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
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
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
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。
2020-10-04 cs.CV cs.LG eess.IV
Uncertainty-Aware and Explainable Ensemble Deep Learning Framework for Multi-Class Skin Lesion Classification
Wilfrid Laurier University（威尔弗里德劳里埃大学）
针对皮肤癌诊断的难点，提出集成MaxViT-Tiny与两类CNN模型的深度学习框架，结合MC Dropout估测不确定性、Grad-CAM++提供可解释性，在HAM10000数据集上取得优异分类性能，支撑可信计算机辅助诊断。
2026-08-13 cs.AI cs.CV cs.LG
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
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。
2021-02-21 cs.CV cs.LG eess.IV
Revisiting the Shape-Bias of Deep Learning for Dermoscopic Skin Lesion Classification
Technische Universität Kaiserslautern（凯泽斯劳滕工业大学）；German Research Center for Artificial Intelligence GmbH (DFKI)（德国人工智能研究中心）
一般认为，人类视觉系统偏向于识别形状而不是纹理。这一假设导致了越来越多的工作，旨在使深度模型的决策过程与人类视觉的基本属性保持一致。对形状特征的依赖主要是为了提高这些模型在协变量偏移下的稳健性。在本文中，我们重新审视的皮肤病变图像的分类的形状偏差的意义。我们的分析表明，不同的皮肤病变数据集表现出不同的偏见对个别图像特征。有趣的是，尽管深度特征提取器倾向于学习用于皮肤病变分类的纠缠特征，但仍然可以从这种纠缠表示中解码单个特征。这表明这些特征仍然表示在模型的学习嵌入空间中，但不用于分类。此外，不同数据集的谱分析表明，与常见的视觉识别相反，皮肤镜皮肤病变分类本质上依赖于形状偏差之外的复杂特征组合。作为一个自然的结果，从形状偏置模型的普遍愿望转移，甚至可以在某些情况下改善皮肤病变分类。
2022-06-13 cs.AI cs.CV cs.LG
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。
2025-01-10 cs.CV cs.LG eess.IV
Integrating Color Histogram Analysis and Convolutional Neural Network for Skin Lesion Classification
Universiti Malaya（马来亚大学）
本文提出融合颜色直方图分析与CNN的皮肤病变分类方法，通过颜色数量特征提升诊断准确性。
2026-01-16 cs.AI eess.IV q-bio.QM
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
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
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
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
MpoxSLDNet: A Novel CNN Model for Detecting Monkeypox Lesions and Performance Comparison with Pre-trained Models
Noakhali Science and Technology University（诺阿克利科学与技术大学）；School of Computing Sciences & Computer Engineering（计算科学与计算机工程学院）；University of Southern Mississippi（密苏里州立大学）
本文提出MpoxSLDNet模型，用于高效检测猴痘病变，相比传统模型在准确率和存储需求上均有显著提升。
2026-02-09 cs.CV
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
Attention Based Feature Fusion Network for Monkeypox Skin Lesion Detection
United International University（联合国际大学）
针对猴痘早期难与水痘麻疹区分的问题，提出融合EfficientNetV2B3与ResNet151V2并加入压缩与激励注意力模块的轻量级模型，在猴痘皮肤病变数据集上达96.52%平均验证准确率。
2024-08-13 cs.CV eess.IV
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
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
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
Single Model Deep Learning on Imbalanced Small Datasets for Skin Lesion Classification
