Exploring Advances in Transformers and CNN for Skin Lesion Diagnosis on Small Datasets
Federal University of Espirito Santo, UFES（圣埃斯皮里图联邦大学（UFES））
皮肤癌是世界上最常见的癌症之一。已经提出了不同的计算机辅助诊断系统来解决皮肤病变诊断，其中大多数基于深度卷积神经网络。然而，计算机视觉的最新进展在许多任务中取得了最先进的成果，特别是基于Transformer的网络。我们探讨和评估计算机视觉架构，训练方法和多模态特征融合的皮肤病变诊断任务的进展。实验表明，PiT（$0.800 \pm 0.006$）、CoaT（$0.780 \pm 0.024$）和ViT（$0.771 \pm 0.018$）骨干模型与元块融合在PAD-UFES-20数据集中实现了平衡准确度度量的最新结果。
2022-05-30 cs.CV
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
Convolutional Neural Networks Towards Facial Skin Lesions Detection
Tarbiat Modares University（塔比亚特莫达雷斯大学）
本研究提出一种基于卷积神经网络的模型，通过区域选择、扫描、诊断和标记四步检测面部皮肤病变，在2300张临床图像上实现0.97特异性，优于传统方法。
2024-02-13 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
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
Semi-Supervised Learning with Online Knowledge Distillation for Skin Lesion Classification
Department of Computer Science, Faculty of Science, University of Jaffna, Sri Lanka（计算机科学系，科学学院，贾夫纳大学，斯里兰卡）
本文提出一种结合集成学习与在线知识蒸馏的半监督皮肤病变分类方法，在ISIC 2018和2019数据集上超越现有最优结果，并减少标注数据需求。
2025-08-15 cs.CV cs.LG eess.IV
(De)Constructing Bias on Skin Lesion Datasets
Institute of Computing (IC)（计算学院）；School of Electrical and Computing Engineering (FEEC)（电气与计算工程学院）；RECOD Lab.（RECOD实验室）；University of Campinas (UNICAMP)（坎皮纳斯大学）
本文研究皮肤病变数据集中存在的正负偏见，发现模型在无临床信息时仍能高准确率分类，表明存在虚假相关性，而增加临床信息未提升性能，暗示真实相关性被破坏。
2019-04-18 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
Privileged Lesion-Context Relational Distillation for Mask-Free Skin Lesion Classification
Victoria University（维多利亚大学）；Bangaldesh University of Business and Technology（孟加拉国商业与技术大学）；Daffodil Institute of Information Technology（达芙妮信息技术学院）；American International University-Bangladesh (AIUB)（孟加拉国美国国际大学）；Multimedia University（多媒体大学）
研究针对无掩码皮肤病变分类问题，提出特权病变-上下文关系蒸馏框架。训练时利用病变掩码，通过多种机制训练仅图像学生。该框架能将特权病变注释转化为知识，在相关数据集上取得较好分类结果，提供实用可解释的分类方法。
2026-07-22 cs.CV
FairDisCo: Fairer AI in Dermatology via Disentanglement Contrastive Learning
University of British Columbia（不列颠哥伦比亚大学）；Simon Fraser University（西蒙弗雷泽大学）
深度学习模型在自动化皮肤病变诊断方面取得了巨大成功。然而，这些模型预测中的种族差异，其中深色皮肤类型的病变通常代表性不足，诊断准确性较低，很少受到关注。在本文中，我们提出了FairDisCo，这是一个具有对比学习的解纠缠深度学习框架，它利用一个额外的网络分支来去除敏感属性，即从表示中去除皮肤类型信息以实现公平性，并利用另一个对比分支来增强特征提取。我们将FairDisCo与三种公平性方法进行比较，即重新分配，重新加权和属性感知，在两个新发布的具有不同皮肤类型的皮肤病变数据集上：Fitzpatrick17k和多样化皮肤病学图像（DDI）。我们采用两个基于公平性的度量标准EBM和EOM用于我们的多类和敏感属性任务，突出皮肤病变分类中的皮肤类型偏见。广泛的实验评估证明了FairDisCo的有效性，在皮肤病变分类任务上具有更公平和更优越的性能。
2022-08-22 cs.CV
Debiasing Skin Lesion Datasets and Models? Not So Fast
University of Campinas (UNICAMP)（坎皮纳斯大学（UNICAMP））
