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
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
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
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
Residual Network based Aggregation Model for Skin Lesion Classification
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Northwestern Polytechnical University（西北工业大学）
我们认识到皮肤病变诊断是图像分类中的一个重要且具有挑战性的子任务，Fisher矢量（FV）编码算法和深度卷积神经网络（DCNN）是其中最成功的两种技术。由于FV和DCNN的联合使用已被证明是成功的，因此联合技术也可以对皮肤病变诊断具有区分能力。针对这一假设，本文提出了一种皮肤病变诊断的聚集算法，该算法利用残差网络提取局部特征，并利用Fisher向量方法将局部特征聚集到图像级表示。我们将我们的算法应用于2018年国际皮肤成像合作（ISIC 2018）挑战，只关注第三个任务，即，疾病分类。
2018-07-24 cs.CV
A Dense CNN approach for skin lesion classification
CNR-ISASI（意大利国家研究委员会应用科学与智能系统研究所）；University of Salento（萨兰托大学）
本文提出了一种基于DenseNet架构的Deep CNN，结合高度区分的学习方法，对七种皮肤病变进行分类：黑色素瘤、黑色素细胞痣、基底细胞癌、光化性角化病/ Bowen病、良性角化病、皮肤纤维瘤、血管病变。特别是在IMAGENET数据集上预训练的61层DenseNet，已经在ISIC 2018任务3挑战数据集上进行了微调，利用中心损失函数。
2018-07-26 cs.CV
Out-of-Distribution Detection for Skin Lesion Images with Deep Isolation Forest
McGill University（麦吉尔大学）；Universite de Montrea（蒙特利尔大学）；ETS Montreal（蒙特利尔高等工程学院）
本文研究了皮肤病图像中的分布外检测问题。公开可用的医学数据集通常具有有限数量的病变类别（例如，HAM 10000具有8个病变类别）。然而，存在几千种临床确定的疾病。因此，重要的是是否可以区分不在训练数据中的病变。为了实现这一目标，我们提出了DeepIF，这是一种基于非参数隔离森林的方法，结合了深度卷积网络。我们进行了全面的实验，将我们的DeepIF与三个基线模型进行比较。结果表明，我们提出的方法检测异常皮肤病变的任务的最先进的性能。
2020-03-20 cs.CV
Enhancing Skin Lesion Classification Generalization with Active Domain Adaptation
Carnegie Mellon University（卡内基梅隆大学）
本文提出结合自监督学习与主动域适应的皮肤病变分类方法，通过自然图像预训练、皮肤数据再训练、源域微调及目标域ADA选择，在10个数据集和5种ADA方法上验证了跨域泛化提升效果。
2025-02-18 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
A Mutual Bootstrapping Model for Automated Skin Lesion Segmentation and Classification
Northwestern Polytechnical University（西北工业大学）；University of Adelaide（阿德莱德大学）
皮肤病变的自动分割和分类是皮肤癌计算机辅助诊断中两个最基本、最相关的任务。尽管深度学习模型很流行，但它们通常只针对一项任务设计，忽略了联合执行两项任务的潜在好处。在本文中，我们提出了相互引导的深度卷积神经网络（MB-DCNN）模型，同时皮肤病变分割和分类。该模型由粗分割网络（粗SN），掩模引导分类网络（mask-CN）和增强分割网络（增强SN）组成。一方面，粗SN生成粗病变掩模，其为掩模CN提供先验自举以帮助其准确地定位和分类皮肤病变。另一方面，由mask-CN产生的病变定位图然后被馈送到增强的SN，旨在将mask-CN学习的定位信息传递到增强的SN以进行准确的病变分割。以这种方式，分割和分类网络彼此之间相互传递知识，并以自举的方式相互促进。同时，我们还设计了一种新的秩损失，并将其与分割网络中的Dice损失联合使用，以解决类别不平衡和难易像素不平衡引起的问题。我们在ISIC-2017和PH 2数据集上评估了所提出的MB-DCNN模型，并在皮肤病变分割中实现了80.4%和89.4%的Jaccard指数，在皮肤病变分类中实现了93.8%和97.7%的平均AUC，这优于代表性的最先进的皮肤病变分割和分类方法的性能。我们的研究结果表明，通过训练一个统一的模型，以相互引导的方式执行这两项任务，可以同时提高皮肤病变分割和分类的性能。
