Anomaly Detection for Skin Disease Images Using Variational Autoencoder
University of Montreal（蒙特利尔大学）；QuindiTech；Polytechnique Montreal（蒙特利尔高等理工学院）
在本文中，我们展示了应用变分自编码器（VAE）[10]进行皮肤病图像异常检测的潜力。VAE是一类通过最大化数据分布的证据下限来训练的深度生成模型[10]。当仅在正常数据上训练时，所得到的模型能够执行有效的推理并确定测试图像是否正常。我们在ISIC 2018挑战疾病分类数据集（任务3）上进行实验，并比较使用VAE检测异常的不同方法。该模型能够以0.779 AUCROC检测所有疾病。如果我们专注于特定疾病，该模型能够以0.864 AUCROC检测黑色素瘤，以0.872 AUCROC检测光化性角化病，即使它只看到痣的图像。据我们所知，这是深度生成模型在皮肤病学异常检测中的首次应用。
2018-07-24 cs.LG stat.ML
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
Doctor Approved: Generating Medically Accurate Skin Disease Images through AI-Expert Feedback
Tulane University（路易斯安那州立大学）
针对医学数据匮乏限制诊断模型泛化、扩散模型生成图像医学准确性不足的问题，提出MAGIC框架，将专家标准转化为扩散模型的可执行反馈生成临床准确的皮肤病图像，可提升诊断准确率。
2025-10-21 cs.CV
Improving dermatology classifiers across populations using images generated by large diffusion models
Harvard Medical School（哈佛医学院）；UT Austin Dell Medical School（德克萨斯大学奥斯汀分校戴尔医学院）
在没有足够多样化的训练数据的情况下开发的皮肤病学分类算法可能在人群中概括性较差。虽然有意的数据收集和注释提供了改善代表性的最佳手段，但用于生成训练数据的新计算方法也可能有助于减轻采样偏差的影响。在本文中，我们表明，DALL $\cdot$ E 2，一个大规模的文本到图像的扩散模型，可以产生逼真的图像的皮肤疾病的皮肤类型。使用Fitzpatrick 17k数据集作为基准，我们证明了用DALL $\cdot$ E 2生成的合成图像增强训练数据可以提高皮肤病的整体分类，特别是对于代表性不足的群体。
2022-11-23 cs.CV cs.LG eess.IV
Using Large Text-to-Image Models with Structured Prompts for Skin Disease Identification: A Case Study
Yuko AI Inc.（Yuko人工智能公司）；University of Toronto（多伦多大学）；SickKids Hospital（病童医院）；Vector Institute（矢量研究所）；Carnegie Mellon University（卡内基梅隆大学）
本文研究了大型文本到图像（LTI）模型的潜在用途，用于自动诊断罕见或严重缺乏注释数据集的一些皮肤状况。作为LTI模型的输入，我们提供了一个通用但简洁的提示结构的有针对性的实例，该结构是在仔细观察标准医学教科书中的条件叙述后设计的。在这方面，我们通过LTI模型的镜头，为利用可访问的教科书描述自动诊断数据稀缺的条件铺平了道路。实验表明，该框架的有效性，包括更好地定位感染区域。此外，它具有在医学子领域推广的巨大可能性，不仅可以缓解数据稀缺问题，还可以使自动诊断免受普遍存在的种族偏见的影响。
2023-01-17 cs.CV
DermDiff: Generative Diffusion Model for Mitigating Racial Biases in Dermatology Diagnosis
University of Kentucky（肯塔基大学）
针对现有皮肤病诊断AI模型因数据集偏见在部分肤色上表现差的问题，提出生成式扩散模型DermDiff，借助文本提示和多模态图文学习生成多样化皮肤镜图像，改善不平衡数据集的群体表征，可有效缓解皮肤病诊断中的种族偏见。
2025-03-21 cs.CV
Disease Severity Regression with Continuous Data Augmentation
Kyushu University（九州大学）；Kyoto Second Red Cross Hospital（京都第二红十字医院）
用于医学图像的卷积神经网络（CNN）的疾病严重性回归需要足够数量的标记有严重性级别的图像样本。基于条件生成对抗网络（cGAN）的数据增强（DA）是一种可能的解决方案，但它遇到了两个问题。第一个问题是，现有的cGAN无法将实值严重性级别作为其条件进行处理，第二个问题是生成的图像的严重性并不完全可靠。我们提出连续DA作为解决这两个问题的方案。我们的方法使用连续的严重性GAN来生成图像在实值的严重性水平和不相交的多目标优化来处理第二个问题。我们的方法进行了评估，估计溃疡性结肠炎（UC）的内镜图像的严重程度，并取得了更高的分类性能比传统的DA方法。
2023-02-24 cs.CV eess.IV
XAI-Driven Skin Disease Classification: Leveraging GANs to Augment ResNet-50 Performance
Department of Computer Science The University of Texas Permian Basin Odessa, Texas, United States（计算机科学系 德州大学帕尔米盆地分校 奥达萨，德克萨斯州，美国）
本文提出利用GANs增强ResNet-50性能，结合XAI技术实现皮肤疾病分类的高准确率和临床可解释性。
2025-12-03 cs.AI cs.CV
Derm-T2IM: Harnessing Synthetic Skin Lesion Data via Stable Diffusion Models for Enhanced Skin Disease Classification using ViT and CNN
