基于大数据的CNN模型在皮肤黑色素瘤分类中的应用评价

组织病理学全切片图像中黑色素瘤皮肤癌的检测与定位

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。

2023-11-04cs.CVcs.LGeess.IV

使用多个病变的皮肤镜照片改进深度学习的黑色素瘤分类：一项预后诊断准确性研究

Using Multiple Dermoscopic Photographs of One Lesion Improves Melanoma Classification via Deep Learning: A Prognostic Diagnostic Accuracy Study

German Cancer Research Center (DKFZ)（德国癌症研究中心）；University Medical Center Mannheim, Ruprecht-Karl University of Heidelberg（海德堡鲁普雷希特-卡尔大学曼海姆医学中心）；DKFZ Hector Cancer Institute at the University Medical Center Mannheim（曼海姆医学中心DKFZ赫克托癌症研究所）；University Hospital Carl Gustav Carus, Technische Universität Dresden（德累斯顿工业大学卡尔·古斯塔夫·卡鲁斯大学医院）；University Hospital (UKSH), Kiel（基尔大学医院（UKSH））

本研究通过使用多个真实世界皮肤镜图像提升深度学习黑色素瘤分类器的诊断准确性与鲁棒性。

2023-06-05cs.CVcs.LGeess.IV

使用潜在自编码器的非黑色素瘤皮肤癌的表示学习

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。

2022-09-05cs.CVcs.LGeess.IV

Melatect：一种用于识别皮肤生长中恶性黑色素瘤的机器学习模型方法

Melatect: A Machine Learning Model Approach For Identifying Malignant Melanoma in Skin Growths

Lexington High School（列克星敦高中）

恶性黑色素瘤是一种常见的皮肤癌，在转移之前大多是可以治愈的-当生长在远离原始部位的器官中时。黑色素瘤是最危险的皮肤癌类型，如果不治疗，由于转移的高风险。本文介绍了Melatect，这是一种嵌入在iOS应用程序中的机器学习（ML）模型，可识别潜在的恶性黑色素瘤。Melatect在96.6%的时间内准确地将病变分类为恶性或良性，没有明显的偏倚或过拟合。使用Melatect应用程序，用户可以拍摄皮肤病变（痣）的照片，随后接收痣分类。Melatect应用程序提供了一种便捷的方式来获得有关病变的免费建议并随时间推移跟踪这些病变。开发了递归计算机图像分析算法和修改的MLOps流水线，以创建比现有模型精度更高的模型。我们的训练数据集包括18，400张良性和恶性病变的图像，其中18，000张来自国际皮肤成像合作组织（ISIC）档案，以及从当地皮肤科医生那里收集的400张图像;这些图像使用DeepAugment（AutoML工具）增强到54，054张图像。

2021-09-21cs.AIcs.CVeess.IV

可视化CoAtNet预测以辅助黑色素瘤检测

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。

2022-05-21cs.CVcs.LGeess.IV

病灶网--使用坐标卷积和深残差单元的皮肤病灶分割

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。

2020-12-28cs.CVcs.LGeess.IV

用于黑色素瘤诊断与预后预测的双卷积神经网络流水线

A Dual Convolutional Neural Network Pipeline for Melanoma Diagnostics and Prognostics

University of Stavanger（斯塔万格大学）；Stavanger University Hospital（斯塔万格大学医院）

针对黑色素瘤诊断耗时、需求增长的问题，提出由诊断、预后两个卷积神经网络组成的流水线，可定位全切片恶性斑块并给出良恶性诊断与预后评估，同分布测试下F1达0.79。

2023-12-14cs.CVcs.LGeess.IV

迈向黑色素瘤检测中的人工智能公平性：系统综述与建议

Towards Fairness in AI for Melanoma Detection: Systemic Review and Recommendations

本文系统综述了2013至2024年AI黑色素瘤检测研究，揭示其对浅肤色存在显著偏倚，并提出结合皮肤色相与肤色的评估方法及PRISMA Equity框架建议，以促进检测公平性。