2020-02-12 cs.CV
A Novel Multi-task Deep Learning Model for Skin Lesion Segmentation and Classification
Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）；National Skin Center, National Healthcare Group（国立皮肤中心，国立保健集团）
在这项研究中，提出了一个多任务的深度神经网络的皮肤病变分析。所提出的多任务学习模型解决不同的任务（例如，病变分割和两个独立的二进制病变分类）。与单独训练各个模型相比，这会提高任务特定模型的学习效率和潜在预测准确性。所提出的多任务深度学习模型在来自国际皮肤成像协作组织（ISIC）2017挑战赛-皮肤病变分析对黑色素瘤检测的皮肤镜图像集上进行训练和评估，该挑战赛由2000个训练样本和150个评估样本组成。实验结果表明，提出的多任务深度学习模型在皮肤病变分割和分类方面取得了良好的效果。用于病变分割的Jaccard指数的平均值为0.724，而两个单独病变分类的受试者工作特征曲线下面积（AUC）的平均值分别为0.880和0.972。
2017-03-03 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
Automatic segmentation of skin lesions using deep learning
Indian Institute of Technology, Kharagpur（印度理工学院卡哈拉格普尔分校）；Nanyang Technological University（南洋理工大学）
本文总结了我们提交给2018年举行的国际皮肤成像协作组（ISIC）皮肤病变分析对黑色素瘤检测挑战的任务1中使用的方法。我们使用了一种全自动的方法来准确地分割皮肤镜图像中的病变边界。U-net深度学习网络是根据国际标准工业分类的公开数据训练的。我们介绍了使用强度，颜色和纹理增强操作作为预处理步骤和形态操作和轮廓识别作为后处理步骤。
2018-07-13 cs.CV
Incorporating the Knowledge of Dermatologists to Convolutional Neural Networks for the Diagnosis of Skin Lesions
Universidad Carlos III de Madrid（卡洛斯三世大学）
本报告描述了我们提交的ISIC 2017皮肤病变分析黑色素瘤检测挑战。我们参与了第3部分：病变分类，并使用自动诊断系统对痣、黑色素瘤和脂溢性角化病进行了诊断。我们的方法旨在将皮肤科医生的专业知识融入到众所周知的卷积神经网络（CNN）框架中，该框架在许多视觉识别任务中表现出令人印象深刻的性能。特别是，我们设计了几个网络提供病变区域识别，病变分割成结构模式和临床病例的最终诊断。此外，已经设计了用于CNN的新块，以将这些信息与诊断处理管道集成。
2017-06-02 cs.CV
WonDerM: Skin Lesion Classification with Fine-tuned Neural Networks
Samsung Advanced Institute of Health Sciences and Technology（三星健康科学与技术高级研究院）；Sungkyunkwan University（成均馆大学）；Samsung Medical Center（三星医疗中心）
由于皮肤癌是全球最常见的癌症之一，因此基于皮肤镜的准确、非侵入性诊断变得至关重要且有希望。MICCAI 2018的ISIC皮肤图像分析挑战赛第3部分的任务是预测皮肤病变图像的七种疾病类别，包括黑色素瘤（MEL），黑色素细胞痣（NV），基底细胞癌（BCC），光化性角化病/ Bowen病（上皮内癌）（AKIEC），良性角化病（日光性雀斑样痣/脂溢性角化病/扁平苔藓样角化病）（BKL）、皮肤纤维瘤（DF）和血管病变（VASC）。在这项工作中，我们设计了WonDerM管道，对预处理后的皮肤病变图像进行重新采样，构建与分割任务数据（第1部分）微调的神经网络架构，并使用集成方法对七种皮肤疾病进行分类。我们的模型在验证集和测试集中分别达到了0.899和0.785的准确度。
2019-05-10 cs.CV