College of Science and Engineering, University of Galway（戈尔韦大学科学与工程学院）；School of Computer Science, University of Galway（戈尔韦大学计算机科学学院）；Trinity College Dublin, the University of Dublin（都柏林大学圣三一学院）；St James’s Hospital（圣詹姆斯医院）
本文提出 Derm-T2IM，用调优的 Stable Diffusion 生成多样化皮肤镜病变图像，并验证其可增强 CNN 与 ViT 在两个真实数据集上的分类鲁棒性和泛化性。
2024-01-10 cs.AI cs.CV
Imperfect ImaGANation: Implications of GANs Exacerbating Biases on Facial Data Augmentation and Snapchat Selfie Lenses
Arizona State University（亚利桑那州立大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
在本文中，我们证明了流行的生成对抗网络（GANs）在给定面部照片的倾斜分布时会加剧性别和肤色轴上的偏见。虽然从业者庆祝使用GANs生成合成数据作为一种经济的方式来增加数据以训练数据饥渴的机器学习模型，但目前还不清楚他们是否认识到这种技术在应用于沿着潜在维度偏置的现实世界数据集时的危险。具体来说，我们表明：（1）传统的GANs进一步扭曲了由工程学院头像组成的数据集的分布，生成少数模式的频率更低，质量更差;（2）图像到图像的转换（条件）GANs也加剧了偏见，因为它减轻了非白人面孔的肤色，并在生成工程教授的面孔时将女性面部特征转换为男性化。因此，我们的研究是为了作为一个警示故事。
2021-06-16 cs.CV cs.LG eess.IV
Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification
National University of Science and Technology POLITEHNICA Bucharest（布加勒斯特理工国立科学技术大学）；National Institute for Research and Development in Informatics - ICI Bucharest（布加勒斯特国家信息学研发研究所（ICI布加勒斯特））；Academy of Romanian Scientists（罗马尼亚科学家学院）
本文针对RoCoLe数据集样本少且不平衡的问题，结合pix2pix分割与CycleGAN增强，验证了Transformer模型和增强技术在咖啡叶病害分类中的有效性。
2024-01-11 cs.CV
A Generative AI Approach for Reducing Skin Tone Bias in Skin Cancer Classification
University of Sheffield（谢菲尔德大学）；University of Chester（切斯特大学）
本文提出利用生成AI生成合成数据，以减少皮肤癌分类中的肤色偏见，提升诊断公平性。
2026-02-16 cs.CV
LeafGAN: An Effective Data Augmentation Method for Practical Plant Disease Diagnosis
Hosei University（法政大学）；Saitama Agricultural Technology Research Center（埼玉县农业技术研究中心）
基于深度学习技术的成功，已经开发了许多用于植物病害自动诊断的应用。然而，这些应用程序经常遭受过拟合，并且当用于新环境的测试数据集时，诊断性能急剧下降。在本文中，我们提出了LeafGAN，一个新的图像到图像的翻译系统与自己的注意力机制。LeafGAN通过对健康图像的变换生成各种各样的病害图像，作为一种数据增强工具，用于提高植物病害诊断的性能。由于其自身的注意力机制，我们的模型可以从各种背景的图像中只转换相关区域，从而丰富了训练图像的通用性。五类黄瓜病害分类的实验表明，使用vanilla CycleGAN的数据增强无助于提高泛化能力，即，疾病诊断性能从基线仅增加了0.7%。相比之下，LeafGAN将诊断性能提高了7.4%。我们还从视觉上证实了LeafGAN生成的图像比普通CycleGAN生成的图像质量更好，更有说服力。该代码可在https://github.com/IyatomiLab/LeafGAN上公开获取。
2020-11-27 cs.CV
DermGAN: Synthetic Generation of Clinical Skin Images with Pathology
Stanford（斯坦福大学）；Google Health（谷歌健康）
尽管最近在将监督式深度学习应用于医学成像任务方面取得了成功，但获得开发高性能模型所需的大型且多样化的专家注释数据集的问题仍然特别具有挑战性。在这项工作中，我们探讨了使用生成串行网络（GAN）来合成具有皮肤状况的临床图像的可能性。我们提出了DermGAN，一个流行的Pix2Pix架构的适应，为预先指定的皮肤状况创建合成图像，同时能够改变其大小，位置和底层皮肤颜色。我们证明，所生成的图像是高保真度使用客观的GAN评价指标。在人类图灵测试中，我们注意到合成图像不仅在视觉上与真实图像相似，而且还体现了皮肤科医生眼中的相应皮肤状况。最后，当使用合成图像作为用于训练皮肤状况分类器的数据增强技术时，我们观察到该模型总体上执行基线模型，同时改善罕见但恶性的状况。
2019-11-20 cs.CV cs.LG
CONAN: Complementary Pattern Augmentation for Rare Disease Detection
IQVIA（艾昆纬）；The Pennsylvania State University（宾夕法尼亚州立大学）；Georgia Institute of Technology（佐治亚理工学院）
罕见疾病影响着全球数亿人，但由于其患病率极低（从1/1，000到1/200，000患者不等）且诊断不足，因此很难检测到。我们如何可靠地检测出患病率如此低的罕见疾病？如何进一步利用可能不确定诊断的患者来提高检测？在本文中，我们提出了一种用于罕见疾病检测的互补模式增强（CONAN）框架。CONAN结合了对抗训练和最大边缘分类的思想。它首先学习自我关注和分层嵌入，用于患者模式表征。然后，我们开发了一个互补生成对抗网络（GAN）模型，通过鼓励类之间的最大间隔，从不确定的患者中生成候选的阳性和阴性样本。此外，CONAN还有一个疾病检测器，在识别罕见疾病的对抗训练中充当机器人。我们在两个疾病检测任务上评估了CONAN。对于低患病率炎症性肠病（IBD）检测，CONAN实现了0.96的精确召回曲线下面积（PR-AUC）和50.1%的相对改善。对于罕见疾病特发性肺纤维化（IPF）检测，CONAN达到0.22 PR-AUC，相对于最佳基线改善41.3%。
