Data Augmentation for Skin Lesion using Self-Attention based Progressive Generative Adversarial Network
Assiut University(艾斯尤特大学)
深度神经网络(DNN)对医学成像产生了重大影响。采用DNN进行皮肤癌分类的一个重要问题是现有数据集中的类别频率不平衡。这个问题阻碍了训练健壮和泛化能力强的模型。数据增强通过更有效地使用现有数据来解决这个问题。然而,标准的数据增强实现是手动设计的,并且仅产生有限的合理替代数据。相反,生成对抗网络(GANs)被用来生成更广泛的增强集。提出了一种基于自注意机制的渐进式生成对抗网络(PGAN)增强算法。自注意机制被用来直接建模的特征映射的长期依赖关系。因此,自我注意补充PGAN以生成包括临床有意义的信息的细粒度样本。此外,稳定化技术被应用到增强的产生式模型。为了训练生成模型,使用ISIC 2018皮肤病变挑战数据集来合成高度逼真的皮肤病变样本,以进一步提高分类结果。我们实现了70.1%的准确性,比未增强的67.3%的准确性高2.8%。
2019-10-25 cs.CV eess.IV
LesionAid: Vision Transformers-based Skin Lesion Generation and Classification
International Institute of Information Technology Naya Raipur(国际信息技术学院纳亚赖普尔分校)
皮肤癌是人类癌症中最普遍的形式之一。主要通过视觉识别,从临床筛选开始,继续皮肤镜检查,组织学评估和标本收集。深度卷积神经网络(CNN)针对分类的细粒度对象执行高度隔离和潜在通用的任务。该研究提出了一种新的多类预测框架,该框架基于ViT和ViTGAN对皮肤病变进行分类。利用基于视觉Transformer的GANs(生成对抗网络)来解决类不平衡。该框架由四个主要阶段组成:ViTGAN,图像处理和可解释的AI。阶段1包括生成合成图像以平衡数据集中的所有类。阶段2包括应用不同的数据增强技术和形态学操作来增加数据的大小。阶段3和4涉及为边缘计算系统开发ViT模型,该模型可以从图像中可见的用户皮肤识别模式并对皮肤病变进行分类。在第3阶段,在使用ViT将病变分类为所需类别后,我们将使用可解释AI(XAI),从而产生更可解释的结果(使用激活图等)。同时确保高预测精度。皮肤病的实时图像可以由医生或患者使用移动应用程序的相机捕获,以进行早期检查并确定皮肤病变的原因。整个框架与现有的皮肤病变检测框架进行了比较。
2023-02-02 cs.AI cs.CV
Segmentation of skin lesions and their attributes using Generative Adversarial Networks
Universidad Nacional de Ingeniería(国立工程大学)
本文利用条件对抗网的图像-图像转换算法对皮肤病变边界及其属性进行语义分割。黑色素瘤是一种皮肤癌,如果及时发现是可以治愈的。皮肤镜图像分割是计算机辅助诊断的一个重要步骤,因为皮肤镜图像存在典型的伪影。为了减轻图像注释过程,我们建议使用修改后的Pix 2 Pix网络。该神经网络从作为输入的真皮图像和作为输出的六个通道的掩模图像学习映射。同样,称为PatchGAN的判别网络输出对于一个通道和六个输出通道是不同的。使用的照片来自2018年ISIC挑战赛,其中500张照片与各自的语义地图一起使用,分为75%用于训练,35%用于测试。获得100个训练时期的高Jaccard指数的分割图的所有属性。
2021-01-30 cs.CV cs.LG eess.IV
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
Controllable Skin Synthesis via Lesion-Focused Vector Autoregression Model
School of Translational Medicine, Faculty of Medicine, Nursing and Health Sciences, Monash University(转化医学学院,医学、护理与健康科学学院,墨尔本大学);Melbourne Sexual Health Centre, Alfred Health(墨尔本性健康中心,阿尔弗雷德健康中心);AIM for Health Lab, Monash University(健康促进实验室,墨尔本大学);Faculty of IT, Monash University(信息技术学院,墨尔本大学);Faculty of Engineering, Monash University(工程学院,墨尔本大学);Faculty of Infectious and Tropical Diseases, London School of Hygiene and Tropical Medicine(传染病与热带医学学院,伦敦热带医学学院)
