Supervised Saliency Map Driven Segmentation of the Lesions in Dermoscopic Images
Tarbiat Modares University（塔比亚特·莫达雷斯大学）；NRP company（NRP公司）；University of Sheffield（谢菲尔德大学）
病变分割是大多数黑素瘤自动识别系统的第一步。皮肤镜图像中的缺陷和困难，如颜色不稳定，毛发遮挡，暗角和彩色图表，使病变分割成为一项复杂的任务。为了检测这些问题的存在下的病变，我们提出了一种监督的显着性检测方法的基础上的歧视性区域特征集成（DRFI）的皮肤镜图像量身定制。DRFI方法结合了多层次分割，区域对比度，属性，背景描述符，和一个随机森林回归，以创建显着性得分的图像中的每个区域。在我们改进的显著性检测方法中，mDRFI，我们增加了一些新的功能，区域属性描述符。同时，为了获得更鲁棒的区域背景描述符，提出了一种阈值化算法来获得新的伪背景区域。结果表明，mDRFI是优于DRFI检测皮肤镜图像中的突出对象的病变。所提出的整体病变分割框架使用检测到的显着图，通过阈值和后处理操作来构建病变的初始掩模。然后，初始掩模在水平集框架中演化，以更好地适应病变的边界。在三个公共数据集上的评估测试结果表明，我们提出的分割方法优于其他传统的最先进的分割算法，其性能与最新的基于深度卷积神经网络的方法相当。
2018-06-07 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
Unsupervised Approaches for Out-Of-Distribution Dermoscopic Lesion Detection
Northeastern University（东北大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）
有有限的作品显示无监督的分布外（OOD）方法对复杂的医疗数据的有效性。在这里，我们提出了我们的无监督OOD检测算法，SimCLR-LOF，以及最近的最先进的方法（SSD），应用于医学图像的初步研究结果。SimCLR-LOF使用Simcloud学习语义上有意义的特征，如果测试样本是OOD，则使用LOF进行评分。我们对多源国际皮肤成像合作组织（ISIC）2019数据集进行了评估，并显示了与SSD以及最近应用于相同数据的监督方法相竞争的结果。
2021-11-08 cs.CV cs.LG eess.IV
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
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
Fully Convolutional Neural Networks to Detect Clinical Dermoscopic Features
Simon Fraser University（西蒙弗雷泽大学）
皮肤病变内某些临床皮肤镜特征的存在可能表明黑色素瘤，自动检测这些特征可能导致更定量和可重复的诊断。我们将超像素内的临床皮肤镜特征分类的任务重新表述为分割问题，并提出了一种完全卷积神经网络来从皮肤镜皮肤病变图像中检测临床皮肤镜特征。我们的神经网络架构使用来自多个中间网络层的插值特征映射，并通过最小化负的多标签Dice-F $_1$分数来解决不平衡的标签，其中分数是在每个标签的小批量中计算的。我们的方法在2017年ISIC-ISBI第2部分：皮肤镜特征分类任务挑战中排名第一，在所提供的验证和测试数据集上均获得了0.895%的受试者操作特征曲线下面积分数。我们展示了在使用挑战的官方指标时，简单的基线模型如何超越最先进的方法，并建议使用忽略空集的模糊Jaccard指数（即，没有正像素的掩模）。我们的研究结果表明，（i）临床皮肤镜特征的分类可以有效地作为分割问题来处理，（ii）目前用于对模型进行排名的指标可能无法很好地捕捉模型的功效。我们计划公开我们的训练模型和代码。
2019-03-27 cs.CV
Two-Stage Fine-Tuning of ResNet50 for High-Sensitivity Melanoma Detection on Dermoscopic Images
Florida Atlantic University（佛罗里达大学）
提出ResNet50的两阶段微调方法，通过分层训练和低学习率微调解决类别不平衡和迁移学习不足问题，在3826张测试图像上实现AUC-ROC 0.9559，灵敏度87.56%，优于单阶段微调。
2026-06-17 cs.CV eess.IV
From Pixels to Graphs: Deep Graph-Level Anomaly Detection on Dermoscopic Images
Department of Computer Science, TU Dortmund University, Germany（图腾大学计算机科学系）；Research Center Trustworthy Data Science and Security, University Alliance Ruhr (UA Ruhr), Germany（可信数据科学与安全研究所以及鲁尔大学联盟（UA Ruhr））
本文系统评估了多种图像到图变换方案，发现颜色特征单独表现最佳，结合形状与纹理可进一步提升皮肤镜图像图级异常检测性能，最佳无监督AUC-ROC达0.805，全监督达0.914。
2025-08-15 cs.CV cs.LG
Melanoma detection with electrical impedance spectroscopy and dermoscopy using joint deep learning models
