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
Skin3D: Detection and Longitudinal Tracking of Pigmented Skin Lesions in 3D Total-Body Textured Meshes
Medical Image Analysis Lab, School of Computing Science（计算科学学院医学图像分析实验室）；Simon Fraser University（西蒙弗雷泽大学）
我们提出了一种自动化的方法来检测和纵向跟踪皮肤病变的三维全身皮肤表面扫描。所获取的受试者的3D网格被展开为2D纹理图像，其中经过训练的目标检测模型Faster R-CNN将病变定位在2D域内。这些检测到的皮肤病变被映射回受试者的3D表面，并且对于多次成像的受试者，我们构建了一个基于图形的匹配过程来纵向跟踪病变，该过程考虑了成对网格之间的解剖对应关系以及相应病变的测地接近度和病变间的测地距离。我们使用3DBodyTex评估了所提出的方法，3DBodyTex是一个公开的数据集，由200名人类受试者的彩色皮肤（纹理网格）的3D扫描成像组成。我们手动注释了人眼看来包含色素性皮肤病变的位置，并跟踪了在不同姿势下成像的同一受试者上发生的病变子集。与三个人类注释器相比，我们的结果表明，经过训练的Faster R-CNN检测病变的性能水平与人类注释器相似。我们的病变跟踪算法实现了88%的平均匹配准确度上的一组检测到的相应对的突出病变的主体成像在不同的姿势，平均纵向准确度为71%时，包括额外的错误，由于病变检测。由于目前还没有其他大规模的公开可用的3D全身皮肤病变数据集，我们公开发布了超过25，000个3DBodyTex手动注释，我们希望这些注释能够进一步推动全身皮肤病变分析的研究。
2022-01-12 cs.CV cs.LG
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
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
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
SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion Classification
University of South Florida（南佛罗里达大学）
卷积神经网络（CNN）在皮肤病变分类中取得了巨大的成功。需要平衡的数据集来训练好的模型。然而，由于在实践中不同皮肤病变的出现，严重或甚至最致命的皮肤病变类型（例如，黑色素瘤）在数据集中自然具有相当小的量。在这种情况下，分类性能的下降发生广泛，这是非常重要的CNN，工作在类不平衡的皮肤病变图像数据集。在本文中，我们提出了SuperCon，一个两阶段的训练策略，以克服类不平衡的皮肤病变分类问题。它包含两个阶段：（i）表示训练，其试图学习在类内紧密对齐并且远离类间的特征表示，以及（ii）分类器微调，其旨在学习基于所学习的表示正确预测标签的分类器。在实验评估中，我们的方法和其他现有的皮肤病变基准数据集的方法进行了广泛的比较。结果表明，我们的两阶段训练策略有效地解决了类不平衡分类问题，并显着提高了现有的作品在F1得分和AUC得分，从而导致国家的最先进的性能。
2022-02-11 cs.CV cs.LG
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
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
Mitigating Individual Skin Tone Bias in Skin Lesion Classification through Distribution-Aware Reweighting
University of Hull（赫尔大学）
本文提出基于分布的重加权方法，通过核密度估计和距离度量标准，缓解皮肤病变分类中的个体肤色偏见问题，提升医学影像分析的公平性。
2025-12-09 cs.AI cs.CV cs.LG
Enhancing Fairness in Skin Lesion Classification for Medical Diagnosis Using Prune Learning
University of Hull（赫尔大学）；Leeds Teaching Hospitals NHS Trust（利兹教学医院 NHS信托）
针对皮肤病变分类模型的肤色偏差问题，提出基于剪枝学习的公平性算法，通过计算网络特征偏度去除肤色相关冗余通道，在降本缩模的同时提升诊断公平性与实用性。
2025-08-31 cs.AI cs.CV cs.CY
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
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
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
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 Synthesis with Generative Adversarial Networks
University of Campinas (Unicamp)（坎皮纳斯大学）
皮肤癌是迄今为止最常见的癌症类型。早期发现是显著增加成功治疗机会的关键。目前，深度神经网络是自动皮肤癌分类的最新成果。为了进一步推动结果，我们需要解决缺乏注释数据的问题，这是昂贵的，需要专家的大量努力。为了绕过这个问题，我们建议使用生成对抗网络来生成逼真的合成皮肤病变图像。据我们所知，我们的结果是第一个显示视觉上吸引人的合成图像，包括临床意义的信息。