2024-11-19cs.CVcs.CYcs.HC

基于智能手机的皮肤癌分类应用程序，使用深度学习与临床图像和病变信息

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%。

2021-04-28cs.CVeess.IV

两种分割方法在恶性黑色素瘤诊断中的应用

Two Segmentation Methods for the Diagnosis of Malignant Melanoma

恶性黑色素瘤的自动诊断在很大程度上依赖于对可疑病灶的分割方法。我们建议的参数选择方法（PSM）和最大面积法（MAM）的分割病变的诊断。在这里，这些分割方法相比，皮肤癌专家的分割和其他三个传统的算法。恶性黑色素瘤的诊断的基础上建议，三个传统的，专家的分割进行了比较的敏感性，特异性和准确性。

2020-04-27eess.IV

通过探索皮肤病变数据集上的偏差来改进病变检测

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。

2020-10-04cs.CVcs.LGeess.IV

使用对抗训练和深度迁移学习检测黑色素瘤

Melanoma Detection using Adversarial Training and Deep Transfer Learning

Concordia University（康考迪亚大学）

皮肤病变数据集主要由正常样本组成，只有一小部分异常样本，从而导致类别不平衡问题。此外，由于类间变异性低，皮肤病变图像在整体外观上很大程度上相似。在本文中，我们提出了一个两阶段的框架，用于使用对抗训练和转移学习对黑色素瘤检测进行皮肤病变图像的自动分类。在第一阶段中，我们利用数据分布的类间变化进行条件图像合成，通过学习类间映射并使用未配对的图像到图像转换从过度代表的类中合成代表性不足的类样本。在第二阶段，我们使用原始训练集结合新合成的代表性不足的类样本来训练用于皮肤病变分类的深度卷积神经网络。该分类器的训练是通过最小化焦点损失函数来进行的，这有助于模型从困难的示例中学习，同时降低简单示例的权重。在皮肤病学图像基准上进行的实验表明，我们提出的方法优于几个标准的基线方法，实现了显着的性能改进。有趣的是，我们通过特征可视化和分析表明，我们的方法导致基于上下文的病变评估，可以达到专家皮肤科医生的水平。

2020-07-28cs.CVeess.IV

深度卷积网络的Matthews相关系数损失：应用于皮肤病变分割

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。

2021-02-21cs.CVcs.LGeess.IV

IARS SegNet：用于黑色素瘤分割的可解释注意力残差跳跃连接SegNet

IARS SegNet: Interpretable Attention Residual Skip connection SegNet for melanoma segmentation

Amrita Vishwa Vidyapeetham（阿姆里塔大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）

本文提出IARS SegNet，通过在SegNet基线架构上引入跳跃连接、残差卷积和全局注意力机制，增强皮肤病变轮廓特征学习与模型可解释性，从而提升黑色素瘤皮肤病变分割的准确性。

2023-10-31cs.CVeess.IV

CS-AF：一种代价敏感的皮肤病变多分类器主动融合分类框架

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。

2020-09-09cs.CVcs.LGeess.IV

AI在皮肤病变分析中的进展

AI Progress in Skin Lesion Analysis

Applied Physics Laboratory, Johns Hopkins University（约翰斯·霍普金斯大学应用物理实验室）；Malone Center for Engineering in Healthcare, Johns Hopkins University（约翰斯·霍普金斯大学医疗保健工程马龙中心）

