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
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
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
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
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
EA-LiteUNet: An Edge-Adaptive and Resource-Efficient U-Net for Boundary-Sensitive Dermoscopic Image Segmentation
本文针对皮肤镜图像分割的边界描绘难题，提出边缘自适应且资源高效的EA-LiteUNet，通过三类核心机制实现高精度边界分割，在公开数据集上以超轻量配置取得优异性能。
2026-08-18 cs.AI cs.CV
Automatic skin lesion segmentation on dermoscopic images by the means of superpixel merging
Universidad Nacional de Colombia（哥伦比亚国立大学）
我们提出了一种基于超像素的皮肤镜图像皮肤病变分割策略。分割是通过使用SLIC算法对原始图像进行过分割来进行的，然后将得到的超像素合并成两个区域：健康皮肤和病变。每个超像素的平均RGB颜色被用作合并准则。所提出的方法是能够处理皮肤镜图像中常见的分割问题，如脱毛，油泡，光照变化，反射图像，而无需任何额外的步骤。在PH2和ISIC 2017数据集上对该方法进行了评价，结果与最新技术水平相当。
2018-08-21 cs.CV
Bi-directional Dermoscopic Feature Learning and Multi-scale Consistent Decision Fusion for Skin Lesion Segmentation
Nanyang Technological University（南洋理工大学）
皮肤镜图像中病灶的准确分割是黑色素瘤计算机辅助诊断的关键。由于来自不同患者的皮肤镜图像具有不可忽略的病变变化，这导致解剖结构学习和一致的皮肤病变描绘的困难，因此具有挑战性。在本文中，我们提出了一种新的双向皮肤镜特征学习（biDFL）框架来模拟皮肤病变及其信息背景之间的复杂相关性。通过控制经过两个互补方向的特征信息，实现了基本上丰富的和有区别的特征表示。具体来说，我们将biDFL模块放置在CNN网络的顶部，以增强高级解析性能。此外，我们提出了一种多尺度一致性决策融合（mCDF），能够选择性地集中在从多个分类层产生的信息决策。通过分析每个位置处决策的一致性，mCDF自动调整决策的可靠性，从而允许更有洞察力的皮肤病变描绘。综合实验结果表明，所提出的方法对皮肤病变分割的有效性，实现国家的最先进的性能一致的两个公开可用的皮肤镜图像数据库。
2020-02-20 cs.CV
LesionSeg: Semantic segmentation of skin lesions using Deep Convolutional Neural Network
University of Guelph（圭尔夫大学）
我们提出了一种用于ISIC 2017皮肤病变分割挑战的皮肤病变分割方法。我们的方法基于全卷积网络架构，该架构在有限的数据集上从头开始进行端到端的训练。我们的语义分割架构利用了几项最新的创新，特别是在以下方面的组合使用中：（i）使用atrous卷积来增加网络感受野的有效视野，而不增加参数的数量;（ii）使用网络中网络$1\times1$卷积层来增加网络的容量;以及（iii）使用子像素CNN层对预测进行最先进的超分辨率上采样。我们报告了组织者提供的验证集的平均IOU得分为0.642。
2017-03-15 cs.AI cs.CV cs.NE
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
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
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
Segmenting Dermoscopic Images
National Research Council（国家研究委员会）
我们提出了一种自动算法，命名为SDI，皮肤镜图像中的皮肤病变的分割，分为三个主要步骤：选择图像的ROI，选择的分割带，和分割。我们提出了SDI算法在病变分割数据集上实现的广泛实验结果，这些数据集可用于ISIC 2017皮肤病变分析对黑色素瘤检测的挑战，突出了其优点和缺点。
2017-03-09 cs.CV
Supervised Saliency Map Driven Segmentation of the Lesions in Dermoscopic Images
Tarbiat Modares University（塔比亚特·莫达雷斯大学）；NRP company（NRP公司）；University of Sheffield（谢菲尔德大学）
病变分割是大多数黑素瘤自动识别系统的第一步。皮肤镜图像中的缺陷和困难，如颜色不稳定，毛发遮挡，暗角和彩色图表，使病变分割成为一项复杂的任务。为了检测这些问题的存在下的病变，我们提出了一种监督的显着性检测方法的基础上的歧视性区域特征集成（DRFI）的皮肤镜图像量身定制。DRFI方法结合了多层次分割，区域对比度，属性，背景描述符，和一个随机森林回归，以创建显着性得分的图像中的每个区域。在我们改进的显著性检测方法中，mDRFI，我们增加了一些新的功能，区域属性描述符。同时，为了获得更鲁棒的区域背景描述符，提出了一种阈值化算法来获得新的伪背景区域。结果表明，mDRFI是优于DRFI检测皮肤镜图像中的突出对象的病变。所提出的整体病变分割框架使用检测到的显着图，通过阈值和后处理操作来构建病变的初始掩模。然后，初始掩模在水平集框架中演化，以更好地适应病变的边界。在三个公共数据集上的评估测试结果表明，我们提出的分割方法优于其他传统的最先进的分割算法，其性能与最新的基于深度卷积神经网络的方法相当。
2018-06-07 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
Dermoscopic Image Analysis for ISIC Challenge 2018
Lenovo（联想）
这篇简短的论文报告了我们使用的算法和ISIC Challenge 2018的评估性能。我们的团队参与了这次挑战的所有任务。在病变分割任务中，改进了金字塔场景解析网络（PSPNet）来分割病变。在病变属性检测任务中，也采用了多标签的方式，修改后的PSPNet。在疾病分类任务中，采用DenseNet-169进行多类分类。
2018-07-24 cs.CV
What Can We Learn from Inter-Annotator Variability in Skin Lesion Segmentation?