数据驱动的模型现在部署在大量的现实世界的应用程序中-包括自动诊断-但是从数据中学习的模型可能会从相同的数据中学习偏见。当模型学习到在现实世界中没有发现的虚假相关性时，它们在关键任务（如医疗决策）中的部署可能是灾难性的。在这项工作中，我们解决了这个问题的皮肤病变分类模型，有两个目标：找出什么是虚假的相关性利用有偏网络，并通过删除这些虚假的相关性，从他们的模型去偏。我们对7个视觉伪影（这是网络可利用的偏见的可能来源）进行了系统的综合分析，采用了最先进的技术来防止模型学习虚假的相关性，并提出了数据集来测试模型是否存在偏见。我们发现，尽管有趣的结果，指出有前途的未来研究，目前的去偏置方法还没有准备好解决皮肤病变模型的偏见问题。
2020-04-23 cs.CV
Skin Lesion Classification Using Ensembles of Multi-Resolution EfficientNets with Meta Data
Hamburg University of Technology（汉堡工业大学）；Forschungszentrum Medizintechnik Hamburg（汉堡医疗技术研究中心）；University Medical Center Hamburg-Eppendorf（汉堡-埃彭多夫大学医学中心）
在本文中，我们描述了ISIC 2019皮肤病变分类挑战的方法。挑战来自两个任务。对于任务1，必须基于皮肤镜图像对皮肤病变进行分类。对于任务2，必须使用皮肤镜图像和其他患者元数据。提供了25000张图像的多样化数据集用于训练，其中包含来自八个类别的图像。最终的测试集包含一个额外的未知类。我们用一个简单的数据驱动的方法来解决这个具有挑战性的问题，方法是包括训练集中不存在的皮肤病变类型的外部数据。此外，多类别皮肤病变分类伴随着严重的类别不平衡的问题。我们试图通过使用损失平衡来克服这个问题。此外，数据集包含分辨率非常不同的图像。我们通过考虑不同的模型输入分辨率和不同的裁剪策略来照顾这个属性。为了整合年龄、解剖部位和性别等元数据，我们使用了一个额外的密集神经网络，并将其特征与CNN融合。我们用一个集成策略来聚合所有的模型，在这个策略中，我们搜索模型的最佳子集。我们最好的集成使用五重交叉验证实现了74.2%的平衡准确度。在官方测试集上，我们的方法在两个任务中均排名第一，任务1的平衡准确率为63.6%，任务2为63.4%。
2019-10-09 cs.CV
A Multi-task Framework for Skin Lesion Detection and Segmentation
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Indian Institute of Technology Jodhpur（焦特布尔印度理工学院）
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，手动描绘是耗时的，并且受到皮肤科医生之间的观察者内和观察者间的变化的影响。这强调了需要一个准确和自动的方法来分割皮肤病变。为了解决这个问题，我们提出了一个基于多任务卷积神经网络（CNN）的联合检测和分割框架，旨在最初定位病变，随后分割它。一个“更快的基于区域的卷积神经网络”（Faster-R CNN），其中包括一个区域建议网络（RPN），用于生成边界框/区域建议，在每个图像中的病变定位。随后使用softmax分类器和边界框回归器对所提出的区域进行细化。最后使用U-Net的修改版本“SkinNet”裁剪和分割细化的边界框。我们使用ISBI 2017挑战赛和PH 2数据集训练和评估了我们的网络性能，并使用作为挑战赛一部分发布的官方测试数据将其与最先进的网络进行了比较。在五重交叉验证实验中，我们的方法在Dice系数（$>0.93$）、Jaccard指数（$>0.88$）、准确度（$>0.96$）和灵敏度（$>0.95$）方面优于其他方法。
2018-08-05 cs.CV
The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions
Medical University of Vienna（维也纳医科大学）；University of Queensland（昆士兰大学）
用于色素性皮肤病变的自动诊断的神经网络的训练受到皮肤镜图像的可用数据集的小尺寸和缺乏多样性的阻碍。我们通过发布HAM10000（“具有10000个训练图像的人机对抗”）数据集来解决这个问题。我们收集了不同人群的皮肤镜图像，这些图像是通过不同的方式获得和存储的。鉴于这种多样性，我们必须采用不同的采集和清洁方法，并利用专门训练的神经网络开发半自动工作流程。最终的数据集由10015张皮肤镜图像组成，这些图像作为学术机器学习目的的训练集发布，并通过ISIC存档公开提供。该基准数据集可用于机器学习以及与人类专家进行比较。病例包括色素性病变领域所有重要诊断类别的代表性集合。超过50%的病变已被病理学证实，而其余病例的基础事实是随访、专家共识或体内共聚焦显微镜的确认。
2018-11-25 cs.CV
Automatic Lesion Detection System (ALDS) for Skin Cancer Classification Using SVM and Neural Classifiers
Pakistan Navy Engineering College (PNEC)（巴基斯坦海军工程学院）；National University of Sciences & Technology (NUST)（国家科技大学）；Electronics and Power Engineering (EPE)（电子与动力工程系）
如今，技术辅助平台几乎在每个领域都提供了可靠的工具。这些由计算能力支持的工具对于需要敏感和精确数据分析的应用程序非常重要。在医学领域中的一个这样的重要应用是用于皮肤癌分类的自动病变检测系统（ALDS）。计算机辅助诊断有助于医生和皮肤科医生获得第二意见，以正确分析和治疗皮肤癌。癌性痣及其周围区域的精确分割对于正确的分析和诊断至关重要。本文的重点是对改进的ALDS框架的基础上概率的方法，最初利用主动轮廓和分水岭合并掩模分割出的痣，后来SVM和神经分类器应用于分类的分割痣的发展。在病变分割之后，对所选择的特征进行分类以确定所考虑的病例是黑色素瘤还是非黑色素瘤。不同的数据集和比较分析的方法进行测试，反映了所提出的系统的有效性。