我们研究了使用AI检测皮肤病变的进展，特别强调急性莱姆病的游走性红斑皮疹，以及其他病变，如带状疱疹（带状疱疹）、体细胞瘤、多形性红斑、蜂窝织炎、昆虫叮咬或蜱虫叮咬。我们讨论了这些应用程序的重要挑战，特别是关于深色皮肤个体缺乏皮肤图像的AI偏见问题，与图像中的正常皮肤相比，能够准确检测，描绘和分割病变或感兴趣区域，以及低拍摄学习（解决训练图像缺乏的分类）。解决这些问题的范围从高度期望的要求-例如，对于描绘，这可能有助于消除类似类型的病变之间的歧义，并执行改进的诊断-或需要，如AI去偏置的情况，以允许在临床中部署公平的AI技术进行皮肤病变分析。特别是对于低拍摄学习的问题，我们报告了皮肤分析算法，与基线算法相比，这些算法在低拍摄时表现良好：当每类使用少至10个训练样本时，基线DL算法性能显著降低，准确率为56.41%，接近偶然，而表现最好的低发射算法产生85.26%的准确度。

2020-10-09cs.CVcs.LGeess.IV

恶性黑色素瘤的循证鉴别诊断

Evidence-Driven Differential Diagnosis of Malignant Melanoma

International Institute of Information Technology Hyderabad（海得拉巴国际信息技术研究所）

提出模块化多层次框架，整合病灶、患者和人群上下文，引入解剖部位感知掩码变换器及可学习人口统计嵌入，在 SIIM-ISIC 2020 上分别提升特异性 17.15% 和 7.14%，实现恶性黑色素瘤的循证鉴别诊断。

2026-09-25cs.AIcs.CVcs.LG

使用深度学习分析皮肤病变图像

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。

2021-01-11cs.CVcs.LGeess.IV

MT-TransUNet：在Transformers中调解多任务令牌以用于皮肤病变分割和分类

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。

2021-12-03cs.CVcs.LGeess.IV

非黑素瘤皮肤癌的高表达机器学习模型

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。

2022-07-09cs.AIcs.CLcs.CV

一种用于分类39种皮肤病变类型的注意力引导深度学习方法

An Attention-Guided Deep Learning Approach for Classifying 39 Skin Lesion Types

Chittagong University of Engineering and Technology（吉大港工程技术大学）；Charles Sturt University（查尔斯斯特大学）

本研究构建含39类皮肤病变的整合数据集，评估五种主流深度学习模型并融入注意力机制，其中集成CBAM的Vision Transformer准确率达93.46%，为广谱皮肤病变诊断提供高效辅助工具。

2025-01-10cs.CVcs.LGeess.IV

深度学习在皮肤病变分割中的应用综述

A Survey on Deep Learning for Skin Lesion Segmentation

Simon Fraser University（西蒙弗雷泽大学）；Instituto Superior Técnico（高等理工学院）；University of Campinas（坎皮纳斯大学）；University of Central Arkansas（中阿肯色大学）

本文综述了177篇深度学习皮肤病变分割论文，从输入数据、模型设计和评估维度分析，总结趋势与局限，并提供在线对比表格。

2023-06-20cs.CVcs.LGeess.IV

黑素细胞皮肤肿瘤全切片图像中的感兴趣区域检测——痣与黑色素瘤

Region of Interest Detection in Melanocytic Skin Tumor Whole Slide Images -- Nevus & Melanoma

University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Lineberger Comprehensive Cancer Center（莱恩伯格综合癌症中心）

本研究针对黑素细胞皮肤肿瘤全切片图像的感兴趣区域检测问题，构建内部深度学习方法实现切片层面的痣与黑色素瘤分类，在测试集上准确率达92.3%，且病理标注区域预测表现优异，可拓展至其他医学图像检测场景。

2024-05-16cs.CVeess.IVq-bio.QM

以患者为中心的图像和元数据数据集，用于使用临床背景识别黑色素瘤

A Patient-Centric Dataset of Images and Metadata for Identifying Melanomas Using Clinical Context

Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；The University of Queensland（昆士兰大学）；University of Athens Medical School（雅典大学医学院）；IBM Research（IBM研究院）；Universitat de Barcelona（巴塞罗那大学）；IDIBAPS（IDIBAPS（生物医学研究所））；Melanoma Institute Australia（澳大利亚黑色素瘤研究所）；Emory University School of Medicine（埃默里大学医学院）；Medical University of Vienna（维也纳医科大学）；Mayo Clinic（梅奥诊所）；SUNY Downstate Medical School（纽约州立大学唐斯泰特医学院）；Stony Brook Medical School（石溪大学医学院）；Rabin Medical Center（拉宾医疗中心）；Weill Cornell Medical College（威尔康奈尔医学院）

