘤病例。皮肤癌的主要原因是皮肤细胞高度暴露于紫外线辐射，这会破坏皮肤细胞内的DNA，导致皮肤细胞不受控制地生长。皮肤癌主要通过临床筛查、活检、皮肤镜分析和组织病理学检查进行视觉诊断。它已被证明，皮肤镜分析的手没有经验的皮肤科医生可能会导致降低诊断的准确性。皮肤癌的早期发现和筛查有可能降低死亡率和发病率。以前的研究表明，深度学习在几项视觉识别任务中的表现比人类专家更好。在本文中，我们提出了一个有效的七路自动化多类皮肤癌分类系统，具有与专家皮肤科医生相媲美的性能。我们使用预训练的MobileNet模型，通过迁移学习对HAM10000数据集进行训练。该模型对皮肤病变图像的分类准确率为83.1%，top2准确率为91.36%，top3准确率为95.34%。精确度、召回率和f1分数的加权平均值分别为0.89、0.83和0.83。该模型已作为网络应用程序部署，供公众使用（saketchaturvedi.github.io）。这种快速、可扩展的方法具有巨大的临床影响潜力，包括扩大初级保健实践的范围和增强皮肤科专家的临床决策。
2020-05-27 cs.CV eess.IV
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
CNNs, Transformers, Hybrid, and Vision Language Models for Skin Cancer Detection
Department of Computer Science and Software Engineering, Concordia University, Montreal, Canada（计算机科学与软件工程系，康科迪亚大学，加拿大蒙特利尔）；Ebovir Biotechnologie Inc., Montreal, Canada（Ebovir生物技术公司，加拿大蒙特利尔）
本文在PAD-UFES-20数据集上统一评估了12种深度学习模型（包括CNN、ViT、混合卷积Transformer和视觉语言模型），结果表明混合模型和基于SigLIP的VLM在排名性能和临床相关操作点之间取得了最佳平衡。
2026-05-25 cs.CV
Capturing global spatial context for accurate cell classification in skin cancer histology
The Institute of Cancer Research（英国癌症研究院）；Royal Free London（伦敦皇家自由医院）
在先前无法治愈的黑色素瘤（一种高度侵袭性的皮肤癌）患者的免疫治疗临床试验中观察到的壮观反应要求更好地理解癌症免疫界面。计算病理学提供了一个独特的机会，空间解剖数字化病理切片上的这种界面。准确的细胞分类是确保有意义的结果的关键，但即使使用最先进的机器学习和深度学习方法也往往具有挑战性。我们提出了一个分层框架，反映了病理学家感知肿瘤结构和定义肿瘤异质性的方式，以改善仅依赖于细胞核形态的细胞分类方法。SLIC超像素算法用于在黑色素瘤皮肤癌的低分辨率H& E染色组织学图像中对肿瘤区域进行分割和分类，以提供全局背景。将超像素分类为肿瘤，基质，表皮和管腔/白色空间，在TCGA黑色素瘤数据集的58个全肿瘤图像中产生了97.7%的训练集准确度和95.7%的测试集准确度。基于细胞核形态学特征，将超像素分类投影到高分辨率图像，以增强单细胞分类器的性能，并将其准确率从86.4%提高到91.6%。此外，提出了一种投票方案，使用全局上下文作为生物先验知识，将准确率进一步提高到92.8%。这项研究证明了如何使用全球空间背景可以准确地识别肿瘤微环境，并使我们能够显着扩展到单细胞形态学分类之外。
2018-08-07 cs.CV
Artificial Intelligence-Based Image Classification for Diagnosis of Skin Cancer: Challenges and Opportunities
Dartmouth College（达特茅斯学院）；Dartmouth-Hitchcock Medical Center（达特茅斯-希区柯克医疗中心）；Geisel School of Medicine（盖塞尔医学院）；Metrohealth System（都会医疗系统）；Case Western Reserve University（凯斯西储大学）
最近，人们对开发用于诊断皮肤癌的人工智能（AI）计算机辅助诊断解决方案产生了极大的兴趣。随着皮肤癌发病率的增加，越来越多的人对皮肤癌的认识不足，以及缺乏足够的临床专业知识和服务，迫切需要人工智能系统来帮助这一领域的临床医生。大量的皮肤病变数据集是公开的，研究人员已经开发出基于AI的图像分类解决方案，特别是深度学习算法，以区分不同图像模式（如皮肤镜、临床和组织病理学图像）中的恶性皮肤病变和良性病变。尽管人工智能系统在不同皮肤病变的分类方面比皮肤科医生实现了更高的准确性，但这些人工智能系统在帮助临床医生诊断皮肤癌方面仍处于临床应用的早期阶段。在这篇综述中，我们讨论了用于诊断皮肤癌的基于数字图像的人工智能解决方案的进展，以及改进这些人工智能系统以支持皮肤科医生并提高其诊断皮肤癌的能力的一些挑战和未来机会。
2020-06-20 cs.CV eess.IV q-bio.QM