Institute of Medical Technology, Hamburg University of Technology（汉堡工业大学医学技术研究所）
皮肤病变的初始评估通常基于皮肤镜图像。由于这是一项困难且耗时的任务，因此已经提出了使用皮肤镜图像的机器学习方法来辅助人类专家。其他方法已经研究了电阻抗谱（EIS）作为临床决策支持系统的基础。这两种方法代表了测量皮肤病变性质的不同方法，因为皮肤镜检查依赖于可见光，而EIS使用电流。因此，这两种方法可能携带互补的特征用于病变分类。因此，我们提出了联合深度学习模型，同时考虑EIS和皮肤镜检查用于黑色素瘤检测。为了这个目的，我们首先研究了机器学习方法，将领域知识和以前使用的设计过程中。因此，我们提出了一个经常性的模型与状态最大池，自动学习不同的EIS测量的相关性。其次，我们将这种新模型与处理皮肤镜图像的不同卷积神经网络相结合。我们研究了集成方法，并提出了一个交叉注意模块指导EIS和皮肤镜模型之间的信息交换。一般来说，EIS和皮肤镜的组合明显优于仅使用EIS或皮肤镜的模型。我们发现，我们的基于注意力的组合模型优于其他模型，皮肤镜检查，EIS和组合模型的特异性分别为34.4%（CI 31.3-38.4），34.7%（CI 31.0-38.8）和53.7%（CI 50.1-57.6），临床相关灵敏度为98%。
2020-02-05 cs.CV
Pigment Network Detection and Classification in Dermoscopic Images Using Directional Imaging Algorithms and Convolutional Neural Networks
Universiti Malaya（马来亚大学）
本研究利用方向成像算法和CNN对皮肤镜图像中的色素网络进行自动检测与分类，通过改进的CNN模型实现了高准确率的分类效果。
2026-01-16 cs.AI cs.CV eess.IV
Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images
University of North Texas（北卡罗来纳州立大学）
本文针对ISIC 2024非皮肤镜3D-TBP图像提出一种混合集成方法，结合视觉Transformer、分割辅助分类和GBDT，并利用合成病变与工程化特征，在pAUC指标上取得最高成绩0.1755。
2025-06-03 cs.CV cs.LG eess.IV
SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images
Nanyang Technological University（南洋理工大学）；University of British Columbia（不列颠哥伦比亚大学）；Vancouver Coast Health Research Institute（温哥华海岸健康研究所）；BC Cancer（不列颠哥伦比亚癌症中心）
皮肤癌是最常见的恶性肿瘤之一，影响大量人口，并在世界范围内造成沉重的经济负担。在过去的几年里，由于人工智能的进步，计算机辅助诊断得到了迅速发展，并在医疗保健和医疗实践中取得了很大进展。然而，大多数皮肤癌检测的研究都在追求高预测精度，而没有考虑便携式设备上计算资源的限制。在这种情况下，知识蒸馏（KD）已被证明是一个有效的工具，帮助提高轻量级模型在有限的资源下的适应性，同时保持高层次的表示能力。为了弥合这一差距，这项研究特别提出了一种新的方法，称为SSD-KD，它将不同的知识统一到一个通用的KD框架中，用于皮肤病分类。我们的方法模型的实例内关系特征表示，并将其与现有的KD研究。一个双关系知识蒸馏架构是自我监督训练，而加权软化输出也被利用，使学生模型，以捕捉更丰富的知识，从教师模型。为了证明我们的方法的有效性，我们在ISIC 2019上进行了实验，ISIC 2019是一个大规模开放访问的皮肤病皮肤镜图像基准。实验结果表明，我们的蒸馏轻量级模型可以达到高达85%的准确率为8种不同的皮肤疾病的分类任务，最小的参数和计算要求。消融研究证实了我们的内部和实例间的关系知识整合策略的有效性。与现有的知识蒸馏技术相比，该方法在大规模皮肤镜数据库上的多疾病分类性能得到了提高。
2022-03-30 cs.CV
Early Melanoma Diagnosis with Sequential Dermoscopic Images
Department of Epidemiology and Biostatistics, College of Public Health, Zhengzhou University（郑州大学公共卫生学院流行病学与生物统计学系）；Victorian Melanoma Service, Alfred Health（阿尔弗雷德健康服务中心维多利亚黑色素瘤中心）；eResearch Centre, Monash University（莫纳什大学电子研究中心）
皮肤科医生通常通过评估皮肤病变的后续皮肤镜图像来诊断或排除早期黑色素瘤。然而，现有的早期黑色素瘤诊断算法是使用病变的单时间点图像开发的。忽视病变的时间、形态学改变可导致临界病例的误诊。在这项研究中，我们提出了一个框架，自动早期黑色素瘤诊断使用连续皮肤镜图像。为此，我们分三步构建我们的方法。首先，我们使用估计的欧几里德变换对齐皮肤病变的连续皮肤镜图像，通过计算连续图像之间的图像差异来提取病变生长区域，然后提出一个时空网络来从对齐的病变图像和相应的差异图像中捕获皮肤镜变化。最后，我们开发了一个早期诊断模块来计算随着时间的推移病变图像的恶性肿瘤的概率分数。我们收集了122例患者的179个连续皮肤镜成像数据来验证我们的方法。大量的实验表明，该模型优于其他常用的序列模型。我们还比较了我们的模型的诊断结果与七个经验丰富的皮肤科医生和五个注册。我们的模型实现了比临床医生更高的诊断准确率（分别为63.69%和54.33%），并提供了黑色素瘤的早期诊断（在首次随访图像上正确诊断的黑色素瘤为60.7%和32.7%）。这些结果表明，我们的模型可用于识别在疾病过程早期处于恶性转化高风险的黑色素细胞病变，从而重新定义黑色素瘤早期检测的可能性。