本文提出 LF-VAR 模型,通过病灶测量评分与类型标签引导,结合多尺度 VQVAE 和 VAR Transformer,实现基于语言提示的可控高保真皮肤图像合成,FID 平均达 0.74,较 SOTA 提升 6.3%。
2025-08-27 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
MelanoGANs: High Resolution Skin Lesion Synthesis with GANs
TU Munich(慕尼黑工业大学);Johns Hopkins University(约翰斯·霍普金斯大学)
生成对抗网络(GANs)已成功用于合成逼真的人脸、风景甚至医学图像。不幸的是,它们通常需要大量的训练数据集,而这在医学领域通常是稀缺的,并且据我们所知,GANs只应用于相当低分辨率的医学图像合成。然而,许多最先进的机器学习模型对高分辨率数据进行操作,因为这些数据携带不可或缺的有价值的信息。在这项工作中,我们尝试使用GANs生成逼真的高分辨率皮肤病变图像,仅使用2000个样本的小训练数据集。数据的性质允许我们在生成样本的图像统计数据和真实数据集之间进行直接比较。我们定量和定性地比较了最先进的GAN架构,如DCGAN和LAPGAN对后者的修改,以256x256px的分辨率生成图像的任务。我们的调查表明,我们可以用所有的模型来近似真实的数据分布,但是我们注意到在视觉上对样本的真实性、多样性和伪影进行评级时存在重大差异。在一组皮肤病变分类的用例实验中,我们进一步表明,我们可以在合成的高分辨率黑色素瘤样本的帮助下成功解决重类不平衡的问题。
2018-04-12 cs.CV
DermaFlux: Synthetic Skin Lesion Generation with Rectified Flows for Enhanced Image Classification
Imperial College London, UK(伦敦帝国理工学院);Northeastern University London, UK(伦敦东北大学)
DermaFlux通过生成临床相关的皮肤病变图像,提升二分类性能,实验表明其在小数据集上提升6%,在合成数据上提升9%。
2026-03-17 cs.CV
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
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
Deep Learning based Novel Cascaded Approach for Skin Lesion Analysis
Shri Guru Gobind Singhji Institute of Engineering and Technology(什里·古鲁·戈宾德·辛格吉工程技术学院)
自动病变分析在皮肤癌诊断中至关重要,并确保有效治疗。皮肤镜图像中的此类皮肤癌的计算机辅助诊断可以显著减少临床医生的工作量并有助于提高诊断准确性。虽然研究人员正在广泛地致力于解决这个问题,但皮肤病变的早期检测和准确识别仍然具有挑战性。这项研究的重点是两个步骤的框架,皮肤病变分割,其次是分类病变分析。我们通过设计用于皮肤病变分割的编码器-解码器架构和基于CNN的分类网络来探索基于深度卷积神经网络的架构的有效性。本文从准确度、平均交并比和骰子相似系数三个方面对所提出的方法进行了定量评价。我们基于级联端到端深度学习的方法是同类方法中的第一种,由于预先分割,病变的分类准确性得到了显着提高。
2023-01-16 cs.CV eess.IV
Automated skin lesion segmentation using multi-scale feature extraction scheme and dual-attention mechanism
Vellore Institute of Technology(韦洛尔理工学院);V R Siddhartha Engineering College(V R悉达多工程学院)
从皮肤镜图像中分割皮肤病变对于诊断皮肤癌是必不可少的。但由于背景与病灶对比度差、图像伪影多、病灶边界不清晰等原因,使得自动分割较为复杂。在这项工作中,我们提出了一个深度学习模型,用于从皮肤镜图像中分割皮肤病变。为了解决皮肤病变特征提取的难题,我们设计了一个多尺度特征提取模块,用于提取具有鉴别力的特征。进一步在这项工作中,开发了两种注意力机制来细化后上采样特征和编码器提取的特征。该模型使用ISIC 2018和ISBI 2017数据集进行评估。该模型的性能优于所有现有的作品和排名靠前的模型在两个比赛。