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
An Interpretable Deep Learning Approach for Skin Cancer Categorization
Ahsanullah University of Science & Technology（阿赫桑拉科技大学）
本研究针对皮肤癌早期精准检测需求，采用四种预训练深度学习模型结合图像增强技术进行病变分类，引入XAI提升可解释性，最终XceptionNet以88.72%准确率表现最优，为医学影像辅助诊断提供支撑。
2023-12-17 cs.CV eess.IV
Towards Trustable Skin Cancer Diagnosis via Rewriting Model's Decision
Monash University（莫纳什大学）；Inception Institute of AI（人工智能初创研究所）；The University of Queensland（昆士兰大学）
深度神经网络在图像识别任务中表现出了良好的性能。然而，它们可能严重依赖于混杂因素，使用数据集中不相关的工件或偏差作为提高性能的线索。当一个模型基于这些虚假的相关性进行决策时，它可能变得不可信，并在部署到现实世界场景中时导致灾难性的结果。在本文中，我们探讨并试图解决这个问题的背景下，皮肤癌的诊断。我们在模型训练过程中引入了一个人在回路的框架，这样当混淆行为发生时，用户可以观察和纠正模型的决策逻辑。具体地说，我们的方法可以通过分析样本的共现行为来自动发现混杂因素。它能够使用容易获得的概念范例来学习混淆概念。通过将黑盒模型的特征表示映射到可解释的概念空间，人类用户可以解释概念并通过一阶逻辑指令进行干预。我们在我们新制作的，控制良好的皮肤病变数据集和几个公共皮肤病变数据集上系统地评估了我们的方法。实验表明，我们的方法可以有效地检测和删除混淆因素的数据集，而无需任何先验知识的类别分布，并不需要完全注释的概念标签。我们还表明，我们的方法使模型能够专注于临床相关的概念，提高模型的性能和模型推理过程中的可信度。
2023-03-02 cs.CV
Class-N-Diff: Classification-Induced Diffusion Model Can Make Fair Skin Cancer Diagnosis
本文提出 Class-N-Diff，通过在扩散模型中集成分类器来引导类别条件皮肤镜图像生成，从而提升合成图像真实性、多样性及下游皮肤癌诊断性能。
2025-10-19 cs.CV
Skin Cancer Images Classification using Transfer Learning Techniques
School of Computing and Informatics（计算与信息学院）；University of Louisiana at Lafayette（路易斯安那大学拉法叶分校）
针对现有皮肤癌诊断方法准确率不足、流程耗时的问题，本研究采用五种预训练迁移学习方法开展皮肤癌良恶性二分类，经微调、数据增强及超参数调优后，ResNet-50在ISIC数据集上取得0.935的准确率。
2024-06-18 cs.AI cs.CV cs.LG
Deep Learning for Skin Lesion Classification
SSN College of Engineering（SSN工程学院）；VIT University（VIT大学）
黑色素瘤是皮肤癌的一种恶性形式，对生命非常有威胁。在早期阶段诊断黑色素瘤是非常必要的，因为它具有非常高的治愈率。皮肤癌的良性和恶性形式可以通过使用皮肤镜图像分析皮肤表面上存在的病变来检测。在这项工作中，开发了一种自动皮肤病变检测系统，该系统使用Google的预训练CNN模型（称为Inception-v3 \cite{cnn}）学习图像的表示。在获得我们输入的皮肤镜图像的表示向量之后，我们训练了两层前馈神经网络来将图像分类为恶性或良性。该系统还使用不同的神经网络基于癌症的原因对图像进行分类，所述癌症的原因是由于黑素细胞或非黑素细胞。这些分类任务是2017年国际皮肤成像合作组织（ISIC）组织的挑战的一部分。我们的系统学习根据使用挑战中给出的训练图像构建的模型对图像进行分类，并使用验证和测试集对实验结果进行评估。我们的系统已经实现了65.8%的整体准确性的验证集。
2017-03-13 cs.CV
Skin lesion detection based on an ensemble of deep convolutional neural network
Faculty of Informatics, University of Debrecen（德布勒森大学信息学院）
皮肤癌是一个主要的公共卫生问题，在美国每年有超过500万的新诊断病例。黑色素瘤是最致命的皮肤癌，每年造成9,000多人死亡。在本文中，我们提出了一个集成的深度卷积神经网络分类皮肤镜图像分为三类。为了达到最高的分类精度，我们融合了四种不同神经架构的softmax层的输出。对于聚合，我们考虑网络的各个准确度，这些准确度由其最终softmax层提供的置信度值加权。这种基于融合的方法在分类精度方面优于所有单独的神经网络。