先前的皮肤图像数据集尚未解决从来自同一患者的多个皮肤病变获得的患者级信息。虽然人工智能分类算法在检查单个图像的对照研究中已经达到了专家级的性能，但在实践中，皮肤科医生根据同一患者的多个病变进行整体判断。构建本文所述的2020 SIIM-ISIC黑色素瘤分类挑战数据集以解决先前挑战与临床实践之间的这种差异，为数据集中的每个图像提供标识符，允许来自同一患者的病变彼此映射。这种患者水平的背景信息经常被临床医生用于诊断黑色素瘤，并且在排除患有许多非典型痣的患者的假阳性方面特别有用。该数据集代表了来自三大洲的2，056名患者，平均每位患者有16处病变，包括33，126张皮肤镜图像和584例组织病理学证实的黑色素瘤，与良性黑色素瘤模拟物相比。

2020-08-07cs.CVcs.CYeess.IV

通过分析皮肤镜图像使用迁移学习进行黑色素瘤分类的比较分析

A Comparative Analysis Towards Melanoma Classification Using Transfer Learning by Analyzing Dermoscopic Images

North South University（北南大学）

本文通过迁移学习比较ResNet101、DenseNet、EfficientNet和InceptionV3在ISIC皮肤镜图像上的黑色素瘤分类性能，其中DenseNet以96.64%验证准确率和99.63%测试准确率表现最佳。

2023-12-02cs.CVeess.IV

机器学习在黑色素瘤检测及“丑小鸭”与可疑痣识别中的应用：综述

Application of Machine Learning in Melanoma Detection and the Identification of 'Ugly Duckling' and Suspicious Naevi: A Review

School of Electrical Engineering and Computer Science, University of Queensland（昆士兰大学电气工程与计算机科学学院）；Frazer Institute, The University of Queensland（昆士兰大学弗雷泽研究所）；Centre for Health Services Research, Faculty of Medicine, The University of Queensland（昆士兰大学医学院健康服务研究中心）

本文综述了机器学习与深度学习在黑色素瘤检测中的应用，重点介绍了“丑小鸭”痣识别方法，并对比了卷积神经网络等技术与皮肤科医生的诊断表现，强调早期检测的重要性。

2023-09-05cs.CVeess.IV

基于深度学习的皮肤病变分析新方法

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。

2023-01-16cs.CVeess.IV

基于多尺度特征提取和双注意机制的皮肤病变自动分割

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。

2022-06-07cs.CVeess.IV

基于卷积神经网络的白癜风皮损自动分割

Automating Vitiligo Skin Lesion Segmentation Using Convolutional Neural Networks

Stanford University（斯坦福大学）

对于白癜风等几种皮肤病，从皮肤图像中准确分割病变是疾病进展和严重程度的主要衡量标准。现有的白癜风病变分割方法需要人工干预。不幸的是，手动分割是时间和劳动密集型的，并且在医生之间不可再现。我们引入了一个卷积神经网络（CNN），快速，稳健地执行白癜风皮肤病变分割。我们的CNN有一个U-Net架构，带有一个修改的收缩路径。我们使用CNN来生成病变的初始分割，然后通过在高置信度像素上运行分水岭算法来细化它。我们在247张具有各种病变大小、复杂性和解剖部位的图像上训练网络。经过我们修改的网络明显优于最先进的U-Net，Jaccard指数（JI）得分为73.6%（相比之下为36.7%）。此外，我们的方法只需要几秒钟的分割，与以前提出的半自治分水岭方法，这需要2-29分钟，每幅图像。

2019-12-16cs.CVcs.LGeess.IV

高度不平衡数据集中基于中心无间隔三重丢失的皮肤病变检测深度聚类

Deep Clustering via Center-Oriented Margin Free-Triplet Loss for Skin Lesion Detection in Highly Imbalanced Datasets