Skin Lesion Analysis Towards Melanoma Detection Using Deep Learning Network
Computer Vision Institute, College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院计算机视觉研究所）
皮肤病是一种世界性的严重疾病。皮肤镜图像中黑色素瘤的早期检测显著提高了生存率。然而，黑色素瘤的准确识别是非常具有挑战性的，由于以下原因，例如，低对比度之间的病变和皮肤，黑色素瘤和非黑色素瘤病变之间的视觉相似性等，因此，可靠的皮肤肿瘤的自动检测是非常有用的，以提高准确性和效率的病理学家。国际皮肤成像协作组织（ISIC）是一个致力于皮肤病变自动分析的挑战。在本文中，我们提出了两种深度学习方法来解决ISIC 2017中宣布的所有三个任务，即病变分割（任务1），病变皮肤镜特征提取（任务2）和病变分类（任务3）。提出了由两个全卷积残差网络（FCRN）组成的深度学习框架，以同时产生分割结果和粗分类结果。病变指数计算单元（LICU）被开发用于通过计算距离热图来细化粗分类结果。提出了一种直接的CNN用于皮肤镜特征提取任务。据我们所知，我们不知道以前曾为这项任务提出过任何工作。拟议的深度学习框架在ISIC 2017测试集上进行了评估。实验结果表明，我们的框架，即0.718的任务1，0.833的任务2和0.823的任务3实现了有希望的准确率。
2017-11-22 cs.CV
Skin lesion classification with ensemble of squeeze-and-excitation networks and semi-supervised learning
Hosei University（法政大学）
在本报告中，我们介绍了我们的系统在任务3：ISIC 2018疾病分类：皮肤病变分析对黑色素瘤检测的概述。我们微调多个预训练的神经网络模型的基础上挤压和激励网络（SENet），在图像识别领域取得了最先进的成果。此外，我们使用平均教师作为半监督学习框架，并引入了一些专门设计的数据增强策略用于皮肤病变分析。我们证实了我们的数据增强策略提高了分类性能，并在官方ISIC 2018验证数据集上展示了87.2%的平衡准确率。
2018-09-07 cs.CV
Deep neural network ensemble by data augmentation and bagging for skin lesion classification
Indian Institute of Technology, Varanasi（瓦拉纳西印度理工学院）；Nanyang Technological University（南洋理工大学）
这项工作总结了我们提交的任务3：ISIC 2018年皮肤病变分析对黑色素瘤检测的疾病分类挑战。我们使用了一种新的深度神经网络（DNN）集成架构，该架构可以通过使用数据增强和装袋来有效地对皮肤病变进行分类，以解决数据不足的问题并防止过度拟合。集成由两个DNN架构组成：Inception-v4和Inception-Resnet-v2。DNN架构通过使用$1\times1$卷积在元学习层中进行融合而组合成系综。
2018-07-24 cs.CV
Assessing the Generalizability of Deep Neural Networks-Based Models for Black Skin Lesions
Recod.ai Lab, Institute of Computing, University of Campinas, Brazil（Recod.ai实验室，计算学院，坎皮纳斯大学，巴西）
本文评估了深度神经网络在黑色人群皮肤病变图像上的表现，发现现有模型在黑色皮肤上泛化能力差，需开发专用模型以提升诊断效果。
2024-01-26 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
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
A Multi-Level Deep Ensemble Model for Skin Lesion Classification in Dermoscopy Images
National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology（空天地海一体化大数据应用技术国家工程实验室）；School of Computer Science and Engineering, Northwestern Polytechnical University（西北工业大学计算机学院）
提出了一种用于皮肤镜图像中皮肤病变分类的多级深度集成（MLDE）模型，该模型可以以“端到端”的方式进行训练。在该模型中，使用四个预先训练的ResNet-50网络来表征皮肤病变的多尺度信息，并通过使用可以在误差反向传播期间学习的自适应加权方案来组合。在ISIC-skin 2018官方验证数据集上，拟议的MLDE模型实现了86.5%的平均AUC值，这大大高于四个ResNet-50网络中每个网络实现的平均AUC值。