2017-05-09 cs.CV
Hybrid Whale-Mud-Ring Optimization for Precise Color Skin Cancer Image Segmentation
University of Jijel（吉杰尔大学）；Research Center in Industrial Technologies (CRTI)（工业技术研究中心）；University of Dubai（迪拜大学）
本文提出混合鲸鱼优化与泥环算法的WMRA方法，通过气泡网攻击和泥环策略克服局部最优停滞，实现彩色皮肤癌图像的精确多级阈值分割，在适应度、PSNR和MSE上优于现有方法。
2023-11-22 cs.CV cs.CY
Skin Cancer Classification: Hybrid CNN-Transformer Models with KAN-Based Fusion
Mehta Family School of Data Science（梅hta家族数据科学学院）；Artificial Intelligence Indian Institute of Technology Guwahati Assam, India（人工智能印度理工学院果阿瓦提阿萨姆印度）
本文提出结合CKAN的混合CNN-Transformer皮肤癌分类模型，利用迁移学习与数据增强，在HAM10000、PAD-UFES和BCN20000数据集上取得高准确率与F1分数，验证了模型的有效性和泛化能力。
2025-08-17 cs.CV
Diffusion models applied to skin and oral cancer classification
Federal University of Espírito Santo（圣埃斯皮里图联邦大学）
本研究提出DiffMIC框架，将扩散模型应用于皮肤癌与口腔癌医学图像分类，在PAD-UFES-20和P-NDB-UFES数据集上取得与CNN和Transformer相当的平衡准确率，并验证了其跨数据集的鲁棒性。
2025-03-28 cs.AI cs.CV eess.IV
Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks
University of Dayton（代顿大学）
在过去的几年中，深度学习（DL）在不同形式的生物医学图像分析中表现出卓越的性能。已经提出了几种DL架构用于医学成像和计算病理学中的分类、分割和检测任务。在本文中，我们提出了一种新的DL架构，NABLA-N网络，具有更好的特征融合技术，在解码单元皮肤镜图像分割任务。NABLA-N网络在分割任务方面有一些进步。首先，该模型确保了更好的特征表示语义分割与低到高级别的特征图的组合。其次，与其他方法相比，该网络在相同或更少的网络参数下显示出更好的定量和定性结果。此外，初始递归残差卷积神经网络（IRRCNN）模型用于皮肤癌分类。建议的NABLA-N网络和IRRCNN模型在国际皮肤成像合作组织2018（ISIC-2018）的基准数据集上进行皮肤癌分割和分类评估。实验结果表明，与递归残差U-网（R2 U-网）相比，该算法在分割任务上具有更好的性能。分类模型在ISIC 2018数据集上显示皮肤镜皮肤癌分类的测试准确率约为87%。
2019-04-25 cs.CV eess.IV
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
Benchmarking of Lightweight Deep Learning Architectures for Skin Cancer Classification using ISIC 2017 Dataset
Yildiz Technical University（伊尔迪兹技术大学）；Hisar School（希萨尔学校）
皮肤癌是致命的癌症类型之一，在世界上很常见。最近，人们患皮肤癌的几率有了很大的提高。因此，使用深度学习进行皮肤癌分类的研究数量日益增加。为了这一领域工作的增长，成立了国际皮肤成像合作组织（ISIC），并创建了一个开放的数据集档案。在这项研究中，图像取自ISIC 2017挑战赛。对所拍摄的皮肤癌图像进行预处理和数据增强。后来，这些图像通过迁移学习和微调方法进行训练，并以这种方式创建了深度学习模型。每个模型确定了3个不同的移动深度学习模型和3个不同的批量大小值，总共创建了9个模型。在这些模型中，NASNetMobile模型与16批大小得到了最好的结果。该模型的准确率为82.00%，精确度为81.77%，F1评分值为0.8038。我们的方法是对参数较少的移动深度学习模型进行基准测试，并比较模型的结果。
2021-10-23 cs.CV cs.LG eess.IV
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
Skin Cancer Segmentation and Classification Using Vision Transformer for Automatic Analysis in Dermatoscopy-based Non-invasive Digital System