2020-03-13 cs.CV
Multimodal Skin Lesion Classification with Swin Transformer and Clinical Metadata Fusion
该研究针对皮肤病变分类的自动化挑战，提出结合Swin Transformer图像特征与临床元数据的多模态框架，在公开数据集上实现92.55%测试准确率，兼具强少数类性能与预测可信度。
2026-08-11 cs.CV cs.RO
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
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。
2025-07-17 cs.AI cs.CV eess.IV
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。
2025-01-30 cs.AI 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
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
Effective Attention-Guided Multi-Scale Medical Network for Skin Lesion Segmentation
Business University Yantai, China（烟台 business 大学）；Artificial Intelligence Ludong University Yantai, China（人工智能 岭东大学）；Engineering Shandong University of Finance（工程 山东财经大学）
本文提出一种高效的注意力引导多尺度医学网络，通过多尺度残差结构和多通道融合模块提升皮肤病变分割的准确性和鲁棒性。
2025-12-08 cs.AI cs.CV
Skin3D: Detection and Longitudinal Tracking of Pigmented Skin Lesions in 3D Total-Body Textured Meshes
Medical Image Analysis Lab, School of Computing Science（计算科学学院医学图像分析实验室）；Simon Fraser University（西蒙弗雷泽大学）
我们提出了一种自动化的方法来检测和纵向跟踪皮肤病变的三维全身皮肤表面扫描。所获取的受试者的3D网格被展开为2D纹理图像，其中经过训练的目标检测模型Faster R-CNN将病变定位在2D域内。这些检测到的皮肤病变被映射回受试者的3D表面，并且对于多次成像的受试者，我们构建了一个基于图形的匹配过程来纵向跟踪病变，该过程考虑了成对网格之间的解剖对应关系以及相应病变的测地接近度和病变间的测地距离。我们使用3DBodyTex评估了所提出的方法，3DBodyTex是一个公开的数据集，由200名人类受试者的彩色皮肤（纹理网格）的3D扫描成像组成。我们手动注释了人眼看来包含色素性皮肤病变的位置，并跟踪了在不同姿势下成像的同一受试者上发生的病变子集。与三个人类注释器相比，我们的结果表明，经过训练的Faster R-CNN检测病变的性能水平与人类注释器相似。我们的病变跟踪算法实现了88%的平均匹配准确度上的一组检测到的相应对的突出病变的主体成像在不同的姿势，平均纵向准确度为71%时，包括额外的错误，由于病变检测。由于目前还没有其他大规模的公开可用的3D全身皮肤病变数据集，我们公开发布了超过25，000个3DBodyTex手动注释，我们希望这些注释能够进一步推动全身皮肤病变分析的研究。
2022-01-12 cs.CV cs.LG
SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion Classification
University of South Florida（南佛罗里达大学）
卷积神经网络（CNN）在皮肤病变分类中取得了巨大的成功。需要平衡的数据集来训练好的模型。然而，由于在实践中不同皮肤病变的出现，严重或甚至最致命的皮肤病变类型（例如，黑色素瘤）在数据集中自然具有相当小的量。在这种情况下，分类性能的下降发生广泛，这是非常重要的CNN，工作在类不平衡的皮肤病变图像数据集。在本文中，我们提出了SuperCon，一个两阶段的训练策略，以克服类不平衡的皮肤病变分类问题。它包含两个阶段：（i）表示训练，其试图学习在类内紧密对齐并且远离类间的特征表示，以及（ii）分类器微调，其旨在学习基于所学习的表示正确预测标签的分类器。在实验评估中，我们的方法和其他现有的皮肤病变基准数据集的方法进行了广泛的比较。结果表明，我们的两阶段训练策略有效地解决了类不平衡分类问题，并显着提高了现有的作品在F1得分和AUC得分，从而导致国家的最先进的性能。
2022-02-11 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
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
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
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
A Multi-Task Deep Learning Framework for Skin Lesion Classification, ABCDE Feature Quantification, and Evolution Simulation
Department of Chemistry, University of Cambridge, Cambridge, United Kingdom（剑桥大学化学系，剑桥，英国）；Harvard Ophthalmology AI Lab, Harvard Medical School, Boston, MA, USA（哈佛医学院眼科人工智能实验室，哈佛医学院，波士顿，马萨诸塞州，美国）