2022-06-07 cs.CV eess.IV
A Region of Interest Focused Triple UNet Architecture for Skin Lesion Segmentation
Inner Mongolia University(内蒙古大学)
针对皮肤病变边界不规则且模糊的挑战,提出结合三个 UNet 架构的 Triple-UNet,通过设计的感兴趣区域增强模块(ROIE)和级联微调机制,在公开数据集上实现了优于现有最先进方法的分割性能。
2023-11-21 cs.CV eess.IV
DERM12345: A Large, Multisource Dermatoscopic Skin Lesion Dataset with 38 Subclasses
Imperial College London(帝国理工学院);The University of Health Sciences(健康科学大学);Haydarpasa Numune Research and Training Hospital(海达尔帕夏努穆内研究与培训医院);Istinye University(伊斯坦布尔伊斯坦尼耶大学);Liv Hospital Vadistanbul(瓦迪斯坦布尔丽芙医院)
本文发布DERM12345多来源皮肤镜数据集,以12,345张高分辨率图像和5个超类、15个主类、38个子类及专家标注,弥补现有数据集子类覆盖不足。
2024-06-11 cs.CV eess.IV
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
SkinMamba: A Precision Skin Lesion Segmentation Architecture with Cross-Scale Global State Modeling and Frequency Boundary Guidance
College of Artificial Intelligence, Nanjing Agricultural University(南京农业大学人工智能学院);State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室)
针对Transformer二次复杂度限制及皮肤病变分割的尺寸、边界难题,提出结合Mamba与CNN的SkinMamba架构,通过SRSSB和FBGM模块实现精准分割,在两个公开数据集上表现出强竞争力。
2024-09-17 cs.CV eess.IV
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
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
Frequency and Spatial domain based Saliency for Pigmented Skin Lesion Segmentation
Department of CS & IT, SUIT Peshawar(白沙瓦SUIT计算机科学与信息技术系)
由于皮肤镜图像中存在伪影、病灶与边界对比度低、颜色杂色、病灶边界模糊以及背景不均匀等问题,皮肤病灶分割是一项具有挑战性的任务。在本文中,我们提出了一个简单而有效的基于显着性的方法,在频率和空间域派生的色素性皮肤病变检测。两个颜色模型用于这些地图的建设。我们建议一个不同的度量为每个颜色模型设计地图在空间域中通过颜色特征。频域中的映射是从聚合图像生成的。我们采用一个单独的融合方案,结合各自领域的显着特征。最后,两阶段的显着性集成计划的设计,结合这些地图使用像素乘法。在PH2和ISIC 2016数据集上评估了所提出方法的性能。实验结果表明,该方案产生更好的分割结果相比,国家的最先进的方法。
2020-10-08 cs.CV eess.IV
Skin Lesion Segmentation and Classification for ISIC 2018 Using Traditional Classifiers with Hand-Crafted Features
University of Dayton(代顿大学)
本文提供了用于获得ISIC 2018任务1和任务3提交结果的方法的必要描述:皮肤病变分析对黑色素瘤检测。这一结果是由代顿大学信号和图像处理实验室的一组研究人员得出的。在本次提交中,具有手工制作功能的传统分类器用于任务1和任务3。我们的团队正在使用深度学习方法提供额外的单独提交以进行比较。
2018-07-18 cs.CV eess.IV
DONet: Dual Objective Networks for Skin Lesion Segmentation
