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
Decision Support System for Detection and Classification of Skin Cancer using CNN
National Institute of Technology, Raipur（印度国家理工学院赖布尔分校）；Indian Institute of Information Technology, Pune（印度信息技术学院浦那分校）
皮肤癌是所有癌症中最致命的一种。它必然会扩散到身体的不同部位，因为它在开始时没有得到分析和治疗。它大多是因为皮肤细胞的异常生长，往往在身体暴露在阳光下时发展。此外，在开始时表征皮肤恶性生长是一个昂贵且具有挑战性的过程。它是分类的，它的发展和它的细胞类型。病变的分类要求有较高的准确率和召回率。本文旨在使用包含皮肤镜图像的MNIST HAM-10000数据集。我们的目标是提出一个系统，检测皮肤癌，并通过使用卷积神经网络在不同的类将其分类。诊断方法使用图像处理和深度学习模型。皮肤癌的皮肤镜图像拍摄，经历了各种技术，以消除噪声和图像分辨率。图像计数也通过使用各种图像增强技术来增加。最后，采用迁移学习方法进一步提高了图像的分类精度。我们的CNN模型的加权平均精度为0.88，加权召回平均值为0.74，加权f1分数为0.77。使用ResNet模型的迁移学习方法获得了90.51%的准确率
2019-12-09 cs.LG stat.ML
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
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
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
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
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
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
An Integrated Deep Learning Model for Skin Cancer Detection Using Hybrid Feature Fusion Technique
Jagannath University（贾格纳特大学）；Green University of Bangladesh（孟加拉国绿色大学）；International University of Business Agriculture and Technology（国际商业农业与技术大学）
本研究提出基于InceptionV3和DenseNet121加权融合的混合深度学习框架，用于皮肤癌良恶性分类，达到92.27%准确率，优于现有模型。
2024-10-29 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
DenseNet approach to segmentation and classification of dermatoscopic skin lesions images
Tarbiat Modares University（塔比亚特莫达雷斯大学）；Islamic Azad University Science and Research Branch（伊斯兰阿扎德大学科学与研究分校）
目前，癌症是世界上最重要的健康问题之一。由于癌症的早期发现和适当的治疗对患者的恢复和生存非常有效，因此图像处理作为一种诊断工具可以帮助医生在第一时间识别癌症进行诊断。皮肤病变诊断中最重要的步骤之一是自动检测皮肤图像的边界，因为接下来的步骤的准确性取决于它。如果这些细微之处被识别出来，它们会对疾病的诊断产生很大的影响。因此，有一个很好的机会来开发更准确的算法来分析这些图像。本文提出了一种改进的皮肤病变分割和分类方法，使用两种架构，用于图像分割的U-Net和用于图像分类的DenseNet 121，具有良好的准确性。我们在ISIC-2018数据集上测试了我们模型的分割架构，并在HAM 10000数据集上测试了分类。我们的研究结果表明，U-Net和DenseNet 121架构的组合提供了可接受的结果相比，以前的研究在皮肤镜图像分析。本研究中检查的另一种分类是癌性和非癌性样本。在该分类中，在DenseNet 121网络中检测到癌症和非癌症样本，准确率分别为79.49%和93.11%。
2021-10-09 cs.CV cs.LG eess.IV
Robustness and sex differences in skin cancer detection: logistic regression vs CNNs
