PASSION for Dermatology: Bridging the Diversity Gap with Pigmented Skin Images from Sub-Saharan Africa
University Hospital Basel（巴塞尔大学医院）；University of Basel（巴塞尔大学）；Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学）；Laboratoire d’Accueil et de Recherche en santé publique spécialisé en TIC（公共卫生接待与研究实验室（专注于信息通信技术））；Regional Dermatology Training Center（地区皮肤病培训中心）；Kamuzu University of Health Sciences（卡穆祖卫生科学大学）；Bwaila Hospital（布瓦拉医院）；Clinique dermatologique（皮肤病诊所）
针对非洲皮肤科医生短缺及AI模型对色素性皮肤泛化不足的问题，PASSION项目收集并开源了首个包含1,653名患者、4,901张图像的撒哈拉以南皮肤病数据集，并提供基线模型与性能分析。
2024-11-07 cs.CV
Automated Skin Lesion Classification Using Ensemble of Deep Neural Networks in ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection Challenge
在本文中，我们广泛研究了基于不同深度学习的方法来检测黑色素瘤和皮肤病变癌症。黑色素瘤是一种恶性皮肤癌，对健康威胁很大。在早期阶段正确诊断黑色素瘤对于完全治愈的成功率至关重要。皮肤癌的良性和恶性形式的皮肤镜图像可以通过计算机视觉系统进行分析，以简化皮肤癌检测的过程。在这项研究中，我们实验了各种神经网络，这些网络采用了最近的基于深度学习的模型，如PNASNet-5-Large，InceptionResNetV 2，SENet 154，InceptionV 4。皮肤镜图像在输入网络之前会经过适当的处理和增强。我们在国际皮肤成像合作组织（ISIC）2018挑战数据集上测试了我们的方法。我们的系统在PNASNet-5-Large模型中获得了0.76的最佳验证分数。进一步改进和优化所提出的方法，更大的训练数据集和精心选择的超参数可以提高性能。代码可在https://github.com/miltonbd/ISIC_2018_classification下载
2019-01-30 cs.AI cs.CV
LesionAid: Vision Transformers-based Skin Lesion Generation and Classification
International Institute of Information Technology Naya Raipur（国际信息技术学院纳亚赖普尔分校）
皮肤癌是人类癌症中最普遍的形式之一。主要通过视觉识别，从临床筛选开始，继续皮肤镜检查，组织学评估和标本收集。深度卷积神经网络（CNN）针对分类的细粒度对象执行高度隔离和潜在通用的任务。该研究提出了一种新的多类预测框架，该框架基于ViT和ViTGAN对皮肤病变进行分类。利用基于视觉Transformer的GANs（生成对抗网络）来解决类不平衡。该框架由四个主要阶段组成：ViTGAN，图像处理和可解释的AI。阶段1包括生成合成图像以平衡数据集中的所有类。阶段2包括应用不同的数据增强技术和形态学操作来增加数据的大小。阶段3和4涉及为边缘计算系统开发ViT模型，该模型可以从图像中可见的用户皮肤识别模式并对皮肤病变进行分类。在第3阶段，在使用ViT将病变分类为所需类别后，我们将使用可解释AI（XAI），从而产生更可解释的结果（使用激活图等）。同时确保高预测精度。皮肤病的实时图像可以由医生或患者使用移动应用程序的相机捕获，以进行早期检查并确定皮肤病变的原因。整个框架与现有的皮肤病变检测框架进行了比较。
2023-02-02 cs.AI cs.CV
Exploring the Impact of Skin Color on Skin Lesion Segmentation
School of Digital and Physical Sciences at the University of Hull（赫尔大学数字与物理科学学院）；Faculty of Electrical Engineering at the University of Sarajevo（萨拉热窝大学电气工程学院）
本文研究皮肤色调对皮肤病变分割的影响，通过评估三种分割模型并在两个数据集上进行测试，发现低对比度病变与分割误差相关，强调了处理低对比度病变的重要性。
2026-03-31 cs.AI cs.CV
Data-Driven Deep Supervision for Skin Lesion Classification
University of Notre Dame（圣母大学）；Nanjing University of Science and Technology（南京理工大学）；Qingdao Women and Children’s Hospital of Qingdao University（青岛大学附属青岛妇女儿童医院）；University of Connecticut（康涅狄格大学）
近年来，色素沉着、非色素沉着和色素脱失的非黑素细胞皮肤病变的自动分类已经引起了很多关注。然而，皮肤纹理、病变形状、脱色对比度、照明条件等的成像变化阻碍了鲁棒的特征提取，影响了分类精度。在本文中，我们提出了一种新的深度神经网络，它利用输入数据进行鲁棒的特征提取。具体来说，我们分析卷积网络的行为（视野），以找到深度监督的位置，以改进特征提取。为了实现这一点，首先，我们执行激活映射以生成对象掩码，突出显示对分类输出生成最关键的输入区域。然后，选择其逐层有效感受野与对象掩模中的近似对象形状相匹配的网络层作为我们深度监督的焦点。利用不同类型的卷积特征提取器和分类器在三个黑色素瘤检测数据集和两个白癜风检测数据集上，我们验证了我们的新方法的有效性。
2022-09-04 cs.CV
Automatized Self-Supervised Learning for Skin Lesion Screening
ETH Zurich（苏黎世联邦理工学院）；University Hospital Zurich（苏黎世大学医院）；University of Zurich（苏黎世大学）
本文提出一种结合目标检测与情境化自监督排序的 AI 工具，从全身图像中识别可疑“丑小鸭”病变，临床验证显示其高灵敏度并可提升皮肤科医生诊断信心。
2025-01-05 cs.AI cs.CV
Skin cancer diagnosis using NIR spectroscopy data of skin lesions in vivo using machine learning algorithms
Federal University of Espírito Santo (UFES)（圣埃斯皮里图联邦大学）；Secretary of Health of the Espírito Santo State（圣埃斯皮里图州卫生部）；University Hospital Cassiano Antônio Moraes (HUCAM)（卡西亚诺·安东尼奥·莫赖斯大学医院）