2021-10-12 cs.CV cs.LG eess.IV
Automatic Lesion Boundary Segmentation in Dermoscopic Images with Ensemble Deep Learning Methods
Manchester Metropolitan University（曼彻斯特城市大学）；University of Auckland（奥克兰大学）
早期发现皮肤癌，特别是黑色素瘤，对于实现先进的治疗至关重要。由于皮肤癌数量的快速增长，对皮肤病变的计算机化分析的需求日益增长。用于皮肤病变的最先进的公共可用数据集通常伴随有非常有限的分割基础事实标记，因为它是费力且昂贵的。在皮肤镜图像中，病灶边界的分割对于病灶的准确定位和不同类型皮肤病灶的诊断至关重要。在这项工作中，我们提出使用全自动深度学习集成方法来精确分割皮肤镜图像中的病变边界。我们在ISIC-2017分割训练集上训练了Mask-RCNN和DeepLabv 3+方法，并在ISIC-2017测试集上评估了集成网络的性能。我们的研究结果表明，最好的集成方法分割皮肤病变的Jaccard指数为79.58%的ISIC-2017测试集。该集成方法在Jaccard指数上分别优于FrCN、FCN、U-Net和SegNet 2.48%、7.42%、17.95%和9.96%。此外，在ISIC-2017测试集上，所提出的集成方法对一些具有代表性的临床良性病例的准确率为95.6%，对黑色素瘤病例的准确率为90.78%，对脂溢性角化病病例的准确率为91.29%，表现出比FrCN，FCN，U-Net和SegNet更好的性能。
2019-07-29 cs.CV eess.IV
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
DSNet: Automatic Dermoscopic Skin Lesion Segmentation
University of Girona（赫罗纳大学）；Université Clermont Auvergne（克莱蒙奥弗涅大学）
皮肤病变的自动分割是黑色素瘤计算机辅助诊断（CAD）的关键步骤。尽管它的意义，皮肤病变分割仍然是一个具有挑战性的任务，由于其不同的颜色，纹理和难以区分的边界，并形成一个开放的问题。通过这项研究，我们提出了一个新的和自动的语义分割网络强大的皮肤病变分割皮肤镜皮肤网络（DSNet）。为了减少参数的数量以使网络轻量化，我们使用深度可分离卷积代替标准卷积，将学习到的鉴别特征投影到编码器不同阶段的像素空间上。此外，我们还实现了U-Net和全卷积网络（FCN 8 s），以与建议的DSNet进行比较。我们在两个公开的数据集上评估了我们提出的模型，即ISIC-2017和PH 2。ISIC-2017和PH 2数据集的平均交集（mIoU）分别为77.5%和87.0%，在mIoU方面优于ISIC-2017挑战获胜者1.0%。我们提出的网络在ISIC-2017数据集上的mIoU方面也分别优于U-Net和FCN 8 3.6%和6.8%。我们的皮肤病变分割网络优于其他方法，可以在两个不同的测试数据集上提供更好的分割掩模，从而提高黑色素瘤检测的性能。我们的训练模型以及源代码和预测掩码都是公开的。
2020-01-23 cs.CV eess.IV
Investigating and Exploiting Image Resolution for Transfer Learning-based Skin Lesion Classification
Medical University of Vienna（维也纳医科大学）；Loughborough University（拉夫堡大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；TissueGnostics GmbH（TissueGnostics有限公司）
皮肤癌是最常见的癌症类型之一。与肉眼检查相比，皮肤镜图像分析提高了检测恶性黑色素瘤和其他色素性皮肤病变的诊断准确性。因此，基于计算机的方法来支持医学专家在诊断过程中的极大兴趣。微调预训练的卷积神经网络（CNN）已被证明对于皮肤病变分类工作良好。预训练的CNN通常用固定图像大小的自然图像进行训练，该图像大小通常显著小于捕获的皮肤病变图像，因此皮肤镜图像被下采样以进行微调。然而，在这种转换过程中，有用的医学信息可能会丢失。在本文中，我们探讨了输入图像大小对微调CNN的皮肤病变分类性能的影响。为此，我们将皮肤镜图像调整为不同的分辨率，从64 x64到768 x768像素，并研究了三种成熟的CNN，即DenseNet-121，ResNet-18和ResNet-50的分类性能。我们的研究结果表明，使用非常小的图像（大小为64 x64像素）会降低分类性能，而大小为128 x128像素及以上的图像支持较大图像大小的良好性能，导致分类略有改善。我们进一步提出了一种基于三级集成策略的新型融合方法，该策略利用多种微调网络，这些网络使用各种尺寸的皮肤镜图像进行训练。当应用于ISIC 2017皮肤病变分类挑战时，我们的融合方法产生的黑色素瘤分类和脂溢性角化病分类的受试者工作特征曲线下面积分别为89.2%和96.6%，优于最先进的算法。
2020-06-25 cs.CV
Dermoscopic Image Classification with Neural Style Transfer