IT University of Copenhagen（丹麦IT大学）；Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学研究所MEVIS）；Fontys University of Applied Science（Fontys应用科学大学）
本研究复现既往方法，使用PAD-UFES-20数据集对比基于手工特征的逻辑回归与预训练ResNet-50在皮肤癌检测中的性别鲁棒性，发现二者均对性别分布鲁棒，但CNN对男性的检测性能显著高于女性。
2025-10-01 cs.CV cs.LG
XAI for Skin Cancer Detection with Prototypes and Non-Expert Supervision
Institute for Systems and Robotics, Instituto Superior Técnico（系统与机器人研究所，里斯本高等理工学院）
本文提出一种基于可解释原型部分模型与分割掩码、用户精炼原型引导监督的黑色素瘤诊断方法，在无专家监督下性能与泛化优于不可解释模型。
2024-02-02 cs.AI cs.CV cs.LG
Deep Learning for Dermatology: An Innovative Framework for Approaching Precise Skin Cancer Detection
East West University（东西大学）
本文提出了一种创新的深度学习框架，用于精确检测皮肤癌，通过评估VGG16和DenseNet201模型的准确性与效率，以提高皮肤科诊断的早期检测和工作效率。
2026-02-19 cs.AI cs.CV cs.LG
A Comparative Analysis of Transfer Learning-based Techniques for the Classification of Melanocytic Nevi
Birla Institute of Technology Mesra（比拉理工学院梅斯拉分校）；Sikkim Manipal Institute of Technology（锡金马尼帕尔理工学院）
皮肤癌是癌症的致命表现。皮肤细胞中未修复的脱氧核糖核酸（DNA）会导致皮肤遗传缺陷并导致皮肤癌。为了应对致命的死亡率加上飞涨的医疗费用，早期诊断是强制性的。为了应对这些挑战，研究人员开发了各种皮肤癌快速检测工具。病变特异性标准用于区分良性皮肤癌和恶性黑色素瘤。在这项研究中，对五种基于迁移学习的技术进行了比较分析，这些技术有可能用于黑素细胞痣的分类。这些技术基于深度卷积神经网络（DCNN），该网络已在数千张开源图像上进行了预训练，并在许多情况下用于日常分类任务。
2022-11-20 cs.AI cs.CV cs.LG
Method to Classify Skin Lesions using Dermoscopic images
Indian Institute of Information Technology, Design and Manufacturing, Kancheepuram（印度信息技术与设计制造学院，坎奇普拉姆）
皮肤癌是目前世界上最常见的癌症，占癌症病例的三分之一。良性皮肤癌不是致命的，可以用适当的药物治愈。但它与恶性皮肤癌不同。在恶性黑色素瘤的情况下，在其高峰期，最长预期寿命小于或等于5年。但是，如果在早期发现，它可以治愈。虽然有许多临床程序，但诊断的准确率在49%至81%之间，并且非常耗时。因此，皮肤镜检查已经被纳入图片。它有助于提高诊断的准确性，但不能消除容易出错的行为。需要一种快速且不易出错的解决方案来诊断这种主要生长的皮肤癌。该项目涉及深度学习在皮肤病变分类中的使用。在该项目中，已经开发了使用皮肤镜图像的皮肤病变分类的自动模型，其中CNN（卷积神经网络）作为训练模型。已知卷积神经网络用于捕获图像的特征。因此，它们在分析医学图像以找到推动模型走向成功的特征时是首选的。诸如用于解决类别不平衡的数据增强，关注感兴趣区域的分割和使模型鲁棒的10倍交叉验证等技术已经被纳入其中。该项目还包括使用某些预处理技术，如使用分段线性变换函数使图像变亮，图像的灰度转换，调整图像大小。该项目就模型的准确性如何随着新的输入策略和预处理技术的引入而提高提出了一系列有价值的见解。该模型可以达到的最佳精度为0.886。
2022-12-20 cs.CV cs.LG eess.IV
Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer Detection in Imbalanced Data Sets
University of Helsinki（赫尔辛基大学）