针对缺乏公开近红外光谱数据集的问题，研究构建了NIR-SC-UFES数据集，并利用XGBoost、LightGBM及1D-CNN等机器学习算法对体内皮肤病变进行良恶性分类，发现结合SNV预处理的LightGBM表现最佳。
2024-01-02 cs.AI cs.CV
AC-MAMBASEG: An adaptive convolution and Mamba-based architecture for enhanced skin lesion segmentation
Hanoi University of Science and Technology（河内科技大学）
本文提出AC-MambaSeg皮肤病变分割模型，通过混合CNN-Mamba骨干并结合CBAM、注意力门和选择性核瓶颈，在ISIC-2018和PH2数据集上验证了其提升分割精度和辅助皮肤病早期诊断的有效性。
2024-05-05 cs.AI cs.CV
Artifact-Based Domain Generalization of Skin Lesion Models
University of Campinas（坎皮纳斯大学）；Instituto Superior Técnico（里斯本高等理工学院）
深度学习失败的案例很多，特别是在医疗领域。最近的研究分布外泛化有相当大的进步，控制良好的合成数据集，但他们不代表医学成像的背景。我们提出了一个管道，依赖于文物注释，使泛化评估和去偏的挑战性皮肤病变分析的背景下。首先，我们将数据划分为偏差越来越高的训练集和测试集，以便更好地进行泛化评估。然后，我们基于皮肤病变伪影创建环境以启用领域泛化方法。最后，经过鲁棒训练，我们执行测试时去偏过程，减少推理图像中的虚假特征。我们的实验表明，我们的管道提高了性能指标的偏见的情况下，并避免使用解释方法时的文物。尽管如此，当在分布外数据中评估此类模型时，他们不喜欢具有临床意义的特征。相反，性能只在训练中呈现类似工件的测试集上有所提高，这表明模型学会了忽略已知的工件集。我们的研究结果提出了一个问题，对一个单一的方面去偏模型可能不足以公平的皮肤病变分析。
2022-08-20 cs.AI cs.CV
Segmentation of skin lesions based on fuzzy classification of pixels and histogram thresholding
University of Deusto（德乌斯托大学）
本文提出了一种基于像素模糊分类和直方图阈值分割的皮肤镜图像中的皮肤病变分割方法。
2017-03-11 cs.AI cs.CV stat.ML
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
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
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
Ugly Ducklings or Swans: A Tiered Quadruplet Network with Patient-Specific Mining for Improved Skin Lesion Classification
The University of Queensland（昆士兰大学）；Monash University（莫纳什大学）
本文提出DMT-Quadruplet分层四元组深度度量学习网络，结合患者特异性挖掘和动态边界，在患者级和病变级学习特征，显著提升丑小鸭皮肤病变分类的灵敏度。
2023-09-18 cs.AI 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
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
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
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
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
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
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
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
Explainable Deep Image Classifiers for Skin Lesion Diagnosis
ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）；University of Pisa（比萨大学）；Criteo AI Lab（Criteo人工智能实验室）；Scuola Normale Superiore of Pisa（比萨高等师范学校）
在医疗诊断等关键背景下的一个关键问题是决策系统中采用的深度学习模型的可解释性。可解释人工智能（XAI）的研究正试图解决这个问题。然而，XAI方法通常仅在通用分类器上进行测试，并且不代表诸如医疗诊断之类的现实问题。在本文中，我们分析了皮肤病变图像的案例研究，在该案例中，我们定制了现有的XAI方法，用于解释能够识别不同类型皮肤病变的深度学习模型。该解释是由皮肤病变的合成范例和反范例图像形成的，并为从业者提供了一种突出负责分类决策的关键特征的方法。对领域专家、初学者和非熟练人员进行的一项调查证明，解释的使用增加了对自动决策系统的信任和信心。此外，潜在空间的分析所采用的解释揭示了一些最常见的皮肤病变类是明显分开的。这种现象可能源于每个类的内在特征，并且希望能够为人类专家解决最常见的错误分类提供支持。
2021-11-22 cs.AI cs.CV cs.LG
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
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
Detecting Melanoma Fairly: Skin Tone Detection and Debiasing for Skin Lesion Classification
Newcastle University（纽卡斯尔大学）；Durham University（杜伦大学）
卷积神经网络在黑色素瘤和其他皮肤病变的分类方面已经表现出了人类水平的性能，但在广泛部署之前，应该解决不同肤色之间的明显性能差异。在这项工作中，我们提出了一个高效而有效的算法自动标记病变图像的肤色，并使用它来注释基准ISIC数据集。随后，我们使用这些自动化标签作为两个领先的偏见学习技术的目标，以减轻肤色偏见。我们的实验结果提供的证据表明，我们的肤色检测算法优于现有的解决方案，忘记肤色可以提高泛化能力，并可以减少黑色素瘤检测在较浅和较深的肤色之间的性能差距。
2022-07-29 cs.CV eess.IV
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