2018-07-23 cs.CV
SkiNet: A Deep Learning Solution for Skin Lesion Diagnosis with Uncertainty Estimation and Explainability
Shiv Nadar University（希夫·纳达尔大学）
皮肤癌被认为是人类最常见的恶性肿瘤。在美国，每年约有500万新的皮肤癌病例。皮肤病变的早期识别和评估具有重要的临床意义，但在大多数发展中国家，不成比例的皮肤科医生-患者比例构成了重大问题。因此，提出了一种基于深度学习的架构，称为SkiNet，其目标是在临床诊断过程中为新培训的医生提供更快的筛选解决方案和帮助。Skinet的设计和开发背后的主要动机是提供一个白盒解决方案，解决信任和可解释性的关键问题，这对于医疗从业者更广泛地采用计算机辅助诊断系统至关重要。SkiNet是一个两阶段流水线，其中病变分割之后是病变分类。在我们的SkiNet方法中，蒙特卡洛丢弃和测试时间增强技术被用来估计认知和任意不确定性，而基于显着性的方法被用来提供深度学习模型的事后解释。公开可用的数据集ISIC-2018用于执行实验和消融研究。结果建立了传统的基准模型的鲁棒性，同时解决了这种模型的黑盒子性质，以减轻医疗从业者的怀疑，将透明度和信心的模型的预测。
2020-12-30 cs.CV
Multi-class Skin Cancer Classification Architecture Based on Deep Convolutional Neural Network
Kennesaw State University（肯尼索州立大学）；University of Calabria（卡拉布里亚大学）
皮肤癌检测具有挑战性，因为不同类型的皮肤病变具有高度相似性。本文提出了一种基于计算机的深度学习方法，可以准确识别不同类型的皮肤病变。深度学习方法可以非常准确地检测皮肤癌，因为模型可以学习图像的每个像素。有时人类会被皮肤病变的相似性所迷惑，我们可以通过机器来最大限度地减少这种相似性。然而，并非所有的深度学习方法都能给出更好的预测。一些深度学习模型存在局限性，导致模型产生假阳性结果。我们引入了几种深度学习模型来对皮肤病变进行分类，以区分皮肤癌和不同类型的皮肤病变。在皮肤病变分类之前，使用数据预处理和数据增强方法。最后，将卷积神经网络（CNN）模型和六个迁移学习模型（如Resnet-50，VGG-16，Densenet，Mobilenet，Inceptionv 3和Xception）应用于可公开获得的基准HAM 10000数据集，对七类皮肤病变进行分类并进行比较分析。这些模型将通过区分癌细胞和非癌细胞来检测皮肤癌。模型的性能是使用性能指标来衡量的，如精确度，召回率，f1得分和准确度。对于inceptionv 3、Xception、Densenet、Mobilenet、Resnet、CNN和VGG 16，我们分别获得了90%、88%、88%、87%、82%和77%的准确率。此外，我们开发了五种不同的堆叠模型，如inceptionv 3-inceptionv 3，Densenet-mobil…
2023-03-13 cs.CV
Leveraging Adaptive Color Augmentation in Convolutional Neural Networks for Deep Skin Lesion Segmentation
Escola Politècnica Superior, Universitat de Girona（赫罗纳大学高等理工学院）
皮肤镜图像中皮肤病变的全自动检测可以促进恶性黑色素瘤和非黑色素瘤皮肤癌的早期诊断和抑制。尽管卷积神经网络是一种强大的解决方案，但它们受到带注释的皮肤镜筛查图像的照明光谱的限制，其中颜色是一个重要的区分特征。在本文中，我们提出了一个自适应的颜色增强技术，以放大数据的表达和模型的性能，同时调整色差和饱和度，以尽量减少使用合成数据的风险。通过深度可视化，我们定性地识别和验证了网络学习到的用于区分皮肤病变和正常皮肤组织的语义结构特征。整个系统在ISIC 2018分割测试集上实现了0.891的骰子比，灵敏度为0.943，特异性为0.932。
2020-10-31 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
Skin Lesion Classification Using Hybrid Deep Neural Networks
Medical University of Vienna（维也纳医科大学）；TissueGnostics GmbH（TissueGnostics有限公司）；Loughborough University（拉夫堡大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