University of Science and Technology of China（中国科学技术大学）；The Ohio State University Medical Center（俄亥俄州立大学医学中心）
深度卷积神经网络（DCNN）模型已被广泛探索用于皮肤病诊断，其中一些模型已经实现了与皮肤科医生相当甚至更好的诊断结果。然而，DCNN在皮肤疾病检测中的广泛实施受到可访问皮肤病变数据集的小尺寸和数据不平衡的阻碍。本文提出了一种新的基于单模型的策略，用于小的和不平衡的数据集上的皮肤病变的分类。首先，在不同的小型和不平衡数据集上训练各种DCNN，以验证中等复杂度的模型优于较大的模型。其次，加入正则化DropOut和DropBlock来减少过拟合，并针对小数据集样本代表性不足的缺陷，提出了一种改进的RandAugment增强策略。最后，引入了一种新的多加权新损失（MWNL）函数和一种端到端累积学习策略（CLS），以克服样本量不均匀和分类困难的挑战，并减少异常样本对训练的影响。通过结合Modified RandAugment，MWNL和CLS，我们的单一DCNN模型方法在不同的皮肤镜图像数据集上实现了与多个集成模型相当或更好的分类精度。我们的研究表明，该方法能够以较低的计算资源和推理时间成本实现高分类性能，可能适合在移动设备中实现，用于在低资源设置中自动筛选皮肤病变和许多其他恶性肿瘤。
2022-02-11 cs.CV cs.LG
A Smart Healthcare System for Monkeypox Skin Lesion Detection and Tracking
Taif University（塔伊夫大学）
针对猴痘皮肤病变检测，提出智能医疗系统ITMAINN，集成深度学习模型、跨平台应用与实时监控仪表板，实现高精度检测与症状跟踪，助力公共卫生管理。
2025-05-25 cs.AI cs.CV cs.ET
Classification of Human Monkeypox Disease Using Deep Learning Models and Attention Mechanisms
United International University（联合国际大学）
由于世界仍在努力从COVID-19病毒广泛传播所造成的破坏中重建，以及最近在许多国家爆发的人类猴痘疫情的惊人激增也有可能成为新的全球大流行病。人类猴痘病综合征与水痘和麻疹的典型症状非常相似，但有非常复杂的差异，如皮肤水泡，形式多样。各种深度学习方法在基于图像的COVID-19诊断、肿瘤细胞和皮肤病分类任务中表现出了良好的性能。在本文中，我们尝试将基于深度迁移学习的方法与卷积块注意力模块（CBAM）相结合，专注于特征图的相关部分，以对人类猴痘疾病进行基于图像的分类。我们实现了五个深度学习模型，VGG 19，Xception，DenseNet 121，EfficientNetB 3和MobileNetV 2，以及集成的通道和空间注意力机制，并对它们进行了比较分析。由Xception-CBAM-Dense层组成的架构在分类人类猴痘和其他疾病时表现得比其他模型更好，验证准确率为83.89%。
2022-11-21 cs.CV eess.IV
RSwinV2-MD: An Enhanced Residual SwinV2 Transformer for Monkeypox Detection from Skin Images
University of Engineering and Applied Sciences (UEAS), Swat（斯瓦特工程与应用科学大学（UEAS））
本文提出RSwinV2-MD模型，通过改进的残差SwinV2变换器提升皮肤图像中猴痘检测的准确性与分类能力。
2026-01-06 cs.AI cs.CV
A Recent Survey of the Advancements in Deep Learning Techniques for Monkeypox Disease Detection
University of Engineering and Applied Sciences (UEAS)（工程与应用科学大学）
本综述系统分析了深度学习技术（如深度CNN、集成模型和视觉Transformer等）在皮肤病变图像中自动检测猴痘的应用，探讨了数据集、评估指标及研究挑战，为未来研究提供了创新指导。
2023-11-23 cs.CV eess.IV
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 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。
2023-01-16 cs.CV eess.IV
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
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。
2022-06-07 cs.CV eess.IV
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。
2021-09-21 cs.AI cs.CV eess.IV
MpoxVLM: A Vision-Language Model for Diagnosing Skin Lesions from Mpox Virus Infection
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Virginia（弗吉尼亚大学）；Université Quisqueya（基斯克亚大学）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
针对缺乏开源 Mpox 皮肤病变图像和专门训练流程导致诊断基础模型缺失的问题，提出视觉-语言模型 MpoxVLM，通过集成 CLIP 视觉编码器、增强型 ViT 分类器和 LLaMA-2-7B 并在新建数据集上微调，实现了 90.38% 的 Mpox 检测准确率。
2024-11-16 cs.AI cs.CV eess.IV
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。