Jahangirnagar University（贾汉吉尔纳加尔大学）；Bangladesh University of Health Sciences（孟加拉国健康科学大学）；Bangabandhu Sheikh Mujib Medical University（孟加拉国谢赫·穆吉布医科大学）
本研究提出基于Vision Transformer的皮肤癌分类与Segment Anything Model分割方法，在HAM10000数据集上ViT patch-32变体达96.15%准确率，为皮肤科诊断提供有效工具。
2024-01-09 cs.CV cs.LG eess.IV
ResNet101 and DAE for Enhance Quality and Classification Accuracy in Skin Cancer Imaging
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）
针对皮肤癌病变特征变异性大、传统方法检测难的问题，提出结合 ResNet101 的深度自编码器（DAE）卷积集成方法，在 ISIC-2018 数据集上实现了 96.03% 的准确率，有效提升了皮肤癌的分类准确率与检测性能。
2024-03-21 cs.CV eess.IV
Leveraging Knowledge Distillation for Lightweight Skin Cancer Classification: Balancing Accuracy and Computational Efficiency
United International University（联合国际大学）；The University of Western Australia（西澳大学）；Bangladesh University of Business and Technology（孟加拉国商业与技术大学）；Ahsanullah University of Science and Technology（阿萨努拉科技大学）；Charles Darwin University（查尔斯达尔文大学）
皮肤癌是公共卫生的主要问题，占报告癌症的三分之一。如果没有及早发现，癌症有可能造成严重后果。认识到有效的皮肤癌分类的迫切需要，我们解决了现有模型的局限性，这些模型往往太大，无法部署在计算资源有限的地区。作为回应，我们提出了一个基于知识蒸馏的方法来创建一个轻量级的高性能分类器。所提出的解决方案涉及融合三个模型，即ResNet152V2，ConvNeXtBase和ViT Base，以创建一个有效的教师模型。教师模型，然后引导一个轻量级的学生模型的大小为2.03 MB。该学生模型使用16位量化进一步压缩至469.77 KB，从而能够顺利集成到边缘设备中。通过六阶段图像预处理，数据增强和严格的消融研究，该模型在HAM10000数据集上实现了98.75%的准确率，在Kaggle数据集上实现了98.94%的准确率，分类良性和恶性皮肤癌。由于其高准确性和紧凑的尺寸，我们的模型似乎是一个潜在的选择，准确的皮肤癌分类，特别是在资源有限的设置。
2024-06-28 cs.CV cs.LG eess.IV
Optimizing Neuro-Fuzzy and Colonial Competition Algorithms for Skin Cancer Diagnosis in Dermatoscopic Images
The University of Tulsa（塔尔萨大学）
本研究融合图像处理、神经模糊和殖民竞争算法，在ISIC数据库的560张皮肤镜图像上实现94%准确率，旨在辅助临床早期黑色素瘤检测。
2026-06-02 cs.CV cs.LG
Exploring the Challenge and Value of Deep Learning in Automated Skin Disease Diagnosis
Polytechnic Institute, Zhejiang University（浙江大学 polytechnic 院）；School of Social and Public Administration, East China University Of Science And Technology（东华大学社会科学与公共管理学院）；College of Science, National University of Defense Technology（国防科技大学科学学院）；School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院）
本文探讨深度学习在自动皮肤疾病诊断中的挑战与价值，提出数据增强、混合模型等方法，强调其在临床决策中的潜力。
2026-01-16 cs.CV
Domain shifts in dermoscopic skin cancer datasets: Evaluation of essential limitations for clinical translation
German Cancer Research Center (DKFZ)（德国癌症研究中心）；German Aerospace Center (DLR)（德国航空航天中心）
针对皮肤镜皮肤癌分类中CNN泛化能力受限的问题，基于ISIC archive元数据构建领域偏移数据集，验证了多种领域偏移的存在及无监督领域适应技术的性能。