2019-11-26 cs.CL cs.LG
Adversarial Pulmonary Pathology Translation for Pairwise Chest X-ray Data Augmentation
Monash University（莫纳什大学）；IBM Research（IBM研究院）
最近的工作表明，生成对抗网络（GANs）可以成功地应用于肺部疾病识别的胸部X射线数据增强。然而，不太完美的发生器生成的不可信和扭曲的病理特征可能导致错误的临床决策。为什么不保留原来的病理区域？我们提出了一种新的方法，使我们的生成模型生成高质量的合理的图像，包含不失真的病理领域。其主要思想是设计一种基于图像到图像转换网络的训练方案，以在病理学基础区域周围引入新的肺部特征的变化。此外，我们的模型能够利用注释的疾病图像和未注释的健康肺部图像来生成。我们证明了我们的模型在两个任务上的有效性：（i）我们邀请经过认证的放射科医生评估生成的合成图像对真实和其他最先进的生成模型的质量，以及（ii）数据增强，以提高疾病定位的性能。
2020-01-22 cs.CV eess.IV
Skin disease diagnosis with deep learning: a review
Peking University（北京大学）
皮肤癌是全球最具威胁性的疾病之一。然而，正确诊断皮肤癌是具有挑战性的。最近，深度学习算法已经出现，可以在各种任务上实现出色的性能。特别地，它们已被应用于皮肤疾病诊断任务。本文综述了深度学习方法及其在皮肤病诊断中的应用。我们首先简要介绍了皮肤病和皮肤病学中的图像采集方法，并列出了几个公开的皮肤数据集用于训练和测试算法。然后，我们介绍了深度学习的概念，并回顾了流行的深度学习架构。此后，流行的深度学习框架，促进深度学习算法和性能评估指标的实施。作为本文的重要组成部分，我们随后根据具体任务从几个方面回顾了涉及深度学习方法用于皮肤病诊断的文献。此外，我们还讨论了该领域面临的挑战，并提出了未来可能的研究方向。本文的主要目的是对最近使用深度学习进行皮肤疾病诊断的工作进行概念性和系统性的回顾。鉴于深度学习的普及，该领域仍然存在巨大的挑战，以及我们可以在未来探索的机会。
2020-12-06 cs.CV cs.LG eess.IV
Computer-Aided Clinical Skin Disease Diagnosis Using CNN and Object Detection Models
Hong Kong Baptist University（香港浸会大学）；Harbin Institute of Technology（哈尔滨工业大学）；The University of Hong Kong - Shenzhen Hospital（香港大学深圳医院）；Shenzhen Yiyuan Intelligent Technology Co., Ltd.（深圳怡园智能科技有限公司）
皮肤病是人类最常见的疾病之一，可能发生在每个人身上，无论年龄，性别或种族。由于高度的视觉多样性，人类的诊断高度依赖于个人经验;在许多国家，有经验的皮肤科医生严重短缺。为了缓解这个问题，使用最先进的（SOTA）机器学习技术的计算机辅助诊断将是一个很有前途的解决方案。在本文中，我们的目标是了解基于卷积神经网络（CNN）的方法的性能。我们首先从互联网图像中构建两个版本的皮肤病数据集：（a）Skin-10，包含10种常见的皮肤病类别，共10，218张图像;（b）Skin-100，这是一个更大的数据集，由100种皮肤病类别的19，807张图像组成。基于这些数据集，我们对几个SOTA CNN模型进行了基准测试，结果表明skin-100的准确率远低于skin-10的准确率。然后，我们实现了一个集成方法的基础上，几个CNN模型，并实现了最好的准确率为79.01\%的皮肤10和53.54\%的皮肤100。我们还提出了一种基于对象检测的方法，通过引入边界框到皮肤-10数据集。我们的研究结果表明，对象检测可以帮助提高某些皮肤疾病类别的准确性。
2019-11-20 cs.CV cs.LG eess.IV
Improving Fairness using Vision-Language Driven Image Augmentation
University of Trento（特伦托大学）；Queen Mary University of London（伦敦玛丽女王大学）
提出一种视觉-语言驱动的 DiffAE 图像增强方法，通过编辑年龄和肤色等受保护特征降低数据相关性，并在多个人脸任务中改善准确率与公平性指标。
2023-11-02 cs.AI cs.CV cs.CY
A Multimodal Approach to The Detection and Classification of Skin Diseases
Mission San Jose High School（圣何塞高中）；Yale University（耶鲁大学）
本研究提出一种结合图像与文本的多模态皮肤病分类方法，并引入Chain of Options微调策略，在26类皮肤病数据集上达到91%的最先进准确率。
2024-11-21 cs.CV cs.LG eess.IV
SkinGPT-4: An Interactive Dermatology Diagnostic System with Visual Large Language Model
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Beijing AnZhen Hospital, Affiliated to Capital Medical University（首都医科大学附属北京安贞医院）
针对皮肤科医生短缺、皮肤图像诊断难及报告生成耗时的问题，提出基于微调MiniGPT-4的交互式皮肤病诊断系统SkinGPT-4，经150例真实病例验证诊断准确，支持本地部署保护隐私。
2023-06-08 cs.CV cs.LG eess.IV
Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification
University of Rochester（罗切斯特大学）；Nanjing University（南京大学）
皮肤病图像分类是皮肤病诊断的关键。然而，识别皮肤病变涉及大小、颜色、形状和纹理等多个方面。更糟糕的是，许多类别只包含很少的样本，这对传统的机器学习算法甚至人类专家都构成了巨大的挑战。受最近Few-Shot Learning（FSL）在自然图像分类中的成功启发，我们提出将FSL应用于皮肤病识别，以解决训练样本极度稀缺的问题。然而，直接将FSL应用于此任务在实践中效果不佳，我们发现这个问题在很大程度上可以归因于FSL中常用的交叉熵（CE）和情节训练之间的不兼容性。基于详细的分析，我们提出了查询相关（QR）损失，这证明优于CE下的情节训练，并密切相关，最近提出的互信息估计。此外，我们进一步加强提出的QR损失与一种新的自适应硬余量策略。实验结果验证了FSL算法的有效性，以及利用少量标记样本诊断罕见皮肤病的可能性。
2020-04-21 cs.CV cs.LG eess.IV
U-Net-based Models for Skin Lesion Segmentation: More Attention and Augmentation
K N Toosi University of Technology（K N Toosi工业大学）；University of Tehran（德黑兰大学）；Amirkabir University of Technology（Amirkabir工业大学）；Uniklinik RWTH Aachen（亚琛工业大学医院）
据WHO[1]，自20世纪70年代以来，黑色素瘤皮肤癌的诊断更加频繁。然而，如果早期发现，黑色素瘤的5年生存率可以提高到99%。在这方面，皮肤病变分割可以是监测和治疗计划的关键。在这项工作中，10个模型和4个增强配置在ISIC 2016数据集上进行了训练。性能和过拟合进行了比较，利用五个指标。我们的研究结果表明，U-Net-Resnet 50和R2 U-Net具有最高的指标值，以及两种数据增强场景。我们还研究了U-Net架构中的CBAM和AG块，该架构以低廉的计算成本提高了分割性能。此外，我们建议在一个序列中使用金字塔，AG和CBAM块，这大大超过了单独使用这两个块的结果。最后，我们的实验表明，利用注意力模块的模型成功地克服了常见的皮肤病变分割问题。最后，本着可重复研究的精神，我们实现了公开可用的模型和代码。
2022-10-28 cs.CV cs.LG eess.IV
Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation
Shiv Nadar Institute of Eminence（希夫·纳达尔卓越学院）
本文提出一种集成学习技术用于糖尿病视网膜病变的早期检测，在APTOS数据集上验证准确率达99%，提升了诊断准确性与护理质量。
2024-07-25 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
An Image Dataset of Common Skin Diseases of Bangladesh and Benchmarking Performance with Machine Learning Models
Department of Computer Science and Engineering, Faridpur Engineering College, Faridpur, Bangladesh（孟加拉国法里德普尔工程学院计算机科学与工程系）；Department of Computer Science and Engineering, University of Dhaka, Dhaka, Bangladesh（孟加拉国达卡大学计算机科学与工程系）；Department of Oncology, Labaid Cancer and Super Speciality Center, Dhaka, Bangladesh（孟加拉国达卡拉贝德癌症与超级专科中心肿瘤科）；Institute of Information Technology, University of Dhaka, Dhaka, Bangladesh（孟加拉国达卡大学信息技术研究所）
本文提出一个包含孟加拉国五种常见皮肤疾病图像的数据集，并评估了多种机器学习模型的分类性能，为皮肤病自动诊断提供支持。
2026-03-26 cs.CV cs.LG
Automatic Detection and Classification of Tick-borne Skin Lesions using Deep Learning
German Research Center for Artificial Intelligence（德国人工智能研究中心）
在全球范围内，蜱虫是传播各种细菌、病毒和寄生虫病的罪魁祸首。蜱传疾病的发病率在过去十年中急剧增加，仅在美国每年莱姆病病例就飙升至估计30万例。因此，在改进蜱传疾病的病变识别方法和诊断方面做出更多努力至关重要。本研究的目的是建立在Burlina等人使用的方法基础上，通过使用各种卷积神经网络模型来检测蜱传皮肤病变。我们通过从谷歌获取七种不同语言的图像来扩展数据输入，以测试这是否会使训练数据多样化并提高皮肤病变检测的准确性。最终的数据集包括近6，080张图像，并在架构组合（ResNet 34，ResNet 50，VGG 19和Dense Net 121）上进行了训练。我们在DenseNet 121架构上训练的模型获得了80.72%的准确率。
2020-11-23 cs.CV cs.LG eess.IV
Exploring convolutional neural networks with transfer learning for diagnosing Lyme disease from skin lesion images
Université Clermont Auvergne（克莱蒙奥弗涅大学）；CNRS（法国国家科学研究中心）；ENSMSE（圣艾蒂安国立矿业工程师学校）；INRAE（法国国家农业食品与环境研究院）；VetAgro Sup（法国兽医与农学高等学院）；Université de Lyon（里昂大学）；CHU Clermont-Ferrand（克莱蒙费朗大学医院）；Inserm（法国国家健康与医学研究院）；Tous Chercheurs Laboratory（全民研究者实验室）；CPIE Champenoux（尚佩努环境倡议中心）；University Hospital of Nancy（南锡大学医院）；University Hospital of Saint Etienne（圣艾蒂安大学医院）；IHU-Méditerranée Infection（地中海感染大学医院研究所）；Aix Marseille Univ（艾克斯-马赛大学）；IRD（法国发展研究院）；AP-HM（马赛公立医院援助机构）；SSA（法国军队卫生勤务局）；Hôpitaux Universitaires（斯特拉斯堡大学医院）；Pontchaillou University Hospital（蓬查卢大学医院）；CHR Orléans（奥尔良地区中心医院）；Hospital of Villeneuve-Saint-Georges（维勒讷夫圣乔治医院）；Centre Hospitalier Universitaire de Rennes（雷恩大学医院）