皮肤癌是癌症的主要类型之一，在过去几十年中发病率不断增加。准确诊断皮肤病变以区分良性和恶性皮肤病变对于确保适当的患者治疗至关重要。虽然有许多用于皮肤病变分类的计算机化方法，但卷积神经网络（CNN）已被证明优于经典方法。在这项工作中，我们提出了一种用于皮肤病变分类的全自动计算机化方法，该方法采用来自许多成熟的CNN和不同抽象级别的优化深度特征。我们使用三个预训练的深度模型，即AlexNet，VGG 16和ResNet-18作为深度特征生成器。然后，提取的特征用于训练支持向量机分类器。在最后阶段，融合分类器输出以获得分类。在ISIC 2017分类挑战的150个验证图像上进行评估，所提出的方法显示出非常好的分类性能，黑色素瘤分类的受试者工作特征曲线下面积为83.83%，脂溢性角化病分类的受试者工作特征曲线下面积为97.55%。
2019-04-25 cs.CV
Random Forests and VGG-NET: An Algorithm for the ISIC 2017 Skin Lesion Classification Challenge
University of Science and Technology of China（中国科学技术大学）
本文简要介绍了为ISIC 2017皮肤病变分类竞赛开发的算法。在这项任务中，参与者被要求完成两个独立的二进制图像分类任务，涉及三个独特的诊断皮肤病变（黑色素瘤，痣，和脂溢性角化病）。在第一个二元分类任务中，要求参与者区分（a）黑色素瘤和（b）痣和脂溢性角化病。在第二个二元分类任务中，要求参与者区分（a）脂溢性角化病和（b）痣和黑色素瘤。比赛的其他阶段不予考虑。我们提出的算法包括三个步骤：预处理，使用VGG-NET和随机森林分类，并计算最终得分。
2017-03-15 cs.CV
Implementation of a Skin Lesion Detection System for Managing Children with Atopic Dermatitis Based on Ensemble Learning
Catholic University of Daegu（大邱天主教大学）
本研究提出基于集成学习的皮肤病变检测系统，通过整合多种深度学习模型提高诊断准确性，并在实际临床环境中验证其快速响应能力。
2025-11-28 cs.CV
Illumination-based Transformations Improve Skin Lesion Segmentation in Dermoscopic Images
Simon Fraser University（西蒙弗雷泽大学）
皮肤病变的语义分割是皮肤镜图像计算机辅助诊断中一项重要而常见的初始任务。尽管基于深度学习的方法已经大大提高了分割准确性，但通过解决主要挑战（例如病变形状、大小、颜色和对比度水平的变化），仍有改进的空间。在这项工作中，我们提出了第一个深度语义分割框架皮肤镜图像，它结合了，随着原始RGB图像，信息提取使用的物理皮肤照明和成像。特别是，我们将信息从特定的色带，照明不变的灰度图像，和阴影衰减的图像。我们在三个数据集上评估了我们的方法：ISBI ISIC 2017皮肤病变分割挑战数据集，DermoFit图像库和PH2数据集，并观察到平均Jaccard指数分别比仅用RGB图像训练的基线模型提高了12.02%，4.30%和8.86%。
2020-03-23 cs.CV
Lesion Elevation Prediction from Skin Images Improves Diagnosis
School of Computing Science, Simon Fraser University（西蒙菲莎大学计算科学学院）
本文提出从二维皮肤图像预测皮损隆起度标签，并将其作为辅助特征输入诊断模型，在多个数据集上验证其跨域泛化能力，显著提升皮肤镜与临床图像的分类 AUROC。
2024-08-05 cs.CV
Deep-Learning Ensembles for Skin-Lesion Segmentation, Analysis, Classification: RECOD Titans at ISIC Challenge 2018
University of Campinas (UNICAMP)（坎皮纳斯大学）
本扩展摘要描述了RECOD Titans参与ISIC挑战赛2018“皮肤病变分析对黑色素瘤检测”（MICCAI 2018）的第1至3部分。尽管我们的团队在黑色素瘤分类方面有着长期的经验，在病变分割方面有着中等的经验，但2018年ISIC挑战赛是我们第一次从事病变属性检测。对于每个任务，我们提交了3种不同的集成方法，不同的模型和数据集组合。我们在官方测试集上的最佳结果，关于每个任务的官方度量，分别是：0.728（分割），0.344（属性检测）和0.803（分类）。这些提案分别排在第56、第14和第9位。