提出一个多任务深度学习框架，用于皮肤病变分类、ABCDE特征量化及演化模拟，在HAM10000上实现约89%准确率和0.96的黑色素瘤AUC，辅助医生将ML诊断与临床标准关联。
2025-10-16 cs.CV cs.LG
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
Skin Lesion Phenotyping via Nested Multi-modal Contrastive Learning
National Technical University of Athens（雅典国立技术大学）；Universitas Mercatorum（墨卡托姆大学）
SLIMP通过嵌套多模态对比学习，结合图像与元数据提升皮肤病变分类性能。
2026-01-22 cs.AI cs.CV cs.LG
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
Out-of-Distribution Detection for Long-tailed and Fine-grained Skin Lesion Images
Monash University（莫纳什大学）；Kahu AI（Kahu人工智能公司）；Monash Airdoc Research（莫纳什Airdoc研究院）
近年来，用于皮肤病变诊断和分类的自动化方法发展迅速。由于这种系统在诊所中的部署越来越多，因此开发针对各种分布外（OOD）样本（未知皮肤病变和状况）的更鲁棒的系统变得重要。然而，当前针对皮肤病变分类训练的深度学习模型倾向于将这些OOD样本错误地分类到它们学习的皮肤病变类别之一中。为了解决这个问题，我们提出了一个简单而战略性的方法，提高了OOD检测性能，同时保持了已知类别的皮肤病变的多类分类精度。具体来说，这种方法是建立在一个现实的情况下，长尾和细粒度的OOD检测任务的皮肤病变图像。通过这种方法，1）首先，我们针对中间类和尾类之间的混淆来解决长尾问题。2)稍后，我们将上述混合策略与原型学习相结合，以解决数据集的细粒度性质。本文的独特贡献是双重的，证明了广泛的实验。首先，我们提出了一个现实的问题设置面向对象的皮肤病变的任务。其次，我们提出了一种方法，同时针对长尾和细粒度方面的问题设置，以提高OOD性能。
2022-06-30 cs.AI cs.CV cs.LG
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
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
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
Automatic Skin Lesion Segmentation using Semi-supervised Learning Technique
VIT University（VIT大学）；SSN College of Engineering（SSN工程学院）
皮肤癌是所有癌症中最常见的，每年有数百万皮肤癌病例得到治疗。治疗和治愈皮肤癌是很容易的，如果它是在早期诊断和治疗。在这项工作中，我们提出了一种自动技术，皮肤镜图像中的皮肤病变分割，这有助于皮肤癌类型的分类。该方法包括两个主要阶段（1）预处理和（2）分割使用半监督学习算法。在预处理阶段，利用滤波技术去除噪声，在分割阶段，基于聚类技术分割皮肤病变。采用K均值聚类算法对预处理后的图像进行聚类，并根据颜色特征对聚类后的图像进行病灶过滤。使用RGB颜色空间中的直方图计算从训练图像学习皮肤病变的颜色。训练图像从ISIC 2017挑战网站下载，并使用验证和测试集评估实验结果。
2017-03-13 cs.CV
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
A Detection and Segmentation Architecture for Skin Lesion Segmentation on Dermoscopy Images
Meitu, Inc.（美图公司）
本报告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。我们提出了一个两阶段的病变分割方法与优化的训练方法和集成后处理。我们的方法在病变分割方面达到了最先进的性能，并在ISIC 2018 task 1中获得第一名。
2018-09-30 cs.CV
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
Skin Lesion Classification using Class Activation Map
Shenzhen University（深圳大学）
我们提出了一个两阶段的框架，只有一个网络来分析皮肤病变图像，我们首先训练一个卷积网络来分类这些图像，并裁剪网络具有最大激活值的导入区域。在第二阶段，我们用从第一阶段提取的图像区域重新训练这个CNN，并输出最终的概率。两阶段框架在ISIC-2017皮肤病变验证集中实现了0.857的平均AUC，比原始输入的0.821高0.04。
2017-03-03 cs.CV
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。
2020-10-09 cs.CV cs.LG eess.IV
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
LesionTABE: Equitable AI for Skin Lesion Detection
UCL Department of Computer Science（伦敦大学学院计算机科学系）；DermieAI
LesionTABE通过结合对抗性去偏见和皮肤病基础模型嵌入，提升了皮肤病变检测的公平性和诊断准确性。
2026-01-06 cs.CV
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