School of Computing Science, Simon Fraser University（计算科学系，西蒙弗雷泽大学）；AIP Labs（AIP实验室）
本文构建了最大的多标注者皮肤病变分割数据集IMA++，发现标注者间一致性与病变恶性显著相关，并利用该一致性作为软临床特征进行多任务学习，使平衡准确率提升4.2%。
2025-08-12 cs.AI cs.CV cs.LG
Multiple Convolutional Neural Network for Skin Dermoscopic Image Classification
University of Illinois at Springfield（伊利诺伊大学斯普林菲尔德分校）；Tanta University（坦塔大学）
黑色素瘤分类是识别皮肤病的一个重要阶段。由于黑色素瘤的类内差异、皮肤病变的低对比度和皮肤镜图像中的伪影（包括噪声、毛发的存在、气泡）以及黑色素瘤和非黑色素瘤病例之间的相似性，因此认为这是一个具有挑战性的过程。为了解决这些问题，我们提出了一种新的多卷积神经网络模型（MCNN）来分类皮肤镜图像中的不同七种疾病类型，其中使用添加剂样本学习策略分别训练多个模型。MCNN模型分别使用国际皮肤成像合作组织（ISIC 2018）的训练集和验证集进行训练和测试。受试者工作特征曲线（ROC）被用来评估所提出的方法的性能。AUC（ROC曲线下面积）的值用于评估MCNN的性能。
2018-07-26 cs.CV
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
Extraction of Skin Lesions from Non-Dermoscopic Images Using Deep Learning
Isfahan University of Technology（伊斯法罕理工大学）；University of Michigan（密歇根大学）
黑色素瘤是最具侵袭性的癌症类型之一。然而，如果在早期发现，它是高度可治愈的。对可疑的痣和恶性病变进行预先筛查是非常重要的。检测可以通过由标准相机捕获的图像来完成，由于低成本和可用性，标准相机是更优选的。在计算机化皮肤病变评估中的一个重要步骤是准确检测病变区域，即将图像分割成病变和正常皮肤两个区域。由于诸如照明变化和病变与健康皮肤之间的低对比度之类的负担，准确的分割可能是具有挑战性的。本文提出了一种基于深度神经网络的病变区域精确提取方法。对输入图像进行预处理，然后将其补丁馈送到卷积神经网络（CNN）。局部纹理和整体结构的补丁进行处理，以分配像素病变或正常类。一种用于有效选择训练块的方法用于更准确地检测病变边界。通过一些后处理操作来细化输出分割掩码。定性和定量评价的实验结果表明，我们的方法可以优于其他国家的最先进的算法存在于文献中。
2016-09-08 cs.CV
BCN20000: Dermoscopic Lesions in the Wild
Hospital Clínic Barcelona, Universitat de Barcelona, IDIBAPS（巴塞罗那临床医院，巴塞罗那大学，IDIBAPS）；IBM Research AI, T J Watson Research Center（IBM研究AI，T J Watson研究中心）；Dermatology Service, Department of Medicine, Memorial Sloan Kettering Cancer Center（医学部皮肤科，纪念斯隆-凯特琳癌症中心）；Kitware；Signal Theory and Communications, Universitat Politècnica de Catalunya（信号理论与通信，加泰罗尼亚理工大学）；Melanoma Unit, Dermatology Department, Hospital Clínic Barcelona, Universitat de Barcelona, IDIBAPS（黑素瘤科，皮肤科，巴塞罗那临床医院，巴塞罗那大学，IDIBAPS）
本文总结了BCN 20000数据集，由2010年至2016年在巴塞罗那医院诊所设施中捕获的19424张皮肤病变皮肤镜图像组成。有了这个数据集，我们的目标是研究皮肤癌的皮肤镜图像的无约束分类问题，包括在难以诊断的位置（指甲和粘膜）发现的病变，不适合皮肤镜设备的孔径的大病变，和色素沉着病变。BCN 20000将提供给2019年ISIC挑战赛的参与者，他们将被要求训练算法来自动分类皮肤癌的皮肤镜图像。
2019-08-30 cs.CV eess.IV
Ensemble of Convolutional Neural Networks for Dermoscopic Images Classification
Spanish National Centre for Biotechnology (CNB–CSIC)（西班牙国家生物技术中心（CNB–CSIC））；University of Novi Sad（诺威萨大学）；NTNU（挪威科技大学）；Uppsala University（乌普萨拉大学）；Mathematical Institute of the Serbian Academy of Sciences and Arts（塞尔维亚科学与艺术学院数学研究所）