2023-11-21 cs.CV eess.IV
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。
2018-09-06 cs.CV eess.IV
Deep Skin Lesion Segmentation with Transformer-CNN Fusion: Toward Intelligent Skin Cancer Analysis
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
针对皮肤病变图像的复杂结构、模糊边界等问题，提出改进TransUNet架构融合Transformer与CNN，结合边界引导注意力机制和多尺度上采样路径，实验表明其在mIoU等指标优于现有方法，提升分割精度与鲁棒性。
2025-08-20 cs.CV eess.IV
Beyond Visual Image: Automated Diagnosis of Pigmented Skin Lesions Combining Clinical Image Features with Patient Data
Federal University of Espírito Santo（圣埃斯皮里图联邦大学）
在一些国家，肾癌被认为是最常见的癌症类型之一。由于皮肤病变临床诊断的困难性和主观性，计算机辅助诊断系统正在开发中，以帮助专家进行更可靠的诊断。皮肤病变的临床分析和诊断不仅依赖于视觉信息，而且依赖于患者提供的背景信息。这项工作解决了从智能手机捕获的图像中检测色素性皮肤病变的问题。除了从图像中提取的特征外，还收集了患者背景信息，以提供更准确的诊断。实验表明，视觉特征与上下文信息的结合提高了最终结果。实验结果是非常有希望的和可比的专家。
2022-01-25 cs.AI cs.CV
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。
2024-09-17 cs.CV eess.IV
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
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%。
2019-07-15 cs.CV eess.IV
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。
2019-11-18 cs.CV eess.IV
Inter-Scale Dependency Modeling for Skin Lesion Segmentation with Transformer-based Networks
University of Kentucky（肯塔基大学）
本研究提出一种用于皮肤病变分割的U型分层Transformer结构，并设计了尺度间上下文融合（ISCF）模块以利用编码器各阶段注意力相关性自适应融合上下文，从而克服长距离依赖捕获受限及语义鸿沟问题。
2023-10-20 cs.CV eess.IV
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。
2020-10-08 cs.CV eess.IV
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
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。
2018-07-18 cs.CV eess.IV
Exemplars and Counterexemplars Explanations for Image Classifiers, Targeting Skin Lesion Labeling
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）；Sorbonne Universite（索邦大学）
可解释的人工智能包括开发机制，通过使决策系统的决策变得可理解，从而允许决策系统和人类之间的交互。这在医疗领域等敏感环境中尤为重要。我们提出了一个用于皮肤病变诊断的用例研究，说明如何为医生提供关于最先进的深度神经网络分类器的决策的解释，该分类器经过训练以从示例中表征皮肤病变。我们的框架由一个经过训练的分类器，解释模块操作。后者能够为医生提供分类诊断的范例和反例，从而允许医生与自动诊断系统交互。样本是通过对抗自动编码器生成的。我们说明了具有代表性的例子系统的行为。
2023-01-18 cs.AI cs.CV cs.LG
DONet: Dual Objective Networks for Skin Lesion Segmentation
University of Technology Sydney（悉尼科技大学）；Zhibian Technology Co. Ltd.（智变科技有限公司）
皮肤病变分割是皮肤镜图像计算机辅助诊断的关键步骤。在过去的几年中，基于深度学习的语义分割方法显著提高了皮肤病变分割结果。然而，目前的性能仍然是不令人满意的，由于一些具有挑战性的因素，如各种各样的病变规模和模糊的差异之间的病变区域和背景。在本文中，我们提出了一个简单而有效的框架，命名为双目标网络（DONet），以改善皮肤病变分割。我们的DONet采用两个对称的解码器，以产生不同的预测接近不同的目标。具体地说，这两个目标实际上是由不同的损失函数定义的。以这种方式，鼓励两个解码器产生差异化的概率图以匹配不同的优化目标，从而相应地产生互补的预测。这两个目标学习到的互补信息进一步聚合在一起，以做出最终的预测，通过该预测，可以显着减轻分割图中存在的不确定性。此外，为了解决皮肤镜图像中各种各样的病变尺度和形状的挑战，我们还提出了一个循环上下文编码模块（RCEM）来模拟皮肤病变之间的复杂相关性，其中具有不同尺度上下文的特征被有效地整合，以形成更鲁棒的表示。在两个流行的基准测试上进行的大量实验很好地证明了所提出的DONet的有效性。特别是，我们的DONet在ISIC 2018和$\text{PH}^2$上分别获得了0.881和0.931分。代码将公开提供。
2020-08-19 cs.CV eess.IV