Amasya University（阿马西亚大学）；Bilkent University（比尔肯特大学）；National Magnetic Resonance Research Center, Bilkent University（比尔肯特大学国家磁共振研究中心）；Sabuncu Brain Research Center, Bilkent University（比尔肯特大学萨本朱脑研究中心）

黑色素瘤是一种致命的皮肤癌，是可以治愈的，并且在早期诊断时具有显著增加的存活率。基于学习的方法对于从皮肤镜图像检测黑色素瘤具有重要的前景。然而，由于黑色素瘤是一种罕见的疾病，现有的皮肤病变数据库主要包含高度不平衡的良性与恶性样本的数量。反过来，由于大多数类别的统计优势，这种不平衡在分类模型中引入了实质性偏差。为了解决这个问题，我们引入了一种基于皮肤镜图像的潜在空间嵌入的深度聚类方法。聚类是使用一种新的面向中心的无边缘三重损失（COM-三重）来实现的，该算法对卷积神经网络主干的图像嵌入进行了强制执行。该方法的目标是形成最大分离的聚类中心，而不是最小化分类错误，因此它对类不平衡不太敏感。为了避免对标记数据的需要，我们进一步提出了基于高斯混合模型生成的伪标签来实现COM三元组。综合实验表明，COM-三重损失的深度聚类优于三重损失的聚类，以及监督和无监督设置中的竞争分类器。

2022-04-03cs.AIcs.CVcs.LG

一种面向皮肤病变分割的感兴趣区域聚焦的三重 UNet 架构

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。

2023-11-21cs.CVeess.IV

用于黑色素瘤级联SVM分类的动态硬件系统

Dynamic hardware system for cascade SVM classification of melanoma

Auckland University of Technology（奥克兰理工大学）

黑色素瘤是皮肤癌中最危险的一种，它是大多数皮肤癌相关死亡的原因。黑色素瘤的早期诊断可以显著降低死亡率和治疗费用。因此，皮肤癌专家正在使用基于图像的诊断工具来早期检测黑色素瘤。我们的目标是开发一种具有低成本和高性能的手持设备，以加强在初级医疗中对黑色素瘤的早期检测。但是，由于嵌入式诊断系统所需的复杂计算，开发这种设备是非常具有挑战性的。因此，我们的目标是利用最新的硬件技术在可重构计算，以实现低成本的高性能嵌入式系统。支持向量机（Support Vector Machine，SVM）是一种常见的分类器，其在诊断系统中对黑色素瘤的分类显示出高精度，并且被认为是系统中计算最密集的任务。在本文中，我们提出了一个动态的硬件系统实现级联SVM分类器的早期黑色素瘤检测的FPGA。提出了一种多核架构来实现两级级联分类器，使用两个分类器，准确率为98%和73%。采用动态部分重构技术优化了硬件实现效果，实现了1%片的极低资源利用率和1.5W的功耗。因此，所实现的动态硬件系统满足高性能和低成本、资源利用率和功耗的重要嵌入式系统约束，同时实现高精度的高效分类。

2021-12-10cs.ARcs.CVeess.IV

DERM12345：一个包含38个子类的大型多来源皮肤镜皮肤病变数据集

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。

2024-06-11cs.CVeess.IV

用GANs生成高度逼真的皮肤病变图像

Generating Highly Realistic Images of Skin Lesions with GANs

TU Munich（慕尼黑工业大学）；Johns Hopkins University（约翰斯·霍普金斯大学）

与许多其他机器学习驱动的医学图像分析任务一样，皮肤图像分析长期缺乏标记数据和倾斜的类分布，这给训练鲁棒和良好泛化的模型带来了问题。合成皮肤病变的逼真图像的能力可以作为上述问题的缓解剂。生成对抗网络（GANs）已成功用于合成逼真的医学图像，但仅限于低分辨率，而用于皮肤病变分割或分类等具有挑战性的任务的机器学习模型则受益于更高分辨率的数据。在这项工作中，我们成功地合成了具有如此高分辨率的GANs的皮肤病变的逼真图像。因此，我们利用渐进增长的概念，我们定量和定性地比较其他GAN架构，如DCGAN和LAPGAN。我们的研究结果表明，在渐进式生长的帮助下，我们可以合成高度逼真的皮肤病变皮肤镜图像，即使是专家皮肤科医生也很难与真实皮肤区分开来。