在这份报告中，我们介绍了我们的自动预测系统的皮肤镜图像内的疾病分类。所提出的解决方案基于深度学习，其中我们在VGG16和GoogLeNet架构上采用了迁移学习策略。我们的解决方案的关键特征是主要基于图像增强和颜色归一化的预处理。该解决方案在ISIC 2018的任务3：病变诊断：黑色素瘤检测的皮肤病变分析中进行了评估。
2018-08-15 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
Multi-Class Lesion Diagnosis with Pixel-wise Classification Network
Manchester Metropolitan University（曼彻斯特城市大学）；University of Sheffield（谢菲尔德大学）
由于不同皮肤病变在颜色、大小、部位和外观方面具有高度的类间相似性和类内差异，皮肤病变的病变诊断是一项非常具有挑战性的任务。随着计算机视觉尤其是深度学习算法的出现，使用在皮肤镜图像上训练的这些算法使得病变诊断成为可能。通常，深度分类网络用于病变诊断以确定不同类型的皮肤病变。在这项工作中，我们使用逐像素分类网络来提供病变诊断，而不是分类网络。我们建议使用DeeplabV3+在ISIC Challenge 2018任务3的皮肤镜图像中进行多类病变诊断。我们使用DeeplabV3+的各种后处理方法来确定本次挑战中的病变诊断，并提交了测试结果。
2018-07-24 cs.CV
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
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
SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images
Nanyang Technological University（南洋理工大学）；University of British Columbia（不列颠哥伦比亚大学）；Vancouver Coast Health Research Institute（温哥华海岸健康研究所）；BC Cancer（不列颠哥伦比亚癌症中心）
皮肤癌是最常见的恶性肿瘤之一，影响大量人口，并在世界范围内造成沉重的经济负担。在过去的几年里，由于人工智能的进步，计算机辅助诊断得到了迅速发展，并在医疗保健和医疗实践中取得了很大进展。然而，大多数皮肤癌检测的研究都在追求高预测精度，而没有考虑便携式设备上计算资源的限制。在这种情况下，知识蒸馏（KD）已被证明是一个有效的工具，帮助提高轻量级模型在有限的资源下的适应性，同时保持高层次的表示能力。为了弥合这一差距，这项研究特别提出了一种新的方法，称为SSD-KD，它将不同的知识统一到一个通用的KD框架中，用于皮肤病分类。我们的方法模型的实例内关系特征表示，并将其与现有的KD研究。一个双关系知识蒸馏架构是自我监督训练，而加权软化输出也被利用，使学生模型，以捕捉更丰富的知识，从教师模型。为了证明我们的方法的有效性，我们在ISIC 2019上进行了实验，ISIC 2019是一个大规模开放访问的皮肤病皮肤镜图像基准。实验结果表明，我们的蒸馏轻量级模型可以达到高达85%的准确率为8种不同的皮肤疾病的分类任务，最小的参数和计算要求。消融研究证实了我们的内部和实例间的关系知识整合策略的有效性。与现有的知识蒸馏技术相比，该方法在大规模皮肤镜数据库上的多疾病分类性能得到了提高。
2022-03-30 cs.CV
A Multi-Scale Framework for Out-of-Distribution Detection in Dermoscopic Images
Fuzhou University（福州大学）；Minjiang University（闽江学院）；South China University of Technology（华南理工大学）
通过皮肤镜图像自动检测皮肤疾病可以提高诊断效率，帮助医生做出更准确的判断。然而，传统的皮肤病识别系统可能会对分布外（OOD）数据产生高置信度，这可能成为实际应用中的主要安全漏洞。在本文中，我们提出了一个多尺度检测框架，以检测出的分布的皮肤病图像数据，以确保系统的鲁棒性。我们的框架从神经网络的不同层提取特征。在前几层中，使用校正激活使输出特征更接近行为良好的分布，然后训练单类SVM检测OOD数据;在倒数第二层中，使用自适应Gram矩阵计算校正激活后的特征，最后选择性能最好的层计算正态性得分。实验表明，该框架实现了优越的性能相比，其他国家的最先进的方法在皮肤病识别的任务。
2023-01-18 cs.CV
Investigating and Exploiting Image Resolution for Transfer Learning-based Skin Lesion Classification