University of Technology Sydney(悉尼科技大学);Zhibian Technology Co. Ltd.(智变科技有限公司)
皮肤病变分割是皮肤镜图像计算机辅助诊断的关键步骤。在过去的几年中,基于深度学习的语义分割方法显著提高了皮肤病变分割结果。然而,目前的性能仍然是不令人满意的,由于一些具有挑战性的因素,如各种各样的病变规模和模糊的差异之间的病变区域和背景。在本文中,我们提出了一个简单而有效的框架,命名为双目标网络(DONet),以改善皮肤病变分割。我们的DONet采用两个对称的解码器,以产生不同的预测接近不同的目标。具体地说,这两个目标实际上是由不同的损失函数定义的。以这种方式,鼓励两个解码器产生差异化的概率图以匹配不同的优化目标,从而相应地产生互补的预测。这两个目标学习到的互补信息进一步聚合在一起,以做出最终的预测,通过该预测,可以显着减轻分割图中存在的不确定性。此外,为了解决皮肤镜图像中各种各样的病变尺度和形状的挑战,我们还提出了一个循环上下文编码模块(RCEM)来模拟皮肤病变之间的复杂相关性,其中具有不同尺度上下文的特征被有效地整合,以形成更鲁棒的表示。在两个流行的基准测试上进行的大量实验很好地证明了所提出的DONet的有效性。特别是,我们的DONet在ISIC 2018和$\text{PH}^2$上分别获得了0.881和0.931分。代码将公开提供。
2020-08-19 cs.CV eess.IV
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
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
SkinFormer: Learning Statistical Texture Representation with Transformer for Skin Lesion Segmentation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Shandong Computer Science Center(山东省计算中心);Qilu University of Technology(齐鲁工业大学);Shandong Fundamental Research Center for Computer Science(山东计算机科学基础研究中心);Beijing University of Posts and Telecommunications(北京邮电大学)
针对皮肤病变分割中纹理表示利用不足的问题,提出基于Transformer的SkinFormer网络,通过峰度引导算子与两类Transformer模块提取融合统计纹理,在ISIC 2018等数据集上取得优于SOTA的性能。
2024-09-13 cs.CV eess.IV
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
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
Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units
Couger Inc.(库格公司)
皮肤病灶分割是皮肤黑色素瘤自动诊断过程中的重要环节。然而,由于用于训练的数据较少,形状不规则,边界不清晰以及不同的肤色,因此分割黑色素瘤皮肤病变的准确性是相当具有挑战性的任务。我们提出的方法有助于提高皮肤病变分割的准确性。首先,我们在将输入图像传递到编码器之前引入了坐标卷积层。这一层帮助网络决定与平移不变性相关的特征,从而进一步提高模型的泛化能力。其次,我们利用了深度残差单元和卷积层的特性。最后,我们结合了两个损失函数来优化训练指标,而不是只使用交叉熵或Dice-loss,这有助于更快更平滑地收敛损失。在ISIC 2018(60%作为训练集+20%作为验证集)上训练和验证了所提出的模型后,我们在其他各种数据集上测试了我们训练的模型的鲁棒性,如ISIC 2018(20%作为测试集)ISIC 2017,2016和PH 2数据集。实验结果表明,该模型的分割效果优于或等同于现有的皮肤病变分割方法。
2020-12-28 cs.CV cs.LG eess.IV
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
Channel Attention Separable Convolution Network for Skin Lesion Segmentation
Budapest University of Technology and Economics(布达佩斯技术与经济大学);Weifang University(潍坊学院);Jiangxi Normal University(江西师范大学)