莱姆病是最常见的传染性媒介传播疾病之一，在大多数情况下表现为游走性红斑（EM）皮肤病变。最近的研究表明，卷积神经网络（CNN）在从图像中识别皮肤病变方面表现良好。用于资源受限的移动设备的基于轻量级CNN的预扫描仪应用程序可以帮助用户早期诊断莱姆病，并通过适当的抗生素治疗防止转变为严重的晚期形式。此外，基于资源密集型CNN的强大计算机应用程序可以帮助非专业从业人员进行准确的诊断。本研究的主要目的是广泛分析CNN从图像诊断莱姆病的有效性，并找出考虑资源限制的最佳CNN架构。首先，我们在法国克莱蒙费朗大学医院中心的皮肤科专家的帮助下创建了一个EM数据集。其次，我们在预测性能、计算复杂性和统计显著性方面，对从VGG、ResNet、DenseNet、MobileNet、Xception、NASNet和EfficientNet架构定制的23个CNN架构的数据集进行了基准测试。第三，为了提高CNN的性能，我们使用了ImageNet预训练模型的自定义迁移学习，并使用皮肤病变数据集HAM10000对CNN进行了预训练。第四，对于模型的可解释性，我们使用了加权类激活映射来可视化对CNN进行预测有重要意义的输入区域。第五，我们提供了基于预测性能和计算复杂性的模型选择指南。
2022-02-15 cs.CV cs.LG eess.IV
MIFR: A Modality-Invariant and Fair Representation Framework for Skin Disease Classification
University of Dschang（德昌大学）；Université Paris-Panthéon-Assas（巴黎先贤祠-阿萨斯大学）；Université de Picardie Jules Verne（儒勒·凡尔纳皮卡第大学）；Hertie Institute for AI in Brain Health, University of Tübingen（蒂宾根大学赫蒂脑健康人工智能研究所）
本研究提出MIFR框架，通过配对临床与皮肤镜图像的多目标损失训练，实现皮肤病分类的模态不变性与公平性，在多数据集上验证了其预测性能与公平性。
2026-08-20 cs.CV cs.LG
Disparities in Dermatology AI: Assessments Using Diverse Clinical Images
Stanford University（斯坦福大学）；Memorial Sloan Kettering（纪念斯隆凯特琳癌症中心）
超过30亿人缺乏皮肤病护理。人工智能诊断工具可能有助于早期皮肤癌检测;然而，大多数模型尚未在不同肤色或罕见疾病的图像上进行评估。为了解决这个问题，我们策划了多样化的皮肤病学图像（DDI）数据集-第一个公开的，病理证实的图像具有不同的肤色。我们发现，最先进的皮肤病学AI模型在DDI上的表现要差得多，与模型的原始结果相比，ROC-AUC下降了29- 40%。我们发现，深肤色和不常见的疾病，这是很好地表示在DDI数据集，导致性能下降。此外，我们表明，如果没有不同的训练数据，最先进的鲁棒训练方法无法纠正这些偏差。我们的研究结果确定了皮肤病学AI的重要弱点和偏见，需要解决这些问题，以确保可靠地应用于各种患者和所有疾病。
2021-11-15 cs.CV cs.LG eess.IV
Disease Burden over Skin Tone: Decomposing the Dermatology-AI Generalization Gap
Tribhuvan University（特里布万大学）；North Carolina A&T State University（北卡罗来纳农工州立大学）；Aalto University（阿尔托大学）；Auburn University（奥本大学）
该研究分解皮肤病学AI的泛化差距，发现疾病分布偏移比肤色影响更大，提出皮肤病预训练特征的可转移性更强，轻量适应仅需少量标记示例即可恢复性能，并发布评估协议与代码。
2026-09-03 cs.AI cs.CV cs.LG
A Smartphone-Based Skin Disease Classification Using MobileNet CNN
Technological University of the Philippines（菲律宾技术大学）；College of Engineering, Technological University of the Philippines（菲律宾技术大学工程学院）；Center for Engineering Design, Fabrication, and Innovation（工程设计、制造与创新中心）
采用MobileNet模型，通过对7种皮肤病应用迁移学习，在Android应用程序上创建皮肤病分类系统。支持者共收集了3，406张图像，由于其类别上的图像数量不等，因此被视为不平衡数据集。探讨了采用不同的采样方法和对输入数据进行预处理，以进一步提高MobileNet的精度。采用欠采样方法，对输入数据进行默认预处理，准确率达到84.28%。而使用非平衡数据集和默认的输入数据预处理，则获得了93.6%的准确率。然后，研究人员探索了对数据集的过采样，该模型达到了91.8%的准确率。最后，通过对输入数据进行预处理，采用过采样技术和数据增强技术，得到了94.4%的准确率，并将该模型部署在开发的Android应用程序上。
2019-11-13 cs.CV cs.CY cs.LG
Disparities in Dermatology AI Performance on a Diverse, Curated Clinical Image Set