Medical University of Vienna（维也纳医科大学）；Loughborough University（拉夫堡大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；TissueGnostics GmbH（TissueGnostics有限公司）
皮肤癌是最常见的癌症类型之一。与肉眼检查相比，皮肤镜图像分析提高了检测恶性黑色素瘤和其他色素性皮肤病变的诊断准确性。因此，基于计算机的方法来支持医学专家在诊断过程中的极大兴趣。微调预训练的卷积神经网络（CNN）已被证明对于皮肤病变分类工作良好。预训练的CNN通常用固定图像大小的自然图像进行训练，该图像大小通常显著小于捕获的皮肤病变图像，因此皮肤镜图像被下采样以进行微调。然而，在这种转换过程中，有用的医学信息可能会丢失。在本文中，我们探讨了输入图像大小对微调CNN的皮肤病变分类性能的影响。为此，我们将皮肤镜图像调整为不同的分辨率，从64 x64到768 x768像素，并研究了三种成熟的CNN，即DenseNet-121，ResNet-18和ResNet-50的分类性能。我们的研究结果表明，使用非常小的图像（大小为64 x64像素）会降低分类性能，而大小为128 x128像素及以上的图像支持较大图像大小的良好性能，导致分类略有改善。我们进一步提出了一种基于三级集成策略的新型融合方法，该策略利用多种微调网络，这些网络使用各种尺寸的皮肤镜图像进行训练。当应用于ISIC 2017皮肤病变分类挑战时，我们的融合方法产生的黑色素瘤分类和脂溢性角化病分类的受试者工作特征曲线下面积分别为89.2%和96.6%，优于最先进的算法。
2020-06-25 cs.CV
MedTokenBudget: Lesion-Preserving Token Routing for Dermoscopic Image Classification
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
MedTokenBudget提出一种病灶感知令牌路由框架，通过LATS模块融合多种信号选择关键图像块，在保持病灶证据的同时提升皮肤镜图像分类性能。
2026-09-28 cs.AI cs.CV
Self-Supervised Multi-Modality Learning for Multi-Label Skin Lesion Classification
University of Sydney（悉尼大学）；James Cook University（詹姆斯·库克大学）；Shanghai Jiao Tong University（上海交通大学）
针对皮肤病变多模态分类依赖大规模标注数据的问题，提出一种自监督学习算法，通过最大化配对图像相似性、生成伪多标签及标签关系感知模块，在七点数据集上超越现有SSL方法。
2023-11-16 cs.CV
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
Mitigating the Influence of Domain Shift in Skin Lesion Classification: A Benchmark Study of Unsupervised Domain Adaptation Methods on Dermoscopic Images
German Aerospace Center (DLR)（德国航空航天中心）；German Cancer Research Center (DKFZ)（德国癌症研究中心）
该研究针对皮肤镜图像分类的域偏移问题，对8种无监督域自适应方法在10个数据集上开展基准测试，证实这类方法普遍能提升黑色素瘤-痣分类性能，同时指出小样本或不平衡数据集会降低结果一致性。
2023-10-05 cs.CV
Accurate Segmentation of Dermoscopic Images based on Local Binary Pattern Clustering
Instituto de Telecomunicações（电信研究所）；Polytechnic Institute of Leiria（莱里亚理工学院）；University of Coimbra（科英布拉大学）
分割是皮肤镜图像处理中的关键阶段，其中定义皮肤损伤的边界线的准确性对于后续算法（例如，分类）和计算机辅助早期诊断严重的医疗条件。提出了一种基于局部二值模式（LBP）的皮肤镜图像分割方法，将LBP和K-Means聚类相结合，实现皮肤镜图像的细节分割。与通常的皮肤科医生样分割（即，可用的地面实况），所提出的方法能够找到皮肤损伤的更真实的边界，即，更多的细节。结果还显示出不同性能指标之间的可变性降低，并且它们在不同图像之间是一致的。所提出的方法可以应用于基于细胞的分割，适合于病变边界生长的特异性。因此，该方法适合于跟踪与皮肤黑色素细胞图像中的病变边界几何形状相关联的生长动态。
2019-02-20 cs.CV eess.SP
Saliency-based segmentation of dermoscopic images using color information