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Novartis Pharmaceuticals（诺华制药）；University of California, Irvine（加州大学欧文分校）；Wolfram Research（沃尔夫勒姆研究公司）
皮肤癌是最常见的人类恶性肿瘤，主要通过皮肤镜分析、活检和组织病理学检查进行视觉诊断。然而，与其他类型的癌症不同，由于病变外观的不规则性和可变性，皮肤病变的自动图像分类被认为更具挑战性。在这项工作中，我们提出了一个适应的神经风格转移（NST）作为一种新的图像预处理步骤的皮肤病变分类问题。我们将每个皮肤镜图像表示为样式图像，并将病变的样式转移到同质内容图像上。这将每个病变的主要变异性转移到相同的局部区域，这使我们能够将生成的图像整合在一起，并通过张量分解提取潜在的低秩风格特征。我们训练和交叉验证我们的模型的皮肤镜数据集收集和预处理的国际皮肤成像协作（ISIC）数据库。我们表明，基于使用风格转移图像提取的张量特征的分类性能显着优于原始图像的10%以上，并且通过转移学习与经过充分研究的预训练CNN模型也具有竞争力。此外，张量分解进一步识别潜在的风格集群，这可以提供临床解释和见解。
2021-05-31 cs.CV cs.LG eess.IV
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
Learning to Detect Blue-white Structures in Dermoscopy Images with Weak Supervision
Simon Fraser University（西蒙弗雷泽大学）
我们提出了一种新的方法来确定皮肤黑色素瘤诊断中最重要的皮肤镜标准之一：蓝白色结构。在本文中，我们在多实例学习框架中实现了这一目标，仅使用图像级别的标签来确定特征是否存在。作为输出，我们预测图像分类标签，以及定位图像中的特征。实验进行了一个具有挑战性的数据集，结果优于国家的最先进的。这项研究提供了一个改进的计算机图像分析的皮肤病变的建模范围，特别是在它提出了一个框架识别皮肤镜局部功能从弱标记的数据。
2015-06-30 cs.CV
Searching for Robust Augmentations to Improve Out-of-Domain Generalization in Dermoscopic Skin Cancer Classification
本研究针对皮肤癌分类的域偏移问题，在ISIC Archive等数据集上搜索增强策略，发现mix策略可显著提升分布外泛化性能，为皮肤癌分类器鲁棒性优化提供了新方向。
2026-09-01 cs.AI cs.CV
Mitigating the Influence of Domain Shift in Skin Lesion Classification: A Benchmark Study of Unsupervised Domain Adaptation Methods on Dermoscopic Images
German Aerospace Center (DLR)（德国航空航天中心）；German Cancer Research Center (DKFZ)（德国癌症研究中心）
该研究针对皮肤镜图像分类的域偏移问题，对8种无监督域自适应方法在10个数据集上开展基准测试，证实这类方法普遍能提升黑色素瘤-痣分类性能，同时指出小样本或不平衡数据集会降低结果一致性。
2023-10-05 cs.CV
Skin disease identification from dermoscopy images using deep convolutional neural network
Indian Statistical Institute（印度统计研究所）；Indian Institute of Technology, Guwahati（印度理工学院古瓦哈提分校）
本文提出了一种基于深度神经网络的集成方法，用于皮肤镜图像中皮肤疾病的自动识别。开发的算法应用于ISIC 2018挑战数据集的任务3（皮肤病变分析对黑色素瘤检测）。
2018-07-24 cs.CV
Few-Shot Classification of Skin Lesions from Dermoscopic Images by Meta-Learning Representative Embeddings
Sri Sivasubramaniya Nadar College of Engineering（斯里西瓦苏布拉马尼亚·纳达尔工程学院）
用于诊断罕见和新型疾病的注释图像和地面实况非常罕见。考虑到受影响的患者人群数量较少且注释图像的临床专业知识有限，预计这将占上风。此外，皮肤病变和其他疾病分类数据集中频繁出现的长尾类分布导致传统的训练方法由于有偏见的类先验而导致泛化能力差。少样本学习和一般的元学习旨在通过在低数据状态下表现良好来克服这些问题。本文主要研究改进皮肤镜图像分类的元学习方法。具体来说，我们提出了一种基于元训练集的基线监督方法，该方法允许网络学习图像的高度代表性和可概括性的特征嵌入，这些特征嵌入很容易转移到新的少样本学习任务中。我们遵循文献中的一些先前的工作，这些工作证明了具有代表性的特征嵌入可以比复杂的Meta学习算法更有效。我们从经验上证明了所提出的元训练方法对皮肤镜图像学习嵌入的有效性，并表明即使是在这些表示上训练的简单线性分类器也足以胜过一些常用的元学习方法。
2022-10-30 cs.AI cs.CV cs.LG
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