Stanford School of Medicine（斯坦福大学医学院）；Stanford University（斯坦福大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）；Keio University School of Medicine（庆应义塾大学医学院）；Chan-Zuckerberg Biohub（陈-扎克伯格生物中心）
获得皮肤病护理是一个主要问题，全球估计有30亿人无法获得护理。人工智能（AI）可以帮助分类皮肤病。然而，大多数AI模型尚未在不同肤色或罕见疾病的图像上进行严格评估。为了确定在这种情况下算法性能的潜在偏差，我们策划了多样化的皮肤病学图像（DDI）数据集-第一个公开可用的，专业策划的，病理证实的不同肤色的图像数据集。使用这个包含656张图像的数据集，我们发现最先进的皮肤病学AI模型在DDI上的表现要差得多，与模型的原始测试结果相比，受试者操作曲线曲线下面积（ROC-AUC）下降了27- 36%。所有模型在深色肤色和不常见疾病上的表现都较差，这些都在DDI数据集中表示。此外，我们发现，通常为人工智能训练和测试数据集提供视觉标签的皮肤科医生在深色肤色和不常见疾病的图像上的表现也比地面真实活检注释差。最后，在特征鲜明且多样化的DDI图像上微调AI模型，缩小了浅色和深色肤色之间的性能差距。此外，针对不同肤色进行微调的算法在识别深色肤色图像上的恶性肿瘤方面优于皮肤科医生。我们的研究结果确定了皮肤病学AI的重要弱点和偏见，需要解决这些问题，以确保可靠地应用于各种患者和疾病。
2022-03-15 cs.AI cs.CV cs.LG
Segmentation of Skin Lesions and their Attributes Using Multi-Scale Convolutional Neural Networks and Domain Specific Augmentations
Tarbiat Modares University（塔比阿特莫达雷斯大学）；NRP company（NRP公司）；University of Warwick（华威大学）；University of Sheffield（谢菲尔德大学）
用于不同类型皮肤病变分类的计算机辅助诊断系统在近几十年来一直是一个活跃的研究领域。研究表明，将病变及其属性模板引入到病变分类流水线中可以大大提高分类性能。在本文中，我们提出了一个框架，结合迁移学习分割病变及其属性的基础上卷积神经网络。所提出的框架是基于编码器-解码器架构，该架构在编码路径中利用各种预训练的网络，并通过使用金字塔池化方式在解码路径中组合多尺度信息来生成预测图。为了解决训练数据的缺乏和增加所提出的模型泛化，已经应用了一组广泛的新颖的特定于领域的增强例程来模拟皮肤镜图像中的真实变化。最后，通过对从国际皮肤成像合作组织档案中获得的三个不同数据集（ISIC 2016，ISIC 2017和ISIC 2018挑战数据集）进行广泛的实验，我们表明，所提出的方法在ISIC 2016和ISIC 2017分割任务中优于其他最先进的方法，并在ISIC 2018属性检测任务中取得了第一名。
2019-03-29 cs.CV cs.LG stat.ML
PatchAlign:Fair and Accurate Skin Disease Image Classification by Alignment with Clinical Labels
Indian Institute of Science Education and Research, Bhopal（印度博帕尔科学教育与研究学院）；Indian Institute of Technology, Bhilai（印度比莱印度理工学院）
本文提出 PatchAlign，利用 GOT 损失及可学习掩码图最优传输对齐皮肤病图像与临床文本表示，在 Fitzpatrick17k 和 DDI 上提升分类准确率并改善不同肤色间的公平性。
2024-09-08 cs.CV cs.LG
Visual Diagnosis of Dermatological Disorders: Human and Machine Performance
Simon Fraser University（西蒙弗雷泽大学）
皮肤病是一个全球性的健康问题，在因残疾而损失的年数中，皮肤病是非致命性疾病负担的第四大原因。由于皮肤病的诊断或分类可以帮助确定有效的治疗方法，皮肤科医生已经广泛研究了如何从患者的病史和病变的视觉外观来诊断病情。计算机视觉研究人员正试图将这种诊断能力编码到机器中，最近的几项研究报告称，机器水平的性能与皮肤科医生相当。这份报告回顾了机器方法来分类皮肤图像，并考虑他们的性能相比，人类皮肤科医生。在概述了常见的图像模式、皮肤科医生的诊断方法和常见任务以及公开可用的数据集之后，我们讨论了机器皮肤病变分类的方法。然后，我们回顾直接比较人类和机器性能的作品。最后，本报告讨论了基于图像的皮肤病诊断的局限性和错误来源，适用于机器和皮肤科医生在远程皮肤病学设置。
2019-06-04 cs.CV cs.LG
SkinDualGen: Prompt-Driven Diffusion for Simultaneous Image-Mask Generation in Skin Lesions
Shandong University, Qingdao, China（山东大学，青岛）
本文提出 SkinDualGen，通过 LoRA 微调与多目标联合优化改造 Stable Diffusion-2.0，依据文本提示同步生成皮肤病变图像和分割掩码，混合训练使分类与分割性能显著提升。
2025-07-26 cs.CV cs.LG eess.IV
Meta-Transfer Derm-Diagnosis: Exploring Few-Shot Learning and Transfer Learning for Skin Disease Classification in Long-Tail Distribution
针对罕见皮肤病标注数据不足、样本长尾分布等问题，对比三种少样本学习策略，发现结合批次级数据增强的传统迁移学习方法在多个皮肤病基准数据集上取得最优或极具竞争力的结果。
2025-10-01 cs.CV cs.LG
Image augmentation improves few-shot classification performance in plant disease recognition
预计到2050年，世界人口将接近100亿，因此最大限度地减少作物损失和保障粮食安全从未如此重要。机器学习已经被提出作为快速有效地识别作物中的疾病的解决方案。卷积神经网络通常需要大量的注释数据集，而这些注释数据集在需要时是不可用的。收集这些数据是一个漫长而艰巨的过程，涉及手动采摘，成像和注释每一片叶子。我通过探索各种数据增强技术与迁移学习结合使用时的有效性来解决植物图像数据稀缺的问题。我评估了各种数据增强技术单独和组合对ResNet性能的影响。我提出了一种利用一系列不同增强的增强方案，通过多次试验不断提高准确性。我仅使用总共10张种子图像，证明我的增强框架可以将模型准确性提高25%以上。