National Research Council, Institute for the Application of Calculus（国家研究委员会，计算应用研究所）
皮肤病变分割是黑色素瘤的有效非侵入性计算机辅助早期诊断的关键步骤之一。本文探讨如何颜色信息，除了显着性，可以用来确定色素性病变区域自动。与大多数现有的分割方法只使用的显着性，以区别于周围地区的皮肤病变，我们提出了一种新的方法，采用二值化过程加上新的感知标准，灵感来自人类的视觉感知，相关的显着性和颜色的输入图像数据分布的属性。作为改进所提出的方法的准确性的手段，分割步骤之前进行预处理，旨在减少计算负担，去除伪影，并提高对比度。我们已经评估了两个公共数据库，包括1497皮肤镜图像的方法。我们还比较了它的性能与经典的和最近的显着性为基础的方法明确设计的皮肤镜图像。定性和定量的评价表明，该方法是有前途的，因为它产生了准确的皮肤病变分割和表现令人满意的其他现有的基于显着性的分割方法相比。
2021-11-05 cs.CV eess.IV
Revisiting the Shape-Bias of Deep Learning for Dermoscopic Skin Lesion Classification
Technische Universität Kaiserslautern（凯泽斯劳滕工业大学）；German Research Center for Artificial Intelligence GmbH (DFKI)（德国人工智能研究中心）
一般认为，人类视觉系统偏向于识别形状而不是纹理。这一假设导致了越来越多的工作，旨在使深度模型的决策过程与人类视觉的基本属性保持一致。对形状特征的依赖主要是为了提高这些模型在协变量偏移下的稳健性。在本文中，我们重新审视的皮肤病变图像的分类的形状偏差的意义。我们的分析表明，不同的皮肤病变数据集表现出不同的偏见对个别图像特征。有趣的是，尽管深度特征提取器倾向于学习用于皮肤病变分类的纠缠特征，但仍然可以从这种纠缠表示中解码单个特征。这表明这些特征仍然表示在模型的学习嵌入空间中，但不用于分类。此外，不同数据集的谱分析表明，与常见的视觉识别相反，皮肤镜皮肤病变分类本质上依赖于形状偏差之外的复杂特征组合。作为一个自然的结果，从形状偏置模型的普遍愿望转移，甚至可以在某些情况下改善皮肤病变分类。
2022-06-13 cs.AI cs.CV cs.LG
Dermoscopic Image Classification with Neural Style Transfer
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Novartis Pharmaceuticals（诺华制药）；University of California, Irvine（加州大学欧文分校）；Wolfram Research（沃尔夫勒姆研究公司）
皮肤癌是最常见的人类恶性肿瘤，主要通过皮肤镜分析、活检和组织病理学检查进行视觉诊断。然而，与其他类型的癌症不同，由于病变外观的不规则性和可变性，皮肤病变的自动图像分类被认为更具挑战性。在这项工作中，我们提出了一个适应的神经风格转移（NST）作为一种新的图像预处理步骤的皮肤病变分类问题。我们将每个皮肤镜图像表示为样式图像，并将病变的样式转移到同质内容图像上。这将每个病变的主要变异性转移到相同的局部区域，这使我们能够将生成的图像整合在一起，并通过张量分解提取潜在的低秩风格特征。我们训练和交叉验证我们的模型的皮肤镜数据集收集和预处理的国际皮肤成像协作（ISIC）数据库。我们表明，基于使用风格转移图像提取的张量特征的分类性能显着优于原始图像的10%以上，并且通过转移学习与经过充分研究的预训练CNN模型也具有竞争力。此外，张量分解进一步识别潜在的风格集群，这可以提供临床解释和见解。
2021-05-31 cs.CV cs.LG eess.IV
Prompting Medical Vision-Language Models to Mitigate Diagnosis Bias by Generating Realistic Dermoscopic Images
University of Kentucky（肯塔基大学）
针对皮肤病诊断AI模型在肤色等敏感属性上存在偏差的问题，提出基于生成式AI的DermDiT框架，利用大型视觉语言模型生成文本提示与多模态学习来合成皮肤镜图像，以改善不平衡数据集中代表性不足群体的临床诊断表现。
2025-04-02 cs.CV
Unsupervised Approaches for Out-Of-Distribution Dermoscopic Lesion Detection
Northeastern University（东北大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）
有有限的作品显示无监督的分布外（OOD）方法对复杂的医疗数据的有效性。在这里，我们提出了我们的无监督OOD检测算法，SimCLR-LOF，以及最近的最先进的方法（SSD），应用于医学图像的初步研究结果。SimCLR-LOF使用Simcloud学习语义上有意义的特征，如果测试样本是OOD，则使用LOF进行评分。我们对多源国际皮肤成像合作组织（ISIC）2019数据集进行了评估，并显示了与SSD以及最近应用于相同数据的监督方法相竞争的结果。