2018-09-06cs.CVeess.IV

基于Transformer-CNN融合的深度皮肤病变分割：面向智能皮肤癌分析

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。

2025-08-20cs.CVeess.IV

SkinMamba：一种具备跨尺度全局状态建模与频率边界引导的精准皮肤病变分割架构

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。

2024-09-17cs.CVeess.IV

Mask2Lesion：面具约束的对抗性皮肤病变图像合成

Mask2Lesion: Mask-Constrained Adversarial Skin Lesion Image Synthesis

Simon Fraser University（西蒙弗雷泽大学）

皮肤病变分割是皮肤癌诊断和治疗中的一项重要任务。尽管基于深度学习的方法显著提高了分割精度，但这些算法仍然依赖于足够大的数据集才能获得足够的结果。受生成对抗网络（GANs）巨大成功的启发，我们提出了一种基于GAN的原始数据集增强，以提高分割性能。特别地，我们使用训练数据集中可用的分割掩模来训练Mask2Lesion模型，并使用该模型在给定任意掩模的情况下生成新的病变图像，然后将其用于增强原始训练数据集。我们在ISBI ISIC 2017皮肤病变分割挑战数据集上测试了Mask2Lesion增强，与仅使用经典数据增强技术训练的模型相比，平均Dice评分提高了5.17%。

2019-07-15cs.CVeess.IV

基于深度神经网络的皮肤病变分类

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。

2019-11-18cs.CVeess.IV

基于Transformer网络的尺度间依赖建模用于皮肤病变分割

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。

2023-10-20cs.CVeess.IV

基于频域和空域显著性的色素性皮肤病变分割

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。

2020-10-08cs.CVeess.IV

用于增强黑色素瘤检测的混合深度学习框架

Hybrid Deep Learning Framework for Enhanced Melanoma Detection

Northeastern University（东北大学）

本文提出融合 U-Net 分割与 EfficientNet 分类的混合深度学习框架，分别使用 HAM10000 和 ISIC 2020 训练，实现 99.01% 的黑色素瘤检测准确率。

2024-07-16cs.CVeess.IV

使用具有手工特征的传统分类器对ISIC 2018进行皮肤病变分割和分类

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。

2018-07-18cs.CVeess.IV

DONet：用于皮肤病变分割的双目标网络

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。

2020-08-19cs.CVeess.IV

用于黑色素瘤检测的深度迁移学习特征和分类模型

Bucket of deep transfer learning features and classification models for melanoma detection

恶性黑色素瘤是皮肤癌中最致命的一种，近年来，其发病率在全球范围内迅速增长。针对性治疗的最有效方法是早期诊断。深度学习算法，特别是卷积神经网络，代表了图像分析和表示的方法。它们优化了功能设计任务，这对于不同类型的图像（包括医疗图像）的自动方法至关重要。在本文中，我们采用预训练的深度卷积神经网络架构进行图像表示，旨在预测皮肤病变黑色素瘤。首先，我们采用迁移学习方法来提取图像特征。其次，我们在集成分类上下文中采用了迁移学习特征。具体来说，该框架在平衡子空间上训练各个分类器，并通过统计措施组合所提供的预测。皮肤病变图像的数据集上进行实验阶段，得到的结果表明所提出的方法相对于国家的最先进的竞争对手的有效性。