已经报道了几种用于从医学图像中准确检测皮肤癌的机器学习技术。这些技术中的许多基于预先训练的卷积神经网络（CNN），其使得能够基于有限量的训练数据来训练模型。然而，这些模型的分类精度仍然受到恶性肿瘤代表性图像稀缺的严重限制。我们提出了一种新的基于集成的CNN架构，其中使用元学习器组合多个CNN模型，其中一些是预先训练的，一些只在手头的数据上训练，以及与输入图像相关联的元数据形式的辅助数据。该方法提高了模型处理有限和不平衡数据的能力。我们使用来自2056名患者的33126张皮肤镜图像的数据集证明了所提出的技术的好处。我们评估所提出的技术在F1测量，ROC曲线下面积（AUC-ROC）和PR曲线下面积（AUC-PR）方面的性能，并将其与七种不同的基准方法进行比较，包括两种最近基于CNN的技术。所提出的技术比较有利的所有评价指标。
2021-05-17 cs.CV cs.LG
Properties Of Winning Tickets On Skin Lesion Classification
皮肤癌每年都会影响大量人口-因此，自动皮肤癌检测算法可以极大地帮助临床医生。涉及深度学习模型的先前努力具有高检测精度。然而，大多数模型都有大量的参数，有些作品甚至使用模型的集合来实现良好的精度。在本文中，我们研究了最近提出的修剪技术称为彩票假说。我们发现，与未修剪的网络相比，网络的迭代修剪导致准确性提高，这意味着彩票假设可以应用于皮肤癌检测问题，并且该假设可以导致更小的网络进行推理。我们还检查了由性别和年龄组成的子组的准确性，发现一些子组的准确性比其他子组有更大的提高。
2020-08-25 cs.CV cs.LG eess.IV
Evaluating Machine Learning-based Skin Cancer Diagnosis
该研究基于 HAM10000 评估 MobileNet 模型与自定义 CNN 的皮肤癌分类性能，结合显著性图、积分梯度及均等几率分析可解释性与肤色公平性，并用校准后处理降低误诊差异。
2024-09-04 cs.CV cs.LG eess.IV
Confidence Aware Neural Networks for Skin Cancer Detection
Beheshti University（贝赫什提大学）；University of Tehran（德黑兰大学）；Isfahan University of Technology（伊斯法罕理工大学）；Deakin University（迪肯大学）
深度学习（DL）模型由于其有前途的模式识别能力而在医学成像中受到特别关注。然而，深度神经网络（DNN）需要大量的数据，由于该领域缺乏足够的数据，迁移学习可能是一个很好的解决方案。用于疾病诊断的DNN专注于提高预测的准确性，而不提供关于其预测置信度的数字。了解DNN模型在计算机辅助诊断模型中的置信度对于获得临床医生对基于DL的解决方案的信心和信任是必要的。为了解决这个问题，这项工作提出了三种不同的方法来量化皮肤癌检测图像的不确定性。它还使用新的不确定性相关指标全面评估和比较了这些DNN的性能。所得到的结果表明，预测的不确定性估计方法是能够标记风险和错误的预测与高的不确定性估计。我们还表明，合奏方法是更可靠的捕捉不确定性，通过推理。
2021-07-24 cs.CV cs.LG eess.IV
Representation Learning for Non-Melanoma Skin Cancer using a Latent Autoencoder
Australian e-Health Research Centre, CSIRO（澳大利亚联邦科学与工业研究组织电子健康研究中心）
生成学习是表征学习的一个强大工具，在生物医学成像问题上表现出了特别的希望。然而，在这种情况下，从分布中采样是次要的，以找到真实图像的表示，这往往带有标签，并明确表示目标分布的内容和质量。从生成模型忠实地重建图像仍然很困难，特别是那些像组织学图像一样复杂的模型。在这项工作中，结合了两种现有的方法（自动编码器和对抗性潜伏自动编码器），试图提高我们对非黑色素瘤皮肤癌，特别是表皮内癌（IEC）的真实图像进行编码和解码的能力。利用IEC（256 x 256）的高质量图像数据集，这项工作评估了图像重建质量和表示学习的结果。研究表明，对抗性训练可以将基线FID分数从76提高到50，并且表征学习的基准可以提高3%。平滑和现实的插值的形态结构的变化也首次提出，定位表示学习作为一个有前途的方向，在计算病理学的背景下。
2022-09-05 cs.CV cs.LG eess.IV
Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images
University of North Texas（北卡罗来纳州立大学）
本文针对ISIC 2024非皮肤镜3D-TBP图像提出一种混合集成方法，结合视觉Transformer、分割辅助分类和GBDT，并利用合成病变与工程化特征，在pAUC指标上取得最高成绩0.1755。
2025-06-03 cs.CV cs.LG eess.IV
Model Compression Engine for Wearable Devices Skin Cancer Diagnosis