针对皮肤病变分割的准确性和自动化需求,提出通道注意力可分离卷积网络(CASCN),在PH2数据集上以0.9461的Dice系数和0.9645的准确率实现最先进性能。
2023-09-03 cs.CV eess.IV
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
TopoResNet: A hybrid deep learning architecture and its application to skin lesion classification
University of North Carolina at Greensboro(北卡罗来纳大学格林斯伯勒分校);National Taiwan Normal University(台湾师范大学)
皮肤癌是美国最常见的癌症之一。随着技术的进步,皮肤病变的算法诊断变得越来越重要。在本文中,我们开发的算法分割皮肤病变的实际患病区域在一个给定的图像,并在一个给定的图像中描绘的不同类型的皮肤病变进行分类。所用算法的核心是基于持久同源性,这是一种代数拓扑技术,是拓扑数据分析(TDA)新兴领域的一部分。分割算法利用与持续同源性类似的概念,其捕获分割区域的鲁棒性。对于分类,我们设计了两个家庭的拓扑特征持久性图-我们称为{ \em持久性统计}(PS)和{ \em持久性曲线}(PC),并使用线性支持向量机作为分类器。我们还将这些拓扑特征PS和PC结合到ResNet-101模型中,我们称之为{ \em TopoResNet-101},结果表明PS和PC在提高分类性能和稳定训练过程两方面都是有效的。虽然卷积特征是CNN模型中最重要的学习目标,但在训练过程中可能会丢失图像的全局信息。由于拓扑特征是全局提取的,我们的研究结果表明,拓扑特征的全局性质提供了额外的信息,机器学习模型。
2019-05-13 cs.CV eess.IV
Skin Lesion Classification Using Deep Multi-scale Convolutional Neural Networks
University Of Guelph(圭尔夫大学)
我们使用多尺度卷积神经网络为ISIC 2017皮肤病变分类挑战提出了一种深度学习方法。我们的方法利用了在ImageNet数据集上预先训练的Inception-v3网络,该网络使用两种不同尺度的输入图像进行皮肤病变分类。
2017-03-04 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
Comparison of Deep Learning and Machine Learning Models and Frameworks for Skin Lesion Classification
皮肤癌的发病率在世界各地一直在稳步上升,导致它成为一个严重的问题。早期诊断有可能大大减少疾病造成的伤害,然而,传统的活检是一种劳动密集型和侵入性的程序。此外,许多农村社区不容易去医院,也不愿意因为他们认为可能是小问题而去医院。使用机器学习和深度学习进行皮肤癌分类可以增加可访问性,并减少传统病变检测过程中涉及的令人不安的程序。这些模型可以包装在Web或移动应用程序中,并为更多的人群提供服务。在本文中,两个这样的模型进行了测试的基准HAM10000数据集的常见皮肤病变。它们是具有分层K重验证的随机森林和MobileNetV2(在本文的其余部分称为MobileNet)。MobileNet模型分别使用TensorFlow和PyTorch框架进行训练。以前还没有进行过深度学习和机器学习模型的并排比较,以及在资源受限的移动环境中皮肤病变诊断的不同框架上的相同深度学习模型的比较。结果表明,这些模型在不同的分类任务中表现更好。为了获得更高的整体召回率、准确性和恶性黑色素瘤检测,TensorFlow MobileNet是更好的选择。然而,对于检测非癌性皮肤病变,PyTorch MobileNet被证明是更好的。随机森林是更好的算法,因为它具有较低的计算成本和中等的正确性。
2022-07-26 cs.CV eess.IV
Automatic Lesion Boundary Segmentation in Dermoscopic Images with Ensemble Deep Learning Methods
Manchester Metropolitan University(曼彻斯特城市大学);University of Auckland(奥克兰大学)