2022-08-25 cs.CV cs.LG
Transformer-based interpretable multi-modal data fusion for skin lesion classification
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Biomedical Engineering（慕尼黑生物医学工程研究所）；University Hospital, LMU Munich（慕尼黑大学附属医院）
针对皮肤病变分类中多模态数据融合与可解释性不足的问题，提出基于Transformer注意力机制的单阶段融合方法，在图像和患者数据丰富环境中超越现有架构，并原生支持图像与元数据领域的可解释性。
2023-08-31 cs.CV cs.LG eess.IV
Out-of-Distribution Detection in Dermatology using Input Perturbation and Subset Scanning
Duke University（杜克大学）；IBM Research（IBM研究院）
深度学习的最新进展使自动皮肤病分类的发展取得了突破。随着我们观察到皮肤病学领域对这些模型的兴趣越来越大，解决诸如对输入数据分布偏移的鲁棒性等方面至关重要。当前的皮肤病模型可能会对来自不同硬件设备和临床设置的测试样本或未知疾病样本（来自训练样本的分布外（OOD））做出错误的推断。为此，我们提出了一种简单而有效的方法，在做出任何决定之前检测这些OOD样本。通过在潜在空间表示中扫描来执行检测（例如，任何预先训练的皮肤病分类器的内层的激活）。输入样本也可以被扰动以最大化OOD样本的发散。我们在两个用例中验证了我们的ODD检测方法：1）识别从不同协议收集的样本，2）检测未知疾病类别的样本。此外，我们评估所提出的方法的性能，并将其与其他国家的最先进的方法进行比较。此外，数据驱动的皮肤病学应用可能会加深种族和民族群体之间的临床护理差异，因为据报道，大多数数据集都存在肤色分布偏差。因此，我们也评估这些OOD检测方法在不同肤色的公平性。我们的实验在检测OOD样本时在多个数据集上产生了有竞争力的性能，这可以（在未来）用于在推断这些样本之前设计更有效的迁移学习技术。
2021-06-02 cs.CV cs.LG
Keep Your AI-es on the Road: Tackling Distracted Driver Detection with Convolutional Neural Networks and Targeted Data Augmentation
Stanford University（斯坦福大学）
根据世界卫生组织的数据，分心驾驶是世界上汽车事故和死亡的主要原因之一。在我们的研究中，我们解决了分心驾驶的问题，旨在建立一个强大的多类分类器，使用State Farm Distracted Driving Dataset检测和识别不同形式的驾驶员注意力不集中。我们利用预训练的图像分类模型，经典的数据增强，基于OpenCV的图像预处理和皮肤分割增强方法的组合。我们表现最好的模型结合了几种增强技术，包括皮肤分割，面部模糊和经典的增强技术。该模型实现了F1分数比基线增加约15%，从而显示了这些技术在增强神经网络用于分心驾驶员检测任务的能力方面的前景。
2020-06-24 cs.CV cs.CY cs.LG
NeoJaundice-AI: Smartphone-Based Neonatal Jaundice Detection Using Dual-Input Deep Learning and Synthetic Augmentation
Indian Institute of Information Technology Surat（印度信息技术学院苏拉特分校）
提出NeoJaundice-AI系统，通过双分支EfficientNet-B0处理皮肤和巩膜图像，融合手工YCbCr颜色特征，实现四类严重度分类和胆红素回归，采用合成黄疸生成和肤色归一化，在印度新生儿数据集上达到91.8%准确率。
2026-06-23 cs.CV cs.LG
Adversarial Counterfactual Augmentation: Application in Alzheimer's Disease Classification
University of Edinburgh（爱丁堡大学）；The Alan Turing Institute（艾伦·图灵研究所）
由于医学数据的可用性有限，用于医学图像分析的深度学习方法往往难以推广到看不见的数据。在训练过程中使用随机变换来增强数据已被证明是有帮助的，并成为训练神经网络的普遍技术。在这里，我们提出了一种新的对抗性反事实增强方案，旨在找到最\textit{effective}合成的图像，以改善下游任务，给定一个预先训练的生成模型。具体来说，我们构建了一个对抗游戏，我们更新的输入\textit{conditional factor}的生成器和下游\textit{classifier}梯度反向传播交替和迭代。这可以被看作是找到分类器的“\textit{weakness}”，并通过生成模型故意迫使它\textit{overcome}它的弱点。为了证明所提出的方法的有效性，我们验证了阿尔茨海默病（AD）的分类作为下游任务的方法。预训练的生成模型使用年龄作为条件因素来合成大脑图像。大量的实验和消融研究表明，所提出的方法提高了分类性能，并有可能减轻虚假的相关性和灾难性的遗忘。代码将在接受后发布。
2022-10-01 cs.CV cs.LG eess.IV
A CNN toolbox for skin cancer classification
Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)（德国人工智能研究中心）
我们描述了一个软件工具箱，用于在皮肤癌分类领域配置深度神经网络。实现的软件架构允许开发人员快速设置新的卷积神经网络（CNN）架构和超参数配置。同时，用户界面，作为一个简单的电子表格管理，允许非技术用户探索不同的配置设置，需要探索时切换到不同的数据集。在未来的版本中，可以添加Meta学习框架，或者随着时间的推移不断改进的AutoML系统。在皮肤镜图像上黑色素瘤检测的背景下使用两个CNN进行的初步结果量化了图像增强、图像分辨率和重新缩放滤波器对整体检测性能和训练时间的影响。