Department of Computer Science and Engineering（计算机科学与工程系）；University of Puerto Rico Mayagüez（波多黎各五月谷大学）
本文提出基于MobileNetV2与TensorRT的皮肤癌诊断模型压缩方案，在NVIDIA Jetson Orin Nano上实现高精度、低延迟与低能耗的边缘部署。
2025-07-23 cs.LG
Analysis of skin lesion images with deep learning
FH Joanneum University of Applied Sciences（约阿内姆应用科学大学）
皮肤癌是世界上最常见的癌症，黑色素瘤是最致命的形式。皮肤镜检查是一种皮肤成像方式，与没有支持的视觉检查相比，它在皮肤癌的诊断方面有所改善。我们基于ISIC-2019皮肤病变分类挑战和当前文献，评估了皮肤镜图像分类的最新技术水平。在ImageNet数据集上预训练的各种深度神经网络架构适用于组合训练数据集，该数据集由使用迁移学习和模型微调的皮肤病变的公开皮肤镜和临床图像组成。这些模型的性能和适用性进行检查的8类皮肤病变的检测。实时数据增强，它使用指定范围内的随机旋转，平移，剪切和缩放，用于增加可用的训练样本的数量。模型预测乘以逆类频率并归一化以更好地近似实际概率分布。通过使用几个独立训练的模型的预测的算术平均值，进一步提高了整体预测精度。最好的单一模型已经发布为Web服务。
2021-01-11 cs.CV cs.LG eess.IV
Optimizing Deep Learning for Skin Cancer Classification: A Computationally Efficient CNN with Minimal Accuracy Trade-Off
Dhaka University of Engineering & Technology（达卡工程与技术大学）；Samsung Austin Research Center（三星奥斯汀研究中心）；Federation University Australia（联邦大学澳大利亚分校）；Woosong University（沃斯通大学）；Graduate Center, CUNY（纽约大学研究生中心）
本研究提出一种轻量级CNN模型，在保持极高分类精度的同时大幅减少参数量和计算开销，解决了传统迁移学习模型在资源受限环境中部署困难的问题，为移动和边缘端的皮肤癌诊断提供了实用方案。
2025-05-27 cs.CV cs.LG eess.IV
Self-supervised learning for skin cancer diagnosis with limited training data
School of Mathematics and Statistics, UNSW Sydney（新南威尔士大学悉尼分校数学与统计学院）
针对有限标记数据下皮肤癌诊断模型开发难题，本文研究自监督学习（SSL）预训练方案，发现ImageNet上Barlow Twins SSL预训练优于监督预训练，且在任务特定数据上进一步SSL预训练可缩小SL与SSL预训练模型差距，在医学图像分类中具广泛适用性。
2024-11-26 cs.CV cs.LG eess.IV
Enhancing Skin Cancer Diagnosis (SCD) Using Late Discrete Wavelet Transform (DWT) and New Swarm-Based Optimizers
University of Zanjan（赞詹大学）；Iran University of Science and Technology（伊朗科技大学）；Sharif University of Technology（谢里夫理工大学）；Raderon AI Lab（雷德伦人工智能实验室）
针对皮肤癌诊断模型效率和准确性仍有提升空间的问题，提出结合预训练网络、离散小波变换、自注意力模块与三种新型群体优化器的方法，在ISIC数据集上准确率较其他方法至少提高1%，有效增强诊断性能。
2024-11-30 cs.CV cs.LG cs.NE
Predictive Representativity: Uncovering Racial Bias in AI-based Skin Cancer Detection
Andrés Morales-Forero（未知）；Lili J. Rueda（未知）；Ronald Herrera（未知）；Samuel Bassetto（未知）；Eric Coatanea（未知）
本文提出预测代表性（PR）公平性审计框架，通过皮肤病学案例研究发现AI皮肤癌分类器对深肤色人群表现显著较差，并引入外部可迁移性准则以量化公平性泛化，为诊断AI系统中的结构性不平等提供可扩展工具。
2025-07-10 cs.LG stat.CO stat.ML