2018-08-25 cs.CV
Comparative Analysis of Automatic Skin Lesion Segmentation with Two Different Implementations
从周围皮肤中分割病变是开发皮肤癌自动计算机辅助诊断的首要任务。病变的不同特征，如颜色分布不均匀，形状不规则，边界和纹理使这项任务具有挑战性。本文的贡献是提出和比较两种不同的方法来分割皮肤病变。第一种方法使用分水岭，而第二种方法使用均值漂移。在两种方法中进行预处理步骤以去除显微图像的毛发和暗边界。使用Jaccard指数（Intersection over Union或IoU）对所提出的方法进行评估。本文的一个额外的贡献是目前的管道进行预处理和分割应用现有的分割和形态学算法，导致有前途的结果。平均而言，第一种方法表现出比第二种方法更好的性能，200张ISIC-2017挑战图像的平均Jaccard指数分别为89.16%和76.94%。
2019-04-05 cs.CV
Skin Lesion Segmentation: U-Nets versus Clustering
University of Waterloo（滑铁卢大学）
许多自动皮肤病变诊断系统使用分割作为诊断皮肤状况的预处理步骤，因为皮肤病变形状、边界不规则性和大小可以影响恶性肿瘤的可能性。本文介绍，检查和比较两种不同的方法来分割皮肤病变。第一种方法使用U-Nets并引入基于直方图均衡的预处理步骤。第二种方法是基于C-Means聚类的方法，实现起来更简单，执行起来更快。皮肤科医生的算法输出和手部分割图像之间的Jaccard指数被用来评估所提出的算法。虽然许多最近提出的用于分割皮肤病变的深度神经网络需要大量的计算能力用于训练（即，计算机与GPU），本文的主要目的是目前的方法，可以使用只有一个CPU。例如，这严重限制了可以呈现给U-Net的训练实例的数量。比较这两种算法，U-Nets实现了显着更高的Jaccard指数相比，聚类方法。此外，使用直方图均衡化的预处理步骤显着改善了U-Net分割结果。
2017-09-27 cs.CV
A Multi-stage Framework with Context Information Fusion Structure for Skin Lesion Segmentation
Southern Medical University（南方医科大学）；Shanghai United Imaging Healthcare Co. Ltd.（上海联影医疗科技有限公司）
计算机辅助诊断（CAD）系统可以大大提高黑色素瘤识别的可靠性和效率。皮肤病变分割是CAD的关键步骤，由于病变形态的多变性和伪影的存在，现有方法的分割精度不高。在这项工作中，我们提出了一个框架，采用多阶段UNet（MS-UNet）的自动上下文计划分割皮肤病变准确端到端。我们采用两种方法来提高MS-UNet的性能。首先，UNet与上下文信息融合结构（CIFS）相结合，在多尺度特征空间中集成低级别和上下文信息。其次，为了缓解梯度消失问题，我们通过最小化加权Jaccard距离损失函数来监督MS-UNet，从而使用深度监督机制。五个常用的性能指标中有四个，包括Jaccard指数和Dice系数，表明我们的方法在ISBI 2016 Skin Lesion Challenge数据集上的性能优于最先进的基于深度学习的方法。
2018-10-16 cs.CV
Denoising Adversarial Autoencoders: Classifying Skin Lesions Using Limited Labelled Training Data
我们提出了一种新的深度学习模型，用于在有大量未标记的医学数据可用但标记数据供应有限的情况下对医学图像进行分类。我们考虑将皮肤病变分类为恶性或良性的具体情况。在这种情况下，所提出的方法-半监督，去噪对抗自动编码器-能够利用大量未标记的数据来学习皮肤病变的表示，以及少量标记的数据来基于学习的表示分配类别标签。我们分析了模型的对抗和去噪组件的贡献，并发现在有限的标记训练数据的设置中，组合产生优越的分类性能。
2018-01-02 cs.CV
Improving Automatic Skin Lesion Segmentation using Adversarial Learning based Data Augmentation
the University of Sydney（悉尼大学）；Shanghai Jiao Tong University（上海交通大学）