2023-07-03 cs.CV
Skin cancer diagnosis using NIR spectroscopy data of skin lesions in vivo using machine learning algorithms
Federal University of Espírito Santo (UFES)（圣埃斯皮里图联邦大学）；Secretary of Health of the Espírito Santo State（圣埃斯皮里图州卫生部）；University Hospital Cassiano Antônio Moraes (HUCAM)（卡西亚诺·安东尼奥·莫赖斯大学医院）
针对缺乏公开近红外光谱数据集的问题，研究构建了NIR-SC-UFES数据集，并利用XGBoost、LightGBM及1D-CNN等机器学习算法对体内皮肤病变进行良恶性分类，发现结合SNV预处理的LightGBM表现最佳。
2024-01-02 cs.AI 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
The Fast and Accurate Approach to Detection and Segmentation of Melanoma Skin Cancer using Fine-tuned Yolov3 and SegNet Based on Deep Transfer Learning
黑色素瘤是最严重的皮肤癌之一，可以发生在人类皮肤的任何部分。黑色素瘤病变的早期诊断将大大增加其治愈的机会。改善黑色素瘤分割将有助于医生或手术机器人更准确地从身体部位切除病变。近年来，基于学习的图像分割方法在图像分割中取得了较好的效果。这项研究提出了一种新的方法，通过定义一个基于深度学习模型的两步管道来改善黑色素瘤皮肤病变的检测和分割。我们的方法在ISIC 2018（皮肤病变分析对黑色素瘤检测挑战数据集）众所周知的数据集上进行了评估。所提出的方法包括两个主要部分的实时检测病变的位置和分割。在检测部分，皮肤病变的位置由微调的You Only Look Once第3版（F-YOLOv 3）精确检测，然后输入微调的分割网络（F-SegNet）。皮肤病变定位有助于减少用于分割的整个图像的不必要的计算。结果表明，我们提出的F-YOLOv 3在平均精度（mAP）方面表现更好，达到96%。与最先进的分割方法相比，我们的F-SegNet实现了更高的性能，准确率为95.16%。
2023-01-11 cs.CV eess.IV
Skin Cancer Recognition using Deep Residual Network
Vellore Institute of Technology（韦洛尔理工学院）
本文提出一种基于深度残差网络（ResNet）的皮肤癌识别原型，通过云端服务器端处理手机或相机图像，在 ISIC-2017 挑战赛上达到 77% 准确率，旨在弥合偏远地区患者与专科医生之间的医疗资源差距。
2019-05-14 cs.CV eess.IV
Saliency-guided and Patch-based Mixup for Long-tailed Skin Cancer Image Classification
Southern University of Science and Technology（南方科技大学）；University of British Columbia（不列颠哥伦比亚大学）；The University of Hong Kong（香港大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）
针对皮肤癌图像长尾分布导致尾部类别识别差的问题，提出 SPMix，在显著性映射引导下混合头尾类别图像以增强尾部判别特征，并在 ISIC2018 上优于现有方法。
2024-06-16 cs.CV
Skin Lesion Synthesis with Generative Adversarial Networks
University of Campinas (Unicamp)（坎皮纳斯大学）
皮肤癌是迄今为止最常见的癌症类型。早期发现是显著增加成功治疗机会的关键。目前，深度神经网络是自动皮肤癌分类的最新成果。为了进一步推动结果，我们需要解决缺乏注释数据的问题，这是昂贵的，需要专家的大量努力。为了绕过这个问题，我们建议使用生成对抗网络来生成逼真的合成皮肤病变图像。据我们所知，我们的结果是第一个显示视觉上吸引人的合成图像，包括临床意义的信息。
2019-02-08 cs.CV cs.LG
Deep Learning Based Decision Support for Medicine -- A Case Study on Skin Cancer Diagnosis
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)（德国人工智能研究中心）；TU Kaiserslautern（凯泽斯劳滕工业大学）