Detection and Localization of Melanoma Skin Cancer in Histopathological Whole Slide Images
University of Stavanger（斯塔万格大学）；Stavanger University Hospital（斯塔万格大学医院）
针对皮肤癌病例增长、病理医生不足的问题，提出基于单个CNN的深度学习方法，可在全切片图像中检测定位黑色素瘤病变并进行切片级诊断，在未知数据上F1达0.992、灵敏度达0.99。
2023-11-04 cs.CV cs.LG eess.IV
Guiding Treatment Strategies: The Role of Adjuvant Anti-Her2 Neu Therapy and Skin/Nipple Involvement in Local Recurrence-Free Survival in Breast Cancer Patients
Mercurial AI Inc（Mercurial AI公司）
该研究利用LiNGAM从Duke MRI乳腺癌观察数据中识别因果关系，量化抗Her2 Neu治疗与皮肤/乳头受累对无局部复发生存期的影响，以支持个性化治疗决策。
2025-01-04 cs.LG stat.AP
Towards Highly Expressive Machine Learning Models of Non-Melanoma Skin Cancer
Institute for Molecular Bioscience, The University of Queensland（昆士兰大学分子生物科学研究所）；MyLab Pathology（迈莱博病理实验室）
病理学家有丰富的词汇，他们可以描述细胞形态的所有细微差别。在他们的世界里，有一种图像和文字的自然配对。最近的进展表明，机器学习模型现在可以被训练来学习高质量的图像特征，并将它们表示为离散的信息单元。这使得也是离散的自然语言能够与成像一起被联合建模，从而导致对成像内容的描述。在这里，我们提出的实验中应用离散建模技术的问题域的非黑色素瘤皮肤癌，特别是表皮内癌（IEC）的组织学图像。实现VQ-GAN模型来重建IEC图像的高分辨率（256 × 256）图像，我们训练序列到序列Transformer来使用病理学家术语生成自然语言描述。结合使用连续生成方法的交互式概念向量的想法，我们展示了一个额外的角度的可解释性。其结果是一种很有前途的方法，可以致力于开发高表达性的机器学习系统，这些系统不仅可以作为预测/分类工具，而且还可以促进我们对疾病的科学理解。
2022-07-09 cs.AI cs.CL cs.CV
Soft-Attention Improves Skin Cancer Classification Performance
State University of New York（纽约州立大学）
该研究将软注意力机制与VGG、ResNet等主流深度神经网络结合，在HAM10000和ISIC-2017数据集上提升了皮肤癌分类的准确率与灵敏度，代码已开源。
2026-08-13 cs.CV cs.LG eess.IV
Disease Burden over Skin Tone: Decomposing the Dermatology-AI Generalization Gap
Tribhuvan University（特里布万大学）；North Carolina A&T State University（北卡罗来纳农工州立大学）；Aalto University（阿尔托大学）；Auburn University（奥本大学）
该研究分解皮肤病学AI的泛化差距，发现疾病分布偏移比肤色影响更大，提出皮肤病预训练特征的可转移性更强，轻量适应仅需少量标记示例即可恢复性能，并发布评估协议与代码。
2026-09-03 cs.AI cs.CV cs.LG
Siamese Content-based Search Engine for a More Transparent Skin and Breast Cancer Diagnosis through Histological Imaging
Department One（第一部门）；Department Two（第二部门）
本文提出基于定制孪生网络的乳腺癌和皮肤癌组织病理图像检索方法，首次评估 top 第一张检索结果，在 F1 分数和精确率上超越现有方法，并为病理医生提供更透明、可信的辅助诊断工具。
2024-01-16 cs.CV cs.IR cs.LG
Skin disease diagnosis with deep learning: a review
Peking University（北京大学）