皮肤病变的分割被认为是计算机辅助诊断（CAD）中的一个重要步骤，用于自动黑色素瘤诊断。近年来，基于全卷积网络（FCN）的分割方法在一般图像中取得了很大的成功。这一成功主要是由于利用大型标记数据集来学习与图像的浅层外观以及深层语义相对应的特征。然而，对大数据集的依赖并不能很好地转化为医学图像。为了提高FCN在皮肤病变分割方面的性能，研究人员尝试使用特定的成本函数或添加后处理算法来细化FCN结果的粗略边界。然而，这些方法的性能在很大程度上依赖于许多参数和后处理技术的调整。在本文中，我们利用生成对抗网络（GAN）的最先进的图像特征学习方法，通过使用深度神经网络和对抗学习概念来产生一致和逼真的图像特征。我们对GAN进行了改进，使得可以以受控的方式在不同的复杂程度上学习皮肤病变特征。我们的方法的输出，然后增加到现有的FCN训练数据，从而增加了整体功能的多样性。我们在ISIC 2018皮肤病变分割挑战数据集上评估了我们的方法，并表明与现有的皮肤病变分割方法相比，它更准确，更强大。
2018-07-31 cs.CV
CIRCLe: Color Invariant Representation Learning for Unbiased Classification of Skin Lesions
Simon Fraser University（西蒙弗雷泽大学）
虽然基于深度学习的方法在皮肤病诊断任务中表现出专家级的性能，但它们也被证明对某些人口统计属性，特别是皮肤类型（例如，光明与黑暗），这是一个必须解决的公平问题。我们提出了CIRCLe，一种肤色不变的深度表示学习方法，用于提高皮肤病变分类的公平性。CIRCLe被训练为通过利用正则化损失来对图像进行分类，该正则化损失鼓励具有相同诊断但不同皮肤类型的图像具有相似的潜在表示。通过广泛的评估和消融研究，我们证明了CIRCLe在跨越6种Fitzpatrick皮肤类型和114种疾病的16k+图像上进行评估时的卓越性能，使用分类准确性，平等机会差异（对于亮与暗组）和归一化准确性范围，我们提出了一种新的衡量标准来评估多个皮肤类型组的公平性。
2022-08-29 cs.CV
Improved skin lesion recognition by a Self-Supervised Curricular Deep Learning approach
Escuela Politécnica Superior, Universidad Autónoma de Madrid（马德里自治大学高等理工学院）
用于皮肤病变识别的最先进的深度学习方法通常需要在更大和更多样化的数据集上进行预训练，以克服由皮肤病变成像数据集的减小尺寸所产生的泛化限制。ImageNet通常用作预训练数据集，但其传输潜力受到源数据集和目标皮肤镜场景之间的域差距的阻碍。在这项工作中，我们介绍了一种新的预训练方法，顺序训练一系列的自监督学习借口任务，只需要未标记的皮肤病变成像数据。我们提出了一个简单的方法来建立一个定义借口任务课程的排序。对于多类皮肤病变分类问题和ISIC-2019数据集，我们提供的实验证据表明：i）通过借口任务课程预训练的模型优于通过单个借口任务预训练的模型，ii）通过最佳借口任务课程预训练的模型优于在ImageNet上预训练的模型。我们证明，这种性能增益与这样一个事实有关，即借口任务的课程更好地将最终模型的注意力集中在皮肤病变上。除了性能提高之外，这种策略还可以大大减少ImageNet预训练的训练时间，这对于针对特定问题定制的网络架构特别有利。
2021-12-22 cs.CV
Controllable Skin Synthesis via Lesion-Focused Vector Autoregression Model
School of Translational Medicine, Faculty of Medicine, Nursing and Health Sciences, Monash University（转化医学学院，医学、护理与健康科学学院，墨尔本大学）；Melbourne Sexual Health Centre, Alfred Health（墨尔本性健康中心，阿尔弗雷德健康中心）；AIM for Health Lab, Monash University（健康促进实验室，墨尔本大学）；Faculty of IT, Monash University（信息技术学院，墨尔本大学）；Faculty of Engineering, Monash University（工程学院，墨尔本大学）；Faculty of Infectious and Tropical Diseases, London School of Hygiene and Tropical Medicine（传染病与热带医学学院，伦敦热带医学学院）
本文提出 LF-VAR 模型，通过病灶测量评分与类型标签引导，结合多尺度 VQVAE 和 VAR Transformer，实现基于语言提示的可控高保真皮肤图像合成，FID 平均达 0.74，较 SOTA 提升 6.3%。
2025-08-27 cs.CV
Using Deep Learning Method for Classification: A Proposed Algorithm for the ISIC 2017 Skin Lesion Classification Challenge