早期发现皮肤癌,特别是黑色素瘤,对于实现先进的治疗至关重要。由于皮肤癌数量的快速增长,对皮肤病变的计算机化分析的需求日益增长。用于皮肤病变的最先进的公共可用数据集通常伴随有非常有限的分割基础事实标记,因为它是费力且昂贵的。在皮肤镜图像中,病灶边界的分割对于病灶的准确定位和不同类型皮肤病灶的诊断至关重要。在这项工作中,我们提出使用全自动深度学习集成方法来精确分割皮肤镜图像中的病变边界。我们在ISIC-2017分割训练集上训练了Mask-RCNN和DeepLabv 3+方法,并在ISIC-2017测试集上评估了集成网络的性能。我们的研究结果表明,最好的集成方法分割皮肤病变的Jaccard指数为79.58%的ISIC-2017测试集。该集成方法在Jaccard指数上分别优于FrCN、FCN、U-Net和SegNet 2.48%、7.42%、17.95%和9.96%。此外,在ISIC-2017测试集上,所提出的集成方法对一些具有代表性的临床良性病例的准确率为95.6%,对黑色素瘤病例的准确率为90.78%,对脂溢性角化病病例的准确率为91.29%,表现出比FrCN,FCN,U-Net和SegNet更好的性能。
2019-07-29 cs.CV eess.IV
A New Approach for Automatic Segmentation and Evaluation of Pigmentation Lesion by using Active Contour Model and Speeded Up Robust Features
Shiraz University of Medical Sciences(设拉子医科大学);Shiraz University(设拉子大学)
数字图像处理技术在包括医学在内的各个科学领域有着广泛的应用。通过使用图像处理算法,医生在不同疾病的诊断中已经更加成功,并且已经实现了更好的治疗结果。在本文中,我们提出了一种自动分割皮肤病变和提取特征,与他们相关联的方法。在这个目标,加速鲁棒特征(SURF)和主动轮廓模型(ACM)的组合,使用。该方法首先从整幅皮肤图像中分割出皮肤病变区域,然后从分割出的区域中提取均值、方差、RGB和HSV参数等特征。比较分割结果,通过使用大津阈值,我们提出的方法,表明我们的程序的优越性大津阈值方法。皮肤病变的分割所提出的方法和大津阈值比较结果与医生的手动方法。提出的皮肤病变分割方法,这是一个组合的SURF和ACM,给出了最好的结果。对于我们的方法的实证评估,我们已经将其应用于20个不同的皮肤病变图像。所获得的结果证实了我们的方法的高性能,速度和准确性。
2021-01-18 cs.CV eess.IV
Skin Lesion Analysis Towards Melanoma Detection via End-to-end Deep Learning of Convolutional Neural Networks
本文介绍了我们提交给2018年ISIC挑战赛的解决方案的设计,实验和结果:皮肤病变分析对黑色素瘤检测。我们使用最先进的卷积神经网络(CNN)模型设计了一个管道,用于病变边界分割任务和病变诊断任务。
2018-07-22 cs.CV
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
Dense Pooling layers in Fully Convolutional Network for Skin Lesion Segmentation
Isfahan University of Technology(伊斯法罕理工大学);University of British Columbia(不列颠哥伦比亚大学);University of Michigan(密歇根大学);McMaster University(麦克马斯特大学)
医学图像分析的一个基本任务是图像的分割和准确的边界检测。皮肤图像中的病变分割是计算机检测皮肤癌的重要步骤。然而,许多国家的最先进的分割方法在其边界检测阶段的不足之处。本文提出了一种新的全卷积网络,具有新的密集池层,用于皮肤图像中病变区域的分割。该网络导致皮肤病变数据集上的病变的高度准确的分割,其在皮肤病变分割中优于最先进的算法。
2019-08-31 cs.CV
Improving Lesion Detection by exploring bias on Skin Lesion dataset
Microsoft(微软);Cupertino High School(库比蒂诺高中);Inglemoor High School(英格尔穆尔高中)
所有数据集都包含一些偏差,通常是无意的,这是由于它们是如何获得和注释的。这些偏见扭曲了机器学习模型的性能,产生了虚假的相关性,模型可以不公平地利用,或者相反地破坏了模型可以学习的明确相关性。随着深度学习模型的普及,自动皮肤病变分析开始在黑色素瘤的早期检测中发挥重要作用。ISIC Archive是最常用的皮肤病变来源之一,用于对基于深度学习的工具进行基准测试。Bissoto等人使用不同的基于边界框的掩模进行了实验,结果表明,深度学习模型可以对输入数据中没有临床意义信息的皮肤病变图像进行分类。他们的发现似乎令人困惑,因为消融区域(随机矩形框)并不显著。病变的形状是皮肤病变临床表征的关键因素。在这种情况下,我们进行了一组实验,生成形状保持掩模,而不是基于矩形边界框的掩模。在这些保持形状的掩码图像上训练的深度学习模型并不比在没有临床意义信息的图像上训练的模型更好。这强烈暗示了指导模型的虚假相关性。我们建议使用一般对抗网络(GAN)来减轻潜在的偏见。