A Comparative Analysis Towards Melanoma Classification Using Transfer Learning by Analyzing Dermoscopic Images
North South University（北南大学）
本文通过迁移学习比较ResNet101、DenseNet、EfficientNet和InceptionV3在ISIC皮肤镜图像上的黑色素瘤分类性能，其中DenseNet以96.64%验证准确率和99.63%测试准确率表现最佳。
2023-12-02 cs.CV eess.IV
SkinGenBench: Generative Model and Preprocessing Effects for Synthetic Dermoscopic Augmentation in Melanoma Diagnosis
Alliance School of Advanced Computing, Alliance University, India（印度联盟大学高级计算学院）；Department of Computer Science and Communication, Østfold University College, 1783 Halden, Norway（挪威东福尔大学学院计算机科学与传播系）；Department of Dentistry and Oral Health, Aarhus University, 8000 Aarhus, Denmark（丹麦奥胡斯大学牙科与口腔健康系）
本文提出SkinGenBench，研究预处理复杂性与生成模型选择对合成皮肤镜图像增强及黑色素瘤诊断的影响，通过评估StyleGAN2-ADA和DDPMs生成模型在不同预处理下的性能，发现生成模型架构对图像质量和诊断效果影响更大。
2026-04-02 cs.CV cs.LG eess.IV
MedTokenBudget: Lesion-Preserving Token Routing for Dermoscopic Image Classification
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
MedTokenBudget提出一种病灶感知令牌路由框架，通过LATS模块融合多种信号选择关键图像块，在保持病灶证据的同时提升皮肤镜图像分类性能。
2026-09-28 cs.AI cs.CV
Deep Learning for Skin Lesion Classification
SSN College of Engineering（SSN工程学院）；VIT University（VIT大学）
黑色素瘤是皮肤癌的一种恶性形式，对生命非常有威胁。在早期阶段诊断黑色素瘤是非常必要的，因为它具有非常高的治愈率。皮肤癌的良性和恶性形式可以通过使用皮肤镜图像分析皮肤表面上存在的病变来检测。在这项工作中，开发了一种自动皮肤病变检测系统，该系统使用Google的预训练CNN模型（称为Inception-v3 \cite{cnn}）学习图像的表示。在获得我们输入的皮肤镜图像的表示向量之后，我们训练了两层前馈神经网络来将图像分类为恶性或良性。该系统还使用不同的神经网络基于癌症的原因对图像进行分类，所述癌症的原因是由于黑素细胞或非黑素细胞。这些分类任务是2017年国际皮肤成像合作组织（ISIC）组织的挑战的一部分。我们的系统学习根据使用挑战中给出的训练图像构建的模型对图像进行分类，并使用验证和测试集对实验结果进行评估。我们的系统已经实现了65.8%的整体准确性的验证集。
2017-03-13 cs.CV
Meta-learning for skin cancer detection using Deep Learning Techniques
Coventry University（考文垂大学）
本研究的重点是使用元学习方法对皮肤镜图像进行皮肤癌自动检测。本研究的目的是探讨的好处，从非医疗数据中提取的知识的泛化的分类性能的医疗数据和分布偏移问题的影响，在有限的数据，通过使用一个简单的类和分布平衡器算法。在这项研究中，来自3个不同来源的组合数据集的一小部分样本被用来微调在非医疗数据上预训练的ResNet模型。结果显示，使用从ImageNet数据集的日常物体图像中获得的先验知识，检测黑色素瘤，恶性（皮肤癌）和良性痣的性能提高了20个点。这些发现表明，来自非医学图像的特征可以用于皮肤痣的分类，并且数据的分布影响模型的性能。
2021-04-21 cs.CV
Concept Inconsistency in Dermoscopic Concept Bottleneck Models: A Rough-Set Analysis of the Derm7pt Dataset
Department of Intelligent Systems, Tilburg University（蒂尔堡大学智能系统系）；Information Systems Group, Eindhoven University of Technology（埃因霍温理工大学信息系统组）
本文通过粗糙集理论分析Derm7pt数据集中的概念不一致问题，发现16.4%的概念配置存在冲突，导致理论准确率上限为92.1%，并通过过滤策略构建一致数据集并评估CBM模型性能。
2026-04-21 cs.CV cs.LG
MultiTask Learning AI system to assist BCC diagnosis with dual explanation
本文提出一种多任务学习AI系统，用于从皮肤镜图像中检测基底细胞癌，结合皮肤科医生的诊断标准和Grad-CAM解释，实现高准确率和透明性。
2026-03-16 cs.AI cs.CV cs.IR