皮肤癌是全球最具威胁性的疾病之一。然而，正确诊断皮肤癌是具有挑战性的。最近，深度学习算法已经出现，可以在各种任务上实现出色的性能。特别地，它们已被应用于皮肤疾病诊断任务。本文综述了深度学习方法及其在皮肤病诊断中的应用。我们首先简要介绍了皮肤病和皮肤病学中的图像采集方法，并列出了几个公开的皮肤数据集用于训练和测试算法。然后，我们介绍了深度学习的概念，并回顾了流行的深度学习架构。此后，流行的深度学习框架，促进深度学习算法和性能评估指标的实施。作为本文的重要组成部分，我们随后根据具体任务从几个方面回顾了涉及深度学习方法用于皮肤病诊断的文献。此外，我们还讨论了该领域面临的挑战，并提出了未来可能的研究方向。本文的主要目的是对最近使用深度学习进行皮肤疾病诊断的工作进行概念性和系统性的回顾。鉴于深度学习的普及，该领域仍然存在巨大的挑战，以及我们可以在未来探索的机会。
2020-12-06 cs.CV cs.LG eess.IV
SkinDistilViT: Lightweight Vision Transformer for Skin Lesion Classification
National Institute for Research and Development in Informatics - ICI Bucharest（布加勒斯特国家信息学研发研究院（ICI布加勒斯特））；Faculty of Automatic Control and Computers, University Politehnica of Bucharest（布加勒斯特理工大学自动控制与计算机学院）
本文提出 SkinDistilViT，通过分层分类头与级联知识蒸馏，将专家标注图像训练的皮肤病变 ViT 压缩为低成本轻量模型，并在准确率接近教师模型的同时显著降低 GPU/CPU 推理开销。
2023-08-16 cs.CV cs.LG
Adversarial Attacks and Defences for Skin Cancer Classification
Veermata Jijabai Technological Institute（维尔马塔·吉贾拜技术学院）
近年来，在用于促进诊断的医学图像和用于执行诸如分类、检测和分割之类的任务的机器学习技术的性能方面，同时存在显著的改进。结果，在医疗保健行业中可以观察到这种系统的使用的快速增长，例如以医学图像分类系统的形式，其中这些模型已经实现了与人类医生的诊断同等性。可以观察到这一点的一个这样的应用是在计算机视觉任务中，例如皮肤镜图像中皮肤病变的分类。然而，随着医疗保健行业的利益相关者（如保险公司）继续在机器学习基础设施上进行广泛投资，了解此类系统中的漏洞变得越来越重要。由于这些机器学习模型执行的任务具有高度关键性，因此有必要分析可用于利用这些漏洞的技术以及防御这些漏洞的方法。本文探讨了常见的对抗攻击技术。快速符号梯度法和投影下降梯度用于对卷积神经网络训练分类皮肤病变的皮肤镜图像。接下来，它还讨论了最流行的对抗性防御技术之一，对抗性训练。然后针对先前提到的攻击测试已经在对抗性示例上训练的模型的性能，并且因此基于实验的结果提供改进神经网络鲁棒性的建议。
2022-12-13 cs.AI cs.CV cs.LG
On the Role of Calibration in Benchmarking Algorithmic Fairness for Skin Cancer Detection
Northeastern University（东北大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）
为解决AI皮肤癌检测模型在人口亚组间的性能差异问题，本文将校准作为AUROC公平性指标的补充基准，通过评估ISIC 2020挑战赛领先模型在两个数据集的亚组表现，揭示现有模型的校准缺陷，强调全面审计策略对公平医疗AI的必要性。
2025-11-10 cs.CV cs.LG eess.IV
Progressive Class-Wise Attention (PCA) Approach for Diagnosing Skin Lesions
COMSATS University Islamabad（COMSATS伊斯兰堡大学）；UNSW（新南威尔士大学）
针对皮肤病变因类内差异大、类间相似性高导致分类难的问题，提出渐进式类别注意力方法，平等对待各类别并渐进融合多尺度判别特征，在HAM10000和ISIC 2019数据集上准确率分别达97.40%和94.9%，性能超15种前沿方法。
2023-06-11 cs.AI cs.CV cs.LG
Towards Facilitated Fairness Assessment of AI-based Skin Lesion Classifiers Through GenAI-based Image Synthesis
DFKI GmbH（德累斯顿理工大学人工智能研究所）
本文通过生成式人工智能图像合成方法，评估AI皮肤病变分类器的公平性，验证合成图像在公平性测试中的有效性。
2025-12-22 cs.AI cs.CV cs.LG
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