2020-10-04 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
A Deep Multi-task Learning Approach to Skin Lesion Classification
University of Rochester(罗切斯特大学)
皮肤病损识别是皮肤病诊断的关键步骤。当描述皮肤病变时,注意其身体部位分布是非常重要的,因为许多皮肤病通常影响身体的特定部位。为了利用皮肤病变和他们的身体部位分布之间的相关性,在这项研究中,我们调查的可能性,提高皮肤病变分类使用身体位置提供的额外的上下文信息。具体来说,我们构建了一个深度多任务学习(MTL)框架,以联合优化皮肤病变分类和身体位置分类(后者用作归纳偏差)。我们的MTL框架使用最先进的ImageNet预训练模型,为两个相关任务提供专门的损失函数。我们的实验表明,建议MTL为基础的方法比其独立(单任务)的同行执行更强大。
2022-03-23 cs.CV
ScaleFusionNet: Transformer-Guided Multi-Scale Feature Fusion for Skin Lesion Segmentation
BGI Research(BGI研究院)
本文提出ScaleFusionNet,通过交叉注意力Transformer模块和自适应融合块融合多尺度特征,在ISIC-2016和ISIC-2018数据集上分别取得92.94%和91.80%的Dice分数,显著提升皮肤病变分割精度。
2025-07-02 cs.CV eess.IV
Salient Skin Lesion Segmentation via Dilated Scale-Wise Feature Fusion Network
Shanghai Jiao Tong University(上海交通大学);École de technologie supérieure, Université du Québec(魁北克大学高等技术学院);University of Leicester(莱斯特大学)
皮肤镜图像中的皮肤病变检测是通过计算机化设备准确和早期诊断皮肤癌的关键。目前的皮肤病变分割方法在具有挑战性的情况下表现出较差的性能,例如模糊的病变边界、病变与周围区域之间的低对比度或导致皮肤病变过度/欠分割的异质背景。为了准确地从相邻区域识别病变,我们提出了一种基于卷积因子分解的扩展尺度特征融合网络。我们的网络旨在同时提取不同尺度的特征,这些特征被系统地融合以更好地检测。所提出的模型具有令人满意的精度和效率。病变分割的各种实验进行了比较与国家的最先进的模型。我们提出的模型始终展示了最先进的结果。
2022-07-25 cs.CV
Automatic Skin Lesion Segmentation Using GrabCut in HSV Colour Space
University of Burgundy(勃艮第大学);University of Cassino(卡西诺大学);University of Girona(赫罗纳大学)
皮肤病变分割是实现皮肤癌自动计算机辅助诊断的第一步。皮肤病变外观的巨大变化使得这项任务非常具有挑战性。本文的贡献是应用一种称为GrabCut的功率前景提取技术,在HSV颜色空间中以最少的人为交互进行自动皮肤病变分割。执行预处理以移除外部黑色边界。测量Jaccard指数以评估分割方法的性能。平均而言,在ISIC挑战2017训练数据集的1000张图像上实现了0.71 Jaccard指数。
2018-09-30 cs.CV
TESL-Net: A Transformer-Enhanced CNN for Accurate Skin Lesion Segmentation
Abasyn University Islamabad Campus(阿巴辛大学伊斯兰堡校区);Queen’s University Belfast(贝尔法斯特女王大学);UNSW(新南威尔士大学)
针对皮肤病变分割中现有深度模型易出现梯度消失、Jaccard指数低的问题,提出融合CNN、Bi-ConvLSTM与Swin transformer的TESL-Net,在三个ISIC数据集上实现了最优分割性能。
2024-08-19 cs.CV eess.IV