2019-02-08 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
MedGrad E-CLIP: Enhancing Trust and Transparency in AI-Driven Skin Lesion Diagnosis
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
针对AI皮肤病变诊断的黑箱信任问题，提出融合加权熵机制的MedGrad E-CLIP方法，基于CLIP实现病变分类与可视化解释，提升医疗AI诊断的透明度与可信度。
2025-01-12 cs.AI cs.CV cs.ET
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
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
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
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
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
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
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
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
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
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
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
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
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
CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification
University of South Florida（南佛罗里达大学）
卷积神经网络（CNN）在皮肤病变分析中已经达到了最先进的性能。与单个CNN分类器相比，通过融合方法将多个分类器的结果相结合，显示出更有效和鲁棒性。由于皮肤病变数据集通常是有限的并且在统计上有偏差，因此在设计有效的融合方法时，重要的是不仅要考虑每个分类器在训练/验证数据集上的性能，而且要考虑相对区分能力（例如，置信度），这需要主动融合方法。此外，在皮肤病变分析中，某些类别的数据（例如，良性病变）通常是丰富的，使得它们成为过度代表的大多数，而一些其它类别的数据（例如，癌症病变）是缺乏的，使他们成为代表性不足的少数群体。更重要的是精确地识别来自代表性不足的样本（即，就数据量而言）但是更重要的少数类（例如，某些癌性病变）。换句话说，将更严重的病变错误分类为良性或不太严重的病变应该具有相对更多的成本（例如，金钱、时间甚至生命）。为了解决这些挑战，我们提出了CS-AF，一个成本敏感的多分类器主动融合框架的皮肤病变分类。在实验评估中，我们在ISIC研究数据集上准备了96个基础分类器（12个CNN架构）。我们的实验结果表明，我们的框架始终优于静态融合的竞争对手。
2020-09-09 cs.CV cs.LG eess.IV
A Multi-Task Deep Learning Framework for Skin Lesion Classification, ABCDE Feature Quantification, and Evolution Simulation
Department of Chemistry, University of Cambridge, Cambridge, United Kingdom（剑桥大学化学系，剑桥，英国）；Harvard Ophthalmology AI Lab, Harvard Medical School, Boston, MA, USA（哈佛医学院眼科人工智能实验室，哈佛医学院，波士顿，马萨诸塞州，美国）
提出一个多任务深度学习框架，用于皮肤病变分类、ABCDE特征量化及演化模拟，在HAM10000上实现约89%准确率和0.96的黑色素瘤AUC，辅助医生将ML诊断与临床标准关联。
2025-10-16 cs.CV cs.LG
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
AI Progress in Skin Lesion Analysis
Applied Physics Laboratory, Johns Hopkins University（约翰斯·霍普金斯大学应用物理实验室）；Malone Center for Engineering in Healthcare, Johns Hopkins University（约翰斯·霍普金斯大学医疗保健工程马龙中心）
我们研究了使用AI检测皮肤病变的进展，特别强调急性莱姆病的游走性红斑皮疹，以及其他病变，如带状疱疹（带状疱疹）、体细胞瘤、多形性红斑、蜂窝织炎、昆虫叮咬或蜱虫叮咬。我们讨论了这些应用程序的重要挑战，特别是关于深色皮肤个体缺乏皮肤图像的AI偏见问题，与图像中的正常皮肤相比，能够准确检测，描绘和分割病变或感兴趣区域，以及低拍摄学习（解决训练图像缺乏的分类）。解决这些问题的范围从高度期望的要求-例如，对于描绘，这可能有助于消除类似类型的病变之间的歧义，并执行改进的诊断-或需要，如AI去偏置的情况，以允许在临床中部署公平的AI技术进行皮肤病变分析。特别是对于低拍摄学习的问题，我们报告了皮肤分析算法，与基线算法相比，这些算法在低拍摄时表现良好：当每类使用少至10个训练样本时，基线DL算法性能显著降低，准确率为56.41%，接近偶然，而表现最好的低发射算法产生85.26%的准确度。