MFSNet: A Multi Focus Segmentation Network for Skin Lesion Segmentation
Jadavpur University（贾达布尔大学）
医学图像分割是医学图像分析的基础，它可以识别和定位疾病，监测形态变化，并提取有区别的特征用于进一步诊断。皮肤癌是全球最常见的癌症类型之一，其早期诊断对于从体内完全消除恶性肿瘤至关重要。本研究开发了一个人工智能（AI）框架，用于采用深度学习方法进行监督皮肤病变分割。所提出的框架，称为MFSNet（多焦点分割网络），使用不同比例的特征图计算最终的分割掩模使用原始输入RGB图像的皮肤病变。在这样做时，最初，对图像进行预处理以去除不需要的伪影和噪声。MFSNet采用Res2Net主干，这是一种最近提出的卷积神经网络（CNN），用于获得并行部分解码器（PPD）模块中使用的深度特征，以获得分割掩码的全局映射。在网络的不同阶段，卷积特征和多尺度映射用于两个边界注意力（BA）模块和两个反向注意力（RA）模块，以生成最终的分割输出。MFSNet在三个公开可用的数据集上进行评估：$PH^2$，ISIC 2017和HAM 10000，表现优于最先进的方法，证明了框架的可靠性。建议方法的相关代码可在https://github.com/Rohit-Kundu/MFSNet上查阅
2022-03-29 cs.CV cs.LG eess.IV
MT-TransUNet: Mediating Multi-Task Tokens in Transformers for Skin Lesion Segmentation and Classification
School of Computer Science, Fudan University（复旦大学计算机科学学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
自动化皮肤癌诊断的最新进展已经产生了与董事会认证的皮肤科医生相当的性能。然而，这些方法将皮肤癌诊断制定为简单的分类任务，忽略了病变分割的潜在益处。我们认为，一个准确的病变分割可以补充分类任务与附加的病变信息，如不对称性，边界，强度和物理大小，反过来，一个忠实的病变分类可以支持与判别病变特征的分割任务。为此，本文提出了一种新的多任务框架，名为MT-TransUNet，这是能够分割和分类皮肤病变协同调解多任务令牌在Transformers。此外，我们还引入了双任务和参与区域一致性损失，以利用那些没有像素级注释的图像，确保模型在遇到具有增强的相同图像时的鲁棒性。我们的MT-TransUNet超过了ISIC-2017和PH 2中病变分割和分类任务的先前最先进水平;更重要的是，它保留了模型参数方面令人信服的计算效率（48 M ~vs.~ 130 M）和推理速度（0.17s~vs.~ 2.02s/图像）。代码将在https://github.com/JingyeChen/MT-TransUNet上提供。
2021-12-03 cs.CV cs.LG eess.IV
Revisiting Skin Tone Fairness in Dermatological Lesion Classification
Universitat de Barcelona（巴塞罗那大学）；IBM Research Africa（IBM非洲研究院）
本文比较 ISIC18 上四种基于 ITA 的肤色估计方法，发现既有研究结论高度不一致且数据集多样性不足，并呼吁改进稳健估计与带标注多样化数据。
2023-08-18 cs.CV cs.CY cs.LG
The Effects of Image Pre- and Post-Processing, Wavelet Decomposition, and Local Binary Patterns on U-Nets for Skin Lesion Segmentation
University of Waterloo（滑铁卢大学）
皮肤癌是一种广泛的、全球性的、潜在的致命疾病，在过去的三十年里，它在美国折磨着比所有其他形式的癌症加起来还要多的生命。最近有很多很有前途的工作利用深度网络架构，如FCNs，U-Nets和ResNets，用于开发自动皮肤病变分割。本文研究了各种预处理和后处理技术，以提高性能的U-网衡量的Jaccard指数。作为“2017 ISBI皮肤病变分析对黑色素瘤检测的挑战”的一部分提供的数据集用于本次评估，决赛选手的表现是比较的标准。所提出的系统中采用的预处理技术包括对比度增强，伪影去除，和晕影校正。更先进的图像变换，如局部二进制模式和小波分解，也被用来增强原始灰度图像作为网络输入功能。虽然所提出的系统的性能没有达到挑战的获胜者，但确定使用小波分解作为早期变换步骤比单独的预处理和后处理步骤提高了系统的整体性能。
2018-04-30 cs.CV cs.LG physics.med-ph