早期发现黑色素瘤等皮肤癌对于确保患者的高生存机会至关重要。基于深度学习（DL）的决策支持系统（DSS）在皮肤癌筛查中的临床应用有可能提高患者护理质量。医疗AI社区的大部分工作都集中在主要与自主操作相关的诊断设置上。然而，实际的决策支持应该超越简单的诊断，并提供解释。本文提供了一个概述的工作对解释，DL为基础的决策支持在医疗应用中的皮肤癌诊断的例子，从临床，皮肤镜和组织病理学图像。分析表明，很少有人注意到组织病理学皮肤图像的解释，目前的工作主要是视觉相关图以及皮肤镜特征识别。我们的结论是，未来的工作应侧重于满足利益相关者的认知概念，提供详尽的解释，结合全球和地方的方法，并利用不同的模式。此外，在行为不端的情况下干预和指导模型的可能性被认为是成功部署人工智能作为基于DL的DSS及其他的重要一步。
2021-03-02 cs.AI cs.CV cs.LG
Recent advances in deep learning applied to skin cancer detection
Federal University of Espírito Santo, UFES（圣埃斯皮里图联邦大学（UFES））
皮肤癌是世界范围内的一个主要公共卫生问题。早期发现对提高患者的生存率具有重要意义。然而，缺乏合格的专业人员和医疗器械是这一领域的重大问题。在这种背景下，过去几年，深度学习模型应用于皮肤癌自动检测已经成为一种趋势。在本文中，我们提出了一个概述，在这一领域的最新进展报告，以及讨论的挑战和机遇，以改善目前的模型。此外，我们还介绍了在智能手机中使用这些模型的一些重要方面，并指出了我们认为该领域未来的发展方向。
2019-12-06 cs.CV cs.LG eess.IV
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
Skin Cancer Classification using Inception Network and Transfer Learning
University of Perugia（佩鲁贾大学）；University of Florence（佛罗伦萨大学）
由于类别之间的不平衡，医疗数据分类通常是一项具有挑战性的任务。在本文中，我们提出了一种方法来分类皮肤镜图像HAM10000（人对机器与10000训练图像）数据集，由七个不平衡类型的皮肤病变，具有良好的精度和低资源需求。分类是通过使用预先训练的卷积神经网络来完成的。我们评估的准确性和性能的建议，并说明可能的扩展。
2021-11-03 cs.CV cs.LG eess.IV
A CNN toolbox for skin cancer classification
Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)（德国人工智能研究中心）
我们描述了一个软件工具箱，用于在皮肤癌分类领域配置深度神经网络。实现的软件架构允许开发人员快速设置新的卷积神经网络（CNN）架构和超参数配置。同时，用户界面，作为一个简单的电子表格管理，允许非技术用户探索不同的配置设置，需要探索时切换到不同的数据集。在未来的版本中，可以添加Meta学习框架，或者随着时间的推移不断改进的AutoML系统。在皮肤镜图像上黑色素瘤检测的背景下使用两个CNN进行的初步结果量化了图像增强、图像分辨率和重新缩放滤波器对整体检测性能和训练时间的影响。
2019-08-21 cs.CV cs.LG eess.IV
SkiNet: A Deep Learning Solution for Skin Lesion Diagnosis with Uncertainty Estimation and Explainability
Shiv Nadar University（希夫·纳达尔大学）
皮肤癌被认为是人类最常见的恶性肿瘤。在美国，每年约有500万新的皮肤癌病例。皮肤病变的早期识别和评估具有重要的临床意义，但在大多数发展中国家，不成比例的皮肤科医生-患者比例构成了重大问题。因此，提出了一种基于深度学习的架构，称为SkiNet，其目标是在临床诊断过程中为新培训的医生提供更快的筛选解决方案和帮助。Skinet的设计和开发背后的主要动机是提供一个白盒解决方案，解决信任和可解释性的关键问题，这对于医疗从业者更广泛地采用计算机辅助诊断系统至关重要。SkiNet是一个两阶段流水线，其中病变分割之后是病变分类。在我们的SkiNet方法中，蒙特卡洛丢弃和测试时间增强技术被用来估计认知和任意不确定性，而基于显着性的方法被用来提供深度学习模型的事后解释。公开可用的数据集ISIC-2018用于执行实验和消融研究。结果建立了传统的基准模型的鲁棒性，同时解决了这种模型的黑盒子性质，以减轻医疗从业者的怀疑，将透明度和信心的模型的预测。
2020-12-30 cs.CV
Deep Skin Lesion Segmentation with Transformer-CNN Fusion: Toward Intelligent Skin Cancer Analysis
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
针对皮肤病变图像的复杂结构、模糊边界等问题，提出改进TransUNet架构融合Transformer与CNN，结合边界引导注意力机制和多尺度上采样路径，实验表明其在mIoU等指标优于现有方法，提升分割精度与鲁棒性。
2025-08-20 cs.CV eess.IV