2020-09-18cs.SYeess.IVeess.SY

双重压缩注意力冷凝器：利用深度学习中的注意力机制从皮肤病变图像检测皮肤癌

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。

2024-10-18cs.CVeess.IV

皮肤癌诊断与一个包罗万象的智能手机应用程序

Skin Cancer Diagnostics with an All-Inclusive Smartphone Application

Iowa State University（爱荷华州立大学）

在不同类型的皮肤癌中，黑色素瘤被认为是最致命的，并且在晚期难以治疗。在早期阶段检测黑色素瘤可以降低死亡率。基于桌面的计算机辅助系统已被开发出来，以帮助皮肤科医生进行早期诊断。然而，人们对开发便携式家庭黑素瘤诊断系统有很大的兴趣，该系统可以评估癌性皮肤病变的风险。在这里，我们提出了一个智能手机应用程序，结合图像捕获功能与预处理和分割，以提取皮肤病变的不对称性，边界不规则性，颜色杂色和直径（ABCD）特征。使用的特征集，恶性肿瘤的分类是通过支持向量机分类器。通过在各个数据处理阶段使用自适应算法，我们的方法在区分黑色素瘤病例和良性病例时计算量小，用户友好，并且可靠。皮肤病变的图像要么用智能手机摄像头捕捉，要么从公共数据集中导入。从图像捕捉到分类的整个过程都在配备可拆卸10倍镜头的Android智能手机上运行，并在不到一秒的时间内处理图像。在200张图像的公共数据库上，使用合成少数过采样技术（SMOTE）（80%灵敏度、90%特异性、88%准确性和0.85曲线下面积（AUC））和不使用SMOTE（55%灵敏度、95%特异性、90%准确性和0.75 AUC）评价总体性能指标。所评估的性能指标和计算时间与以前的方法相当或更好。这款包罗万象的智能手机应用程序被设计为易于下载和易于最终用户导航，这对于此类医疗诊断系统的最终民主化至关重要。

2022-05-25cs.CVcs.HCeess.IV

基于GAN的皮肤病变分析数据增强和分析：评论

GAN-Based Data Augmentation and Anonymization for Skin-Lesion Analysis: A Critical Review

University of Campinas (UNICAMP)（坎皮纳斯州立大学（UNICAMP））

尽管高质量的公共数据集越来越多，但缺乏训练样本仍然是皮肤病变分析深度学习的主要挑战之一。生成对抗网络（GANs）似乎是一种诱人的替代方案，可以通过合成与真实图像无法区分的样本来缓解这个问题，大量的工作将它们用于医疗应用。然而，精心设计的基于GAN数据增强的皮肤病变诊断实验仅在分布外测试集上显示出良好的结果。对于基于GAN的数据匿名化$-$，其中合成图像替换真实图像，$-$有利的结果也仅出现在分布外测试集。由于与GAN使用相关的成本和风险，这些结果表明在将其用于医疗应用时应谨慎。

2021-04-20cs.CVeess.IV

SkinFormer：基于Transformer学习统计纹理表示用于皮肤病变分割

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。

2024-09-13cs.CVeess.IV

用于皮肤病变自动分割的级联上下文增强网络

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。

2021-06-07cs.CVeess.IV

SLSNet：使用轻量级生成对抗网络进行皮肤病变分割

SLSNet: Skin lesion segmentation using a lightweight generative adversarial network

University of Barcelona（巴塞罗那大学）；Universitat Rovira i Virgili（罗维拉-维尔吉利大学）；Khalifa University of Science and Technology（哈利法科学技术大学）；Mil-kin Inc.（Mil-kin公司）；Dhaka Medical College Hospital（达卡医学院附属医院）；University of Warwick（华威大学）；University of Toulouse（图卢兹大学）