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
CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification
University of South Florida（南佛罗里达大学）
卷积神经网络（CNN）在皮肤病变分析中已经达到了最先进的性能。与单个CNN分类器相比，通过融合方法将多个分类器的结果相结合，显示出更有效和鲁棒性。由于皮肤病变数据集通常是有限的并且在统计上有偏差，因此在设计有效的融合方法时，重要的是不仅要考虑每个分类器在训练/验证数据集上的性能，而且要考虑相对区分能力（例如，置信度），这需要主动融合方法。此外，在皮肤病变分析中，某些类别的数据（例如，良性病变）通常是丰富的，使得它们成为过度代表的大多数，而一些其它类别的数据（例如，癌症病变）是缺乏的，使他们成为代表性不足的少数群体。更重要的是精确地识别来自代表性不足的样本（即，就数据量而言）但是更重要的少数类（例如，某些癌性病变）。换句话说，将更严重的病变错误分类为良性或不太严重的病变应该具有相对更多的成本（例如，金钱、时间甚至生命）。为了解决这些挑战，我们提出了CS-AF，一个成本敏感的多分类器主动融合框架的皮肤病变分类。在实验评估中，我们在ISIC研究数据集上准备了96个基础分类器（12个CNN架构）。我们的实验结果表明，我们的框架始终优于静态融合的竞争对手。
2020-09-09 cs.CV cs.LG eess.IV
The Forward-Forward Algorithm as a feature extractor for skin lesion classification: A preliminary study
Michigan Technological University（密歇根理工大学）
针对皮肤癌早期诊断问题，本文探索了无需反向传播的 Forward-Forward 算法（FFA）在皮肤病变分类中的应用，发现结合 FFA 与 BP 能实现更准确的预测。
2023-07-02 cs.AI cs.CV cs.LG
Dimensionality Reduction in Deep Learning for Chest X-Ray Analysis of Lung Cancer
Huizhou University（惠州学院）
通过深度学习方法评估了一些降维技术（如肺分割、骨影排除和用于排除离群值的t分布随机邻居嵌入（t-SNE））用于分析胸部X射线（CXR）2D图像的效率，以帮助放射科医生识别CXR中的肺癌标记。对开放JSRT数据集（数据集#01）、骨影排除后的JSRT- BSE-JSRT（数据集#02）、肺分割后的JSRT（数据集#03）、肺分割后的BSE-JSRT（数据集#04）和通过t-SNE方法排除离群值后的分割BSE-JSRT（数据集#05）进行简单卷积神经网络（CNN）的训练和验证。结果表明，与其他预处理数据集相比，在肺分割、骨影排除和通过t-SNE过滤出离群值之后获得的预处理数据集（数据集#05）表现出最高的训练率和最佳的准确性。
2018-01-19 cs.CY cs.LG
Visualizing CoAtNet Predictions for Aiding Melanoma Detection
Carebot s.r.o.（Carebot有限责任公司）
黑色素瘤被认为是最具侵略性的皮肤癌。由于恶性和良性癌性病变的形状相似，医生在诊断这些发现时花费了相当多的时间。目前，恶性肿瘤的评估主要是通过对可疑病变进行侵入性组织学检查来进行的。开发一个准确的分类器，用于早期和有效的检测，可以最大限度地减少和监测皮肤癌的有害影响，并提高患者的生存率。本文提出了一种使用CoAtNet架构的多类分类任务，CoAtNet架构是一种混合模型，它将传统卷积神经网络的深度卷积矩阵运算与Transformer模型和自注意力机制的优势相结合，以实现更好的泛化能力和容量。所提出的多类分类器实现了0.901的整体精度，召回率0.895，和AP 0.923，表明高性能相比，其他国家的最先进的网络。
2022-05-21 cs.CV cs.LG eess.IV
MUCM-Net: A Mamba Powered UCM-Net for Skin Lesion Segmentation
The Graduate Center, City University of New York（纽约城市大学研究生中心）；University of Washington（华盛顿大学）；College of Staten Island, City University of New York（纽约城市大学斯塔滕岛学院）
本文提出 MUCM-Net，将 Mamba 状态空间模型与 UCM-Net 结合，面向移动端低计算资源场景实现高效皮肤病变分割，并在 ISIC 数据集上取得优于其他方法的精度与计算效率。
2024-11-23 cs.CV cs.LG eess.IV