Matthews Correlation Coefficient Loss for Deep Convolutional Networks: Application to Skin Lesion Segmentation
Simon Fraser University(西蒙弗雷泽大学)
皮肤病变的分割是计算机辅助诊断皮肤病变的临床决策支持系统中的一项重要任务。尽管基于深度学习的方法提高了分割性能,但这些模型通常容易受到数据中类别不平衡的影响,特别是背景健康皮肤所占的图像部分。尽管流行的骰子损失函数的变化被提出来解决类不平衡问题,骰子损失公式不惩罚背景像素的错误分类。我们提出了一个新的基于度量的损失函数,使用马修斯相关系数,一个度量,已被证明是有效的情况下,倾斜的类分布,并使用它来优化深度分割模型。对三个皮肤病变图像数据集的评估:ISBI ISIC 2017皮肤病变分割挑战数据集,DermoFit图像库和PH2数据集,显示使用所提出的损失函数训练的模型在平均Jaccard指数方面分别优于使用Dice损失训练的模型11.25%,4.87%和0.76%。该代码可在https://github.com/kakumarabhishek/MCC-Loss上获得。
2021-02-21 cs.CV cs.LG eess.IV
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
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
SkinNet: A Deep Learning Framework for Skin Lesion Segmentation
Friedrich-Alexander-University Erlangen-Nuremberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
在世界范围内,皮肤癌的发病率稳步上升,死亡率很高。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,由于病变的低对比度及其在外观方面与健康组织的高度相似性,皮肤病变分割是一项具有挑战性的任务。这强调了需要一个准确的和自动的皮肤病变分割的方法。为了解决这个问题,我们提出了一种称为SkinNet的卷积神经网络(CNN)。拟议的CNN是U-Net的修改版本。我们使用ISBI 2017挑战数据集将我们的方法的性能与其他最先进的技术进行了比较。我们的方法优于其他方面的骰子系数,Jaccard指数和灵敏度,保持了挑战测试数据集上评估,在5倍交叉验证实验。SkinNet对DC、JI和SE的平均值分别为85.10%、76.67%和93.0%。
2018-06-25 cs.CV
Handling Inter-Annotator Agreement for Automated Skin Lesion Segmentation
University of Campinas(坎皮纳斯大学)
在这项工作中,我们探讨了问题的注释者之间的协议,训练和评估皮肤病变的自动分割。我们探讨不同程度的一致性代表什么,以及它们如何影响不同的细分用例。我们还评估了如何使用不同的(但非常简单的)算法来调节基础事实可能有助于提高一致性,并且可能适用于某些用例。皮肤病变的分割是自动皮肤病变分析的基础任务,既可用作定位/检测病变的最终结果,也可用作病变分类的辅助任务。然而,病变分割是一项非常具有挑战性的任务,这不仅是因为图像分割本身的挑战,而且还因为难以获得正确注释的数据。准确地检测病变的边界是具有挑战性的,即使是受过训练的人,因为,对于许多病变,这些边界是模糊的和不明确的。使用病变和注释的ISIC档案,我们估计注释者之间的协议皮肤病变分割,并提出了几个简单的程序,可能有助于提高注释者之间的协议,如果用于条件的地面真理。
2019-06-06 cs.CV
Automated Disentangling Analysis of Skin Colour for Lesion Images
University of Waterloo(滑铁卢大学)
本文提出了一种皮肤颜色解构框架,通过学习结构化潜在空间,解决皮肤颜色差异导致的模型性能下降问题,并实现皮肤状况的反事实编辑和颜色转换。
2026-02-25 cs.CV eess.IV
ISIC 2017 Skin Lesion Segmentation Using Deep Encoder-Decoder Network
Gachon University(嘉泉大学)
本文总结了我们的方法和ISBI挑战2018第1部分的验证结果。我们的算法利用深度编码器-解码器网络和新颖的皮肤病变数据增强来分割挑战目标。此外,我们还提出了一种有效的测试策略,通过应用多模型比较。
2018-07-24 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