Deep Clustering via Center-Oriented Margin Free-Triplet Loss for Skin Lesion Detection in Highly Imbalanced Datasets
Amasya University（阿马西亚大学）；Bilkent University（比尔肯特大学）；National Magnetic Resonance Research Center, Bilkent University（比尔肯特大学国家磁共振研究中心）；Sabuncu Brain Research Center, Bilkent University（比尔肯特大学萨本朱脑研究中心）
黑色素瘤是一种致命的皮肤癌，是可以治愈的，并且在早期诊断时具有显著增加的存活率。基于学习的方法对于从皮肤镜图像检测黑色素瘤具有重要的前景。然而，由于黑色素瘤是一种罕见的疾病，现有的皮肤病变数据库主要包含高度不平衡的良性与恶性样本的数量。反过来，由于大多数类别的统计优势，这种不平衡在分类模型中引入了实质性偏差。为了解决这个问题，我们引入了一种基于皮肤镜图像的潜在空间嵌入的深度聚类方法。聚类是使用一种新的面向中心的无边缘三重损失（COM-三重）来实现的，该算法对卷积神经网络主干的图像嵌入进行了强制执行。该方法的目标是形成最大分离的聚类中心，而不是最小化分类错误，因此它对类不平衡不太敏感。为了避免对标记数据的需要，我们进一步提出了基于高斯混合模型生成的伪标签来实现COM三元组。综合实验表明，COM-三重损失的深度聚类优于三重损失的聚类，以及监督和无监督设置中的竞争分类器。
2022-04-03 cs.AI cs.CV cs.LG
Dream-Box: Object-wise Outlier Generation for Out-of-Distribution Detection
Durham University（杜伦大学）
研究提出Dream-Box方法，利用扩散模型在像素空间生成逐对象离群值以训练目标检测器，实现OOD检测，性能与传统方法相当且首次提供离群对象可视化。
2025-04-25 cs.CV
Skin Lesion Analysis Toward Melanoma Detection: A Challenge at the 2017 International Symposium on Biomedical Imaging (ISBI), Hosted by the International Skin Imaging Collaboration (ISIC)
IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Emory University（埃默里大学）；University of Central Arkansas（中阿肯色大学）；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）；Medical University of Vienna（维也纳医科大学）
本文介绍了皮肤镜图像分析基准测试挑战的最新版本的设计、实现和结果。其目标是支持自动诊断黑色素瘤（最致命的皮肤癌）的算法的研究和开发。挑战分为3个任务：病变分割，特征检测和疾病分类。参与涉及593个注册，81个预提交，46个最终提交（包括4页的手稿），以及大约50名与会者，使其成为迄今为止该领域最大的标准化和比较研究。虽然官方的挑战持续时间和参与者的排名已经结束，但数据集快照仍可用于进一步的研究和开发。
2018-01-08 cs.CV
Asymmetric Lesion Detection with Geometric Patterns and CNN-SVM Classification
Universiti Malaya（马来亚大学）
本文结合几何模式分析与 CNN-SVM 分类检测皮肤镜病变不对称性，在无标注数据上构建对称标签，并取得 99.00% 检测率及优于现有方法的分类表现。
2025-07-23 cs.AI 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
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
Knowledge Distillation approach towards Melanoma Detection
North South University（北南大学）；Concordia University（康考迪亚大学）
黑色素瘤被认为是所有皮肤癌中最具威胁性的。迫切需要建立能够帮助早期检测黑色素瘤并能够及时治疗患者的系统。最近的方法面向基于机器学习的系统，其中任务被设定为图像识别，将皮肤病变的皮肤镜图像标记为黑素瘤或非黑素瘤。尽管这些方法在准确性方面显示出有希望的结果，但是它们在计算上对于训练来说是相当昂贵的，这质疑了这些模型在临床环境或记忆约束设备中可部署的能力。为了解决这个问题，我们专注于构建简单而高性能的模型，这些模型具有很少的层，少于10层，而不是数百层。与使用知识蒸馏从皮肤镜图像检测黑色素瘤的目标相比，使用较少的可学习参数，26万（M）。首先，我们使用ResNet-50训练教师模型来检测黑素瘤。使用教师模型，我们训练的学生模型被称为蒸馏学生网络（DSNet），其中有大约0.26 M的参数，使用知识蒸馏达到91.7%的准确率。我们比较了ImageNet预训练的模型，如MobileNet，VGG-16，Inception-V3，EfficientNet-B 0，ResNet-50和ResNet-101。我们发现，与其他预训练模型相比，我们的方法在推理运行时间方面效果良好，2.57秒与14.55秒相比。我们发现，DSNet（0.26M参数），这是15倍小，始终表现优于EfficientNet-B 0（4 M参数）在黑色素瘤和非黑色素瘤检测精度，召回和F1评分