使用自动化方法确定皮肤镜图像中的精确皮肤病变边界面临许多挑战，最重要的是，皮肤镜图像中存在毛发、不明显的病变边缘和低对比度，以及皮肤病变的颜色、纹理和形状的可变性。现有的基于深度学习的皮肤病变分割算法在计算时间和内存方面是昂贵的。因此，运行这样的分割算法需要强大的GPU和高带宽存储器，这在皮肤镜设备中是不可用的。因此，本文的目标是用最少的资源实现精确的皮肤病变分割：一个轻量级的，高效的生成对抗网络（GAN）模型称为SLSNet，它结合了一维核因子分解网络，位置和通道注意力，以及多尺度聚合机制与GAN模型。一维核分解网络降低了二维滤波的计算成本。位置和通道注意模块分别增强了空间和通道维度上的病变和非病变特征表示之间的区分能力。一个多尺度块也被用来聚集输入皮肤图像的粗到细的功能，并减少工件的影响。SLSNet基于两个公开的数据集进行评估：ISBI 2017和ISIC 2018。虽然SLSNet只有235万个参数，但实验结果表明，它实现了与最先进的皮肤病变分割方法相当的分割结果，准确率为97.61%，Dice和Jaccard相似系数分别为90.63%和81.98%。SLSNet可以在单个GTX1080Ti GPU中以每秒110帧（FPS）以上的速度运行，这比基于深度学习的图像分割模型（如FCN）更快。因此，SLSNet可用于实际皮肤镜应用。

2021-06-17cs.CVeess.IV

DSNet：自动皮肤镜皮肤病变分割

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。

2020-01-23cs.CVeess.IV

利用卷积神经网络提高色素性皮肤病变诊断准确性：在DermaMNIST数据集上的应用

Improving Diagnostic Accuracy of Pigmented Skin Lesions With CNNs: an Application on the DermaMNIST Dataset

Faculty of Electrical Engineering, University of Sarajevo, Computer Science（萨拉热窝大学电气工程学院，计算机科学）

本研究在DermaMNIST数据集上评估ResNet-50和EfficientNetV2L结合迁移学习与不同层配置的多分类性能，证明CNN可显著提升色素性皮肤病变诊断准确性。

2025-07-17cs.AIcs.CVeess.IV

iToBoS数据集：从3D全身照片中提取用于病灶检测的皮肤区域图像

The iToBoS dataset: skin region images extracted from 3D total body photographs for lesion detection

Computer Vision and Robotics Research Institute, University of Girona（赫罗纳大学计算机视觉与机器人研究所）；Hospital Clínic Barcelona, Universitat de Barcelona（巴塞罗那大学巴塞罗那临床医院）；Frazer Institute, The University of Queensland（昆士兰大学弗雷泽研究所）；University of Trieste（的里雅斯特大学）；ISAHIT；Canfield Scientific, Inc.（坎菲尔德科学公司）；HUN-REN Institute for Computer Science and Control（HUN-REN计算机科学与控制研究所）

为解决现有皮肤病灶数据集缺乏周围皮肤上下文的问题，本文提出了iToBoS数据集，包含100名参与者的16,954张3D全身摄影皮肤区域图像及边界框标注，旨在促进病灶检测算法的训练与基准测试。

2025-01-30cs.AIcs.CVeess.IV

PAD-UFES-20：由患者数据和从智能手机收集的临床图像组成的皮肤病变数据集

PAD-UFES-20: a skin lesion dataset composed of patient data and clinical images collected from smartphones

在过去的几年中，已经提出了不同的计算机辅助诊断（CAD）系统来解决皮肤病变分析。这些系统中的大多数仅适用于皮肤镜图像，因为非常缺乏可用于设计它们的公共临床图像档案。为了填补这一空白，我们发布了一个皮肤病变基准，该基准由从智能手机设备收集的临床图像和一组包含多达22个特征的患者临床数据组成。该数据集包括1，373名患者，1，641个皮肤病变和2，298个图像，用于六种不同的诊断：三种皮肤病和三种皮肤癌。总的来说，58.4%的皮肤病变是活检证实的，包括100%的皮肤癌。通过发布这个基准，我们的目标是帮助未来的研究和新工具的开发，以帮助临床医生检测皮肤癌。

2020-07-09eess.IVq-bio.QM