2020-10-09 cs.CV cs.LG eess.IV
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
MT-TransUNet: Mediating Multi-Task Tokens in Transformers for Skin Lesion Segmentation and Classification
School of Computer Science, Fudan University（复旦大学计算机科学学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
自动化皮肤癌诊断的最新进展已经产生了与董事会认证的皮肤科医生相当的性能。然而，这些方法将皮肤癌诊断制定为简单的分类任务，忽略了病变分割的潜在益处。我们认为，一个准确的病变分割可以补充分类任务与附加的病变信息，如不对称性，边界，强度和物理大小，反过来，一个忠实的病变分类可以支持与判别病变特征的分割任务。为此，本文提出了一种新的多任务框架，名为MT-TransUNet，这是能够分割和分类皮肤病变协同调解多任务令牌在Transformers。此外，我们还引入了双任务和参与区域一致性损失，以利用那些没有像素级注释的图像，确保模型在遇到具有增强的相同图像时的鲁棒性。我们的MT-TransUNet超过了ISIC-2017和PH 2中病变分割和分类任务的先前最先进水平;更重要的是，它保留了模型参数方面令人信服的计算效率（48 M ~vs.~ 130 M）和推理速度（0.17s~vs.~ 2.02s/图像）。代码将在https://github.com/JingyeChen/MT-TransUNet上提供。
2021-12-03 cs.CV cs.LG 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
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
A Dense CNN approach for skin lesion classification
CNR-ISASI（意大利国家研究委员会应用科学与智能系统研究所）；University of Salento（萨兰托大学）
本文提出了一种基于DenseNet架构的Deep CNN，结合高度区分的学习方法，对七种皮肤病变进行分类：黑色素瘤、黑色素细胞痣、基底细胞癌、光化性角化病/ Bowen病、良性角化病、皮肤纤维瘤、血管病变。特别是在IMAGENET数据集上预训练的61层DenseNet，已经在ISIC 2018任务3挑战数据集上进行了微调，利用中心损失函数。
2018-07-26 cs.CV
Out-of-Distribution Detection for Skin Lesion Images with Deep Isolation Forest
McGill University（麦吉尔大学）；Universite de Montrea（蒙特利尔大学）；ETS Montreal（蒙特利尔高等工程学院）
本文研究了皮肤病图像中的分布外检测问题。公开可用的医学数据集通常具有有限数量的病变类别（例如，HAM 10000具有8个病变类别）。然而，存在几千种临床确定的疾病。因此，重要的是是否可以区分不在训练数据中的病变。为了实现这一目标，我们提出了DeepIF，这是一种基于非参数隔离森林的方法，结合了深度卷积网络。我们进行了全面的实验，将我们的DeepIF与三个基线模型进行比较。结果表明，我们提出的方法检测异常皮肤病变的任务的最先进的性能。
2020-03-20 cs.CV
Enhancing Skin Lesion Classification Generalization with Active Domain Adaptation
Carnegie Mellon University（卡内基梅隆大学）
本文提出结合自监督学习与主动域适应的皮肤病变分类方法，通过自然图像预训练、皮肤数据再训练、源域微调及目标域ADA选择，在10个数据集和5种ADA方法上验证了跨域泛化提升效果。
2025-02-18 cs.CV
Knowledge-aware Deep Framework for Collaborative Skin Lesion Segmentation and Melanoma Recognition
Nanyang Technological University（南洋理工大学）；Central South University（中南大学）；Singapore University of Technology and Design（新加坡科技设计大学）
深度学习技术在皮肤科医生的临床检查中表现出了卓越的性能。然而，黑色素瘤的诊断仍然是一个具有挑战性的任务，由于将有用的皮肤科医生的临床知识纳入学习过程中的困难。在本文中，我们提出了一种新的知识感知深度框架，该框架将一些临床知识纳入两个重要的黑色素瘤诊断任务的协作学习中，即，皮肤病变分割和黑素瘤识别。具体而言，利用知识的形态学表达的病变区域和黑色素瘤识别的周边区域，基于病变池和形状提取（LPSE）计划的设计，转移到黑色素瘤识别从皮肤病变分割获得的结构信息。同时，为了将黑色素瘤识别中的皮肤病变诊断知识传递到皮肤病变分割中，设计了一种有效的诊断引导特征融合（DGFF）策略。此外，我们提出了一个递归的相互学习机制，进一步促进任务间的合作，从而迭代地提高皮肤病变分割和黑色素瘤识别模型的联合学习能力。两个公开的皮肤病变数据集上的实验结果表明，所提出的方法对黑色素瘤分析的有效性。
2021-12-02 cs.CV eess.IV