2019-08-21 cs.CV cs.LG eess.IV
Classification of Skin Cancer Images using Convolutional Neural Networks
Netaji Subhas University of Technology（内塔吉·苏巴斯理工大学）
皮肤癌是最常见的人类恶性肿瘤（美国癌症协会），其主要通过视觉诊断，从初始临床筛查开始，然后可能进行皮肤镜（与皮肤相关）分析，活检和组织病理学检查。当皮肤细胞的DNA发生错误（突变）时，就会发生皮肤癌。突变导致细胞生长失控，形成大量癌细胞。本研究的目的是尝试在卷积神经网络的帮助下对皮肤病变图像进行分类。深度神经网络在图像分类方面显示出巨大的潜力，同时考虑到环境所表现出的巨大变化性。在这里，我们根据像素值训练图像，并根据疾病标签对其进行分类。该数据集是从开源Kaggle存储库（Kaggle数据集）获得的，该数据集本身是从ISIC（国际皮肤成像合作组织）档案馆获得的。训练是在多个模型上进行的，并伴随着迁移学习。模型的最高精度达到86.65%以上。所使用的数据集是公开的，以确保上述结果的可信度和可重复性。
2022-02-01 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
Moving Healthcare AI-Support Systems for Visually Detectable Diseases onto Constrained Devices
Edinburgh Napier University（爱丁堡龙比亚大学）
针对医疗图像分类依赖云端连接、偏远地区网络受限的问题，本研究利用TinyML将皮肤病视觉检测模型部署至Raspberry Pi等受限设备，在无网络环境下实现78%的测试准确率，为低连接地区的医疗AI支持提供了可行方案。
2024-08-15 cs.AI cs.CV cs.LG
On Interpretability of Deep Learning based Skin Lesion Classifiers using Concept Activation Vectors
Hochschule Pforzheim（普福尔茨海姆应用技术大学）；Smart Data and Knowledge Services German Research Center for Artificial Intelligence GmbH (DFKI)（德国人工智能研究中心智能数据与知识服务部）；Technische Universität Kaiserslautern（凯泽斯劳滕工业大学）；Universitätsklinikum Münster（明斯特大学医院）；Universitätsklinikum Düsseldorf（杜塞尔多夫大学医院）；National University of Science and Technology (NUST)（巴基斯坦国立科技大学）；National Center of Artificial Intelligence（国家人工智能中心）
基于深度学习的医学图像分类器在眼科、皮肤科、病理学和放射学等各种应用领域都表现出了卓越的性能。然而，这些计算机辅助诊断（CAD）系统在实际临床设置中的接受程度受到严重限制，主要是因为它们的决策过程在很大程度上仍然模糊不清。这项工作的目的是阐明一个基于深度学习的医学图像分类器，通过验证该模型学习和利用皮肤科医生描述和使用的类似疾病相关概念。我们使用由RECOD实验室开发的经过良好训练的高性能神经网络对三种皮肤肿瘤进行分类，即黑色素细胞痣，黑色素瘤和脂溢性角化病，并对其潜在空间进行详细分析。两个完善的和公开可用的皮肤病数据集，PH2和derm7pt，用于实验。利用概念激活向量将人类可理解的概念映射到RECOD图像分类模型中，提出了一种新的概念激活向量训练和显著性检验方法。我们在独立评估集上的结果清楚地表明，分类器在其潜在表示中学习和编码人类可理解的概念。此外，TCAV分数（用CAV测试）表明，神经网络在进行预测时确实以正确的方式利用了疾病相关的概念。我们期望这项工作不仅可以增加对CAD的医疗从业者的信心，但也作为一个垫脚石，为进一步发展的CAV为基础的神经网络解释方法。
2020-05-05 cs.CV cs.LG eess.IV
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
Multimodal Deep Learning for Dynamic and Static Neuroimaging: Integrating MRI and fMRI for Alzheimer Disease Analysis
本文提出一种多模态深度学习框架，整合MRI和fMRI对阿尔茨海默病、轻度认知障碍和正常认知状态进行多类分类，通过3D卷积神经网络提取结构特征，用递归架构学习fMRI的时间特征，并融合这些表示进行联合空间-时间学习。
2026-03-09 cs.CV cs.LG
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。
2019-12-16 cs.CV cs.LG eess.IV
Cardiac Disease Diagnosis on Imbalanced Electrocardiography Data Through Optimal Transport Augmentation
Carnegie Mellon University（卡内基梅隆大学）；Allegheny Health Network（阿勒格尼健康网络）；University of Colorado（科罗拉多大学）
在本文中，我们专注于一种新的数据增强方法，以解决不平衡的ECG数据集内的数据不平衡问题，以提高心脏病检测的鲁棒性和准确性。通过使用最优传输，我们从正常ECG搏动中增加ECG疾病数据，以平衡不同类别之间的数据。我们建立了一个多特征Transformer（MF-Transformer）作为我们的分类模型，其中从时域和频域提取不同的特征来诊断各种心脏疾病。从12导联ECG信号中学习，我们的模型能够区分五类心脏疾病。我们的研究结果表明：1）分类模型能够对五个ECG类别进行竞争性预测; 2）准确性和鲁棒性的提高反映了我们的数据增强方法的有效性。
2023-02-16 cs.AI cs.LG eess.SP
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