2021-11-08 cs.CV cs.LG 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
Contrastive meta-domain adaptation for robust skin lesion classification across clinical and acquisition conditions
University of São Paulo（圣保罗大学）
提出基于视觉元域概念的适应策略，通过将大规模皮肤镜数据集的视觉表示迁移到临床图像域，提高皮肤病变分类的泛化鲁棒性。
2026-06-01 cs.CV
Few-Shot Classification of Skin Lesions from Dermoscopic Images by Meta-Learning Representative Embeddings
Sri Sivasubramaniya Nadar College of Engineering（斯里西瓦苏布拉马尼亚·纳达尔工程学院）
用于诊断罕见和新型疾病的注释图像和地面实况非常罕见。考虑到受影响的患者人群数量较少且注释图像的临床专业知识有限，预计这将占上风。此外，皮肤病变和其他疾病分类数据集中频繁出现的长尾类分布导致传统的训练方法由于有偏见的类先验而导致泛化能力差。少样本学习和一般的元学习旨在通过在低数据状态下表现良好来克服这些问题。本文主要研究改进皮肤镜图像分类的元学习方法。具体来说，我们提出了一种基于元训练集的基线监督方法，该方法允许网络学习图像的高度代表性和可概括性的特征嵌入，这些特征嵌入很容易转移到新的少样本学习任务中。我们遵循文献中的一些先前的工作，这些工作证明了具有代表性的特征嵌入可以比复杂的Meta学习算法更有效。我们从经验上证明了所提出的元训练方法对皮肤镜图像学习嵌入的有效性，并表明即使是在这些表示上训练的简单线性分类器也足以胜过一些常用的元学习方法。
2022-10-30 cs.AI cs.CV cs.LG
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 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
Joint Dermatological Lesion Classification and Confidence Modeling with Uncertainty Estimation
Korea University（高丽大学）；VUNO Inc.（VUNO公司）
深度学习在解释皮肤镜图像以检测皮肤缺陷和异常方面发挥了重要作用。然而，目前用于皮肤病病变分析的深度学习解决方案通常局限于提供概率预测，这突出了有关不确定性的重要性。这种不确定性的概念可以为每个特征提供一个置信度，从而防止对未知数据的泛化能力较差的过度自信的预测。在本文中，我们提出了一个整体框架，共同考虑皮肤分类和不确定性估计在一起。该方法从置信度网络中提取各特征的置信度，以避免输入图像的环境差异引起的特征不确定性和不期望的偏移。我们的定性结果表明，建模不确定性不仅有助于量化每个预测的模型置信度，而且有助于分类层专注于置信特征，从而提高皮肤病病变分类的准确性。我们在两个最先进的皮肤镜数据集（ISIC 2018和ISIC 2019）中证明了所提出方法的潜力。
2021-07-19 cs.CV
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
Unsupervised Skin Lesion Segmentation via Structural Entropy Minimization on Multi-Scale Superpixel Graphs
Beihang University（北京航空航天大学）；Zhongguancun Laboratory（中关村实验室）；Salesforce AI Research（赛富时人工智能研究院）；Didi Chuxing（滴滴出行）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Lehigh University（理海大学）
提出基于结构熵最小化和孤立森林异常检测的无监督皮肤病变分割框架SLED，通过多尺度超像素图提升分割精度，在四个基准上优于九种无监督方法。
2023-09-05 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
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
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
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