2022-10-14 cs.AI cs.CV cs.LG
Initialization and Stopping Tolerance in CPU Dermoscopic Segmentation
Zhengzhou Police University（郑州警察大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Chinese Academy of Sciences（中国科学院）；Qilu University of Technology（齐鲁工业大学）；Jinan Supercomputing Center（济南超算中心）
本研究在 CPU 皮肤镜分割中探究主动轮廓初始化与停止容差对评估的影响，发现 Otsu 初始化优于棋盘格但劣于阈值基线，强调评估需报告初始场、容差及迭代次数。
2026-10-07 cs.CV eess.IV
Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation
Ivannikov Institute for System Programming of the Russian Academy of Sciences (ISP RAS)（俄罗斯科学院伊万尼科夫系统编程研究所）；Orel Oncological Dispensary（奥廖尔肿瘤医院）
本研究比较了四种深度学习架构在皮肤镜图像分类中的表现，提出一种两阶段级联分类方案，通过可调分诊阈值实现敏感度控制，并在外部临床数据集上验证了泛化差距。
2026-06-12 cs.AI cs.CV
Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks
University of Dayton（代顿大学）
在过去的几年中，深度学习（DL）在不同形式的生物医学图像分析中表现出卓越的性能。已经提出了几种DL架构用于医学成像和计算病理学中的分类、分割和检测任务。在本文中，我们提出了一种新的DL架构，NABLA-N网络，具有更好的特征融合技术，在解码单元皮肤镜图像分割任务。NABLA-N网络在分割任务方面有一些进步。首先，该模型确保了更好的特征表示语义分割与低到高级别的特征图的组合。其次，与其他方法相比，该网络在相同或更少的网络参数下显示出更好的定量和定性结果。此外，初始递归残差卷积神经网络（IRRCNN）模型用于皮肤癌分类。建议的NABLA-N网络和IRRCNN模型在国际皮肤成像合作组织2018（ISIC-2018）的基准数据集上进行皮肤癌分割和分类评估。实验结果表明，与递归残差U-网（R2 U-网）相比，该算法在分割任务上具有更好的性能。分类模型在ISIC 2018数据集上显示皮肤镜皮肤癌分类的测试准确率约为87%。
2019-04-25 cs.CV eess.IV
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
Methodology for Creating a Clinically Verified Dermoscopic Image Dataset
Ivannikov Institute for System Programming of the Russian Academy of Sciences（伊万诺夫系统编程研究所，俄罗斯科学院）
提出一种结合移动皮肤镜图像采集标准操作程序、结构化元数据信息模型和多阶段专家验证的方法，构建临床验证的皮肤镜图像数据集，用于医学信息学研究。
2026-05-24 cs.AI cs.CV eess.IV
Skin Lesion Analysis Toward Melanoma Detection 2018: A Challenge Hosted by the International Skin Imaging Collaboration (ISIC)
IBM T.J. Watson Research Center（IBM T.J.沃森研究中心）；Memorial Sloan-Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；Medical University of Vienna（维也纳医科大学）；University of Central Arkansas（中阿肯色大学）；Emory University（埃默里大学）；Kitware, Inc.（基特威尔公司）
这项工作总结了世界上最大的皮肤图像分析挑战的结果，该挑战由国际皮肤成像合作组织（ISIC）主办，ISIC是一个全球合作伙伴关系，组织了世界上最大的皮肤镜图像公共存储库。该挑战于2018年在西班牙格拉纳达举行的医学图像计算和计算机辅助干预（MICCAI）会议上举办。该数据集包括3个任务的12，500多张图像。900名用户注册下载数据，115名提交至病变分割任务，25名提交至病变属性检测任务，159名提交至疾病分类任务。建立了新的评估协议，包括分割算法性能的新测试和算法泛化能力的测试。结果表明，顶级分割算法平均仍有超过10%的图像失败，在测试数据上具有相同性能的算法可能具有不同的泛化能力。这是监管医疗保健领域越来越多的机器学习工具的机构的重要考虑因素，并为医疗保健领域未来的公共挑战设定了新标准。
2019-03-29 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
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
Combining pre-trained Vision Transformers and CIDER for Out Of Domain Detection