Peking University（北京大学）
皮肤癌是人类最常见的恶性肿瘤，主要由医生进行视觉诊断[1]。使用像CNN [2，3]这样的自动化方法进行分类显示出挑战性任务的潜力[1]。到目前为止，深度卷积神经网络与人类皮肤科医生[1]不相上下。本摘要致力于为[6]举办的ISIC [5] 2017皮肤病变检测竞赛开发一种深度学习方法，对皮肤病图片进行分类，旨在提高诊断准确率和人类健康的总体水平。该挑战分为三个子挑战，包括病变分割、病变皮肤镜特征提取和病变分类。本项目仅参与病变分类部分。该算法由三个步骤组成：（1）原始图像预处理，（2）在Caffe [4]框架中使用CNN [2，3]对处理后的图像进行建模，（3）预测测试图像并计算代表相应分类可能性的分数。这些模型是使用Caffe [4]框架在源图像上构建的。在预测步骤中，通过两种不同的模型从源图像获得分数。
2017-03-10 cs.CV
GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis
University of California, San Diego（加州大学圣地亚哥分校）
本文提出GS-TransUNet，将二维高斯泼溅与Transformer UNet结合，统一皮肤病变分类与分割，在ISIC-2017和PH2数据集上经5折交叉验证取得优于现有模型的性能，为多任务医学图像分析设立新基准。
2025-07-21 cs.CV
Transfer Learning for Melanoma Detection: Participation in ISIC 2017 Skin Lesion Classification Challenge
Mayo Clinic（梅奥诊所）
本手稿描述了我们参加国际皮肤成像合作组织2017年皮肤病变分析黑色素瘤检测竞赛的情况。我们参加了第3部分：病变分类。该二元图像分类挑战的两个既定目标是区分（a）黑素瘤和（b）痣和脂溢性角化病，然后区分（a）脂溢性角化病和（b）痣和黑素瘤。我们选择了一种带有迁移学习策略的深度神经网络方法，使用预先训练的Inception V3网络作为特征提取器，为多层感知器提供输入，并对增强的Inception网络进行微调。该方法在第二个任务上产生0.84的验证集AUC，在第一个任务上产生0.76的验证集AUC，平均AUC为0.80。不幸的是，我们很晚才加入竞争，我们期待着在这些结果的基础上有所改进。
2017-03-15 cs.CV
Less is More: Sample Selection and Label Conditioning Improve Skin Lesion Segmentation
University of Campinas (UNICAMP)（坎皮纳斯大学）
分割皮肤病变图像对于其本身和辅助病变分类都是相关的，但是在获得注释数据方面受到挑战。在这项工作中，我们表明，通过选择具有最佳注释者间一致性的训练样本，并调节地面真实掩模以去除过多的细节，可以用更少的数据改进分割。我们进行了一个详尽的实验设计，考虑了几个变化来源，包括三个不同的测试集，两个不同的深度学习架构和几个重复，总共540次实验运行。我们发现，样本选择和细节去除的影响可能分别相当于通过选择更好的深度学习模型获得的影响的12%和16%。
2020-04-28 cs.CV
Semi-supervised Skin Lesion Segmentation via Transformation Consistent Self-ensembling Model
The Chinese University of Hong Kong（香港中文大学）；Imsight Medical Technology, Inc.（Imsight医疗科技公司）
皮肤镜图像上的皮肤病变自动分割是黑色素瘤计算机辅助诊断的重要组成部分。最近，已经提出了许多基于全监督深度学习的方法用于自动皮肤病变分割。然而，这些方法需要经验丰富的皮肤科医生进行大量的像素级注释，这非常昂贵且耗时。在本文中，我们提出了一种新的半监督皮肤病变分割方法，利用标记和未标记的数据。通过仅针对标记输入的共同监督损失和针对标记和未标记数据的正则化损失的加权组合来优化网络。在本文中，我们提出了一种新的皮肤病变分割的半监督方法，其中网络通过仅标记输入的共同监督损失和标记和未标记数据的正则化损失的加权组合进行优化。我们的方法鼓励使用不同正则化下的训练网络输出对未标记图像进行一致的预测，以便可以利用未标记数据。为了利用未标记的数据，我们的方法鼓励训练中的网络在不同的正则化下对相同的输入进行一致的预测。针对半监督分割问题，我们在自集成模型中引入了一种包括旋转和翻转在内的一致性变换方案，增强了正则化对像素级预测的效果。仅用300个标记的训练样本，我们的方法就在国际皮肤成像合作组织（ISIC）2017皮肤病变分割挑战的基准上创造了新的记录。这样的结果显然超过了用2000个标记数据训练的完全监督的最先进技术。
2018-08-12 cs.CV