Pôle Universitaire Léonard de Vinci（列奥纳多·达·芬奇大学中心）；reciTAL（reciTAL公司）；URCA CReSTIC（兰斯大学CReSTIC研究中心）；University of Tours（图尔大学）
本文研究预训练视觉Transformer与CNN在域外检测中的性能，发现Transformer开箱即用表现更优，且结合CIDER精炼方法可进一步提升OOD检测性能，为任务设定更强基线。
2023-09-06 cs.AI cs.CV
YolOOD: Utilizing Object Detection Concepts for Multi-Label Out-of-Distribution Detection
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Fujitsu Limited（富士通有限公司）
本文提出YolOOD方法，利用目标检测模型的固有区分能力，通过微小改动将其转换为图像分类器，从而在多标签分类任务中实现高效的分布外检测，性能优于现有方法。
2023-11-21 cs.CV cs.LG
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
Segmentation and ABCD rule extraction for skin tumors classification
Tlemcen University（特莱姆森大学）；Université de Bourgogne（勃艮第大学）
在过去的几年中，基于计算机视觉的诊断系统已被广泛用于几家医院和皮肤科诊所，旨在早期检测恶性黑色素瘤，这是最常见的皮肤癌类型之一。在这项工作中，我们提出了一个自动诊断系统的基础上ABCD规则用于临床诊断，以区分良性和恶性皮肤病变。首先，为了减少小结构的影响，使用基于形态学和快速行进方案的预处理步骤。第二步，提出了一种无监督的病变分割方法。采用迭代阈值法自动初始化水平集。由于自动边界的检测是计算机化黑色素瘤识别系统中后续阶段正确性的重要步骤，我们将其准确性与growcut和均值漂移算法进行了比较，并讨论了这些结果如何影响以下步骤：特征提取和最终的病变分类。以视觉诊断为基础，计算了四个特征：不对称性（A）、边界（B）、颜色（C）和多样性（D），并将其用于构建基于人工神经网络的恶性黑色素瘤分类模型。该框架已在320张图像的皮肤镜数据库[16]上进行了测试。分类结果表明，提高了正确的检测率和降低误报率。
2021-06-08 cs.CV
Multiple Abnormality Detection for Automatic Medical Image Diagnosis Using Bifurcated Convolutional Neural Network
Isfahan University of Technology（伊斯法罕理工大学）；University of Michigan（密歇根大学）
不同身体器官中异常区域的自动分类和分割过程在大多数医学成像应用（例如眼底镜、内窥镜和皮肤镜）中具有至关重要的作用。在每种类型的图像中检测多个异常对于更好和更准确的诊断程序和医疗决策是必要的。近年来，便携式医疗成像设备，如胶囊内窥镜和数字皮肤镜已被引入，使诊断过程更容易和更有效。然而，这些便携式设备具有受约束的功率资源和有限的计算能力。为了解决这个问题，我们提出了一个分叉结构的卷积神经网络同时进行分类和分割的多个异常。所提出的网络首先分别由每个异常进行训练。然后使用所有异常来训练网络。为了降低计算复杂性，网络被重新设计，以共享所有异常之间共有的一些特征。之后，这些共享的特征被用于不同的设置（方向）来分割和分类图像的异常区域。最后将分类结果与分割方向进行融合，得到分类后的分割图。使用四种常见的胃肠道异常以及三种皮肤镜病变来模拟所提出的框架，并且为了评估所提出的框架，将结果与相应的地面实况图进行比较。分叉网络的特性，如低复杂度和资源共享，使其适合于实现为便携式医疗成像设备的一部分。
2018-10-15 cs.CV
Revamping AI Models in Dermatology: Overcoming Critical Challenges for Enhanced Skin Lesion Diagnosis
Monash University（莫纳什大学）；The University of Queensland（昆士兰大学）；Molemap Pty. Ltd.（Molemap 有限公司）；Alfred Health（阿尔弗雷德健康中心）
针对皮肤科 AI 诊断输出有限、罕见病变验证不足、分布外检测缺失和依赖皮肤镜图像等问题，本文提出一体化 HOT 模型，生成分层预测、OOD 警报和皮肤镜检查建议，并融合多类图像完成诊断。
2023-11-02 cs.AI cs.CV
CNNs, Transformers, Hybrid, and Vision Language Models for Skin Cancer Detection
Department of Computer Science and Software Engineering, Concordia University, Montreal, Canada（计算机科学与软件工程系，康科迪亚大学，加拿大蒙特利尔）；Ebovir Biotechnologie Inc., Montreal, Canada（Ebovir生物技术公司，加拿大蒙特利尔）
本文在PAD-UFES-20数据集上统一评估了12种深度学习模型（包括CNN、ViT、混合卷积Transformer和视觉语言模型），结果表明混合模型和基于SigLIP的VLM在排名性能和临床相关操作点之间取得了最佳平衡。
2026-05-25 cs.CV
