Adversarial Attacks and Defences for Skin Cancer Classification
Veermata Jijabai Technological Institute（维尔马塔·吉贾拜技术学院）
近年来，在用于促进诊断的医学图像和用于执行诸如分类、检测和分割之类的任务的机器学习技术的性能方面，同时存在显著的改进。结果，在医疗保健行业中可以观察到这种系统的使用的快速增长，例如以医学图像分类系统的形式，其中这些模型已经实现了与人类医生的诊断同等性。可以观察到这一点的一个这样的应用是在计算机视觉任务中，例如皮肤镜图像中皮肤病变的分类。然而，随着医疗保健行业的利益相关者（如保险公司）继续在机器学习基础设施上进行广泛投资，了解此类系统中的漏洞变得越来越重要。由于这些机器学习模型执行的任务具有高度关键性，因此有必要分析可用于利用这些漏洞的技术以及防御这些漏洞的方法。本文探讨了常见的对抗攻击技术。快速符号梯度法和投影下降梯度用于对卷积神经网络训练分类皮肤病变的皮肤镜图像。接下来，它还讨论了最流行的对抗性防御技术之一，对抗性训练。然后针对先前提到的攻击测试已经在对抗性示例上训练的模型的性能，并且因此基于实验的结果提供改进神经网络鲁棒性的建议。
2022-12-13 cs.AI cs.CV cs.LG
Explainable Artificial Intelligence Reveals Novel Insight into Tumor Microenvironment Conditions Linked with Better Prognosis in Patients with Breast Cancer
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；Evolution Online LLC（Evolution Online有限责任公司）
我们通过使用可解释人工智能（XAI）模型研究了肿瘤微环境（TME）中的特征与三阴性乳腺癌（TNBC）和非TNBC（NTNBC）患者的总体和5年生存率之间的数据驱动关系。我们使用了来自癌症基因组图谱的浸润性乳腺癌患者的临床信息，以及来自cbioPortal的两项研究，PanCanAtlas项目和GDAC Firehose研究。在这项研究中，我们使用了来自UCSC Xena数据集的1，015名乳腺癌患者（存活或死亡）的标准化RNA测序数据驱动队列，并使用EPIC方法进行了整合去卷积，以估计来自RNA测序数据的7种不同免疫和基质细胞的百分比。从我们的XAI模型中获得的新见解表明，CD4+ T细胞和B细胞比其他TME特征对TNBC和NTNBC患者的预后更重要。我们的XAI模型揭示了关键的拐点（即，阈值分数），高于或低于该阈值分数，5年存活率提高。随后，我们确定了在从拐点推断的特定条件下，TNBC和NTNBC患者的$\geq$ 5年生存率的条件概率。特别是，XAI模型显示，TME中超过0.018的B细胞分数可以确保NTNBC患者100%的5年生存率。这项研究的发现可能会导致更准确的临床预测和增强的免疫治疗，并设计创新策略来重新编程乳腺癌患者的TME。
2021-04-24 cs.AI cs.LG q-bio.GN
Explainability Through Human-Centric Design for XAI in Lung Cancer Detection
University of Edinburgh（爱丁堡大学）；NHS Lothian（NHS洛锡安）
本文提出XpertXAI模型，通过人类中心设计在肺癌检测中实现可解释性，优于现有方法，提供更符合专家推理的概念解释。
2026-04-15 cs.AI
Bridging Accuracy and Interpretability: Deep Learning with XAI for Breast Cancer Detection
Department of Mathematics and Statistics, Indian Institute of Technology Kanpur, Kanpur - 208016, Uttar Pradesh, India（数学与统计学系，印度理工学院坎浦尔学院，坎浦尔 - 208016，印度乌塔兰普尔州）
本研究提出可解释深度学习框架，利用FNA图像特征实现乳腺癌高精度检测，并通过SHAP和LIME增强可解释性，发现凹点特征最关键。
2025-10-18 cs.AI cs.CV
PSO-XAI: A PSO-Enhanced Explainable AI Framework for Reliable Breast Cancer Detection
Department of Information and Communication Engineering, Noakhali Science and Technology University（信息与通信工程系，诺阿克利科学与技术大学）；Department of Computer Science & Engineering, Netrokona University（计算机科学与工程系，纳特罗克纳大学）；Department of Computer and Communication Engineering, International Islamic University Chittagong（计算机与通信工程系，国际伊斯兰大学查塔格ONG）；Department of Mechatronics and Industrial Engineering, Chittagong University of Engineering and Technology（机电与工业工程系，查塔格ONG工程与技术大学）；School of Computing Sciences and Computer Engineering, University of Southern Mississippi（计算科学与计算机工程学院，密西西比州立大学）；AI & Digital Health Technology, Artificial Intelligence and Cyber Futures Institute, Charles Sturt University（人工智能与数字健康技术，人工智能与网络未来研究院，查尔斯·斯图尔特大学）；AI & Digital Health Technology, Rural Health Research Institute, Charles Sturt University（人工智能与数字健康技术，农村健康研究学院，查尔斯·斯图尔特大学）
提出PSO-XAI框架，结合定制粒子群优化特征选择与可解释AI，在29种模型上实现99.1%准确率，兼顾降维与透明解释，提升乳腺癌诊断可靠性。
2025-10-23 cs.AI cs.LG
Explaining RhythmFormer: A Systematic XAI Analysis of Periodic Sparse Attention for Remote Photoplethysmography
Department of Mechanical Engineering, National Cheng Kung University（国立成功大学机械工程学系）
针对rPPG Transformer可解释性缺乏定量评估的问题，提出四种归因方法并引入皮肤覆盖率和忠诚度系数，量化稀疏注意力中的多跳泄漏效应，Beyond Intuition方法在UBFC-rPPG上取得最优性能。
2026-06-15 cs.AI cs.CV eess.IV
R-Net: A Reliable and Resource-Efficient CNN for Colorectal Cancer Detection with XAI Integration
Daffodil International University（达福迪尔国际大学）；University of Southern Queensland（南昆士兰大学）
本文提出轻量级CNN R-Net用于结直肠癌检测分类，在EBHI数据集上以99.37%准确率超越多种SOTA模型，并结合SHAP、LIME和Grad-CAM实现可解释性。
2025-09-17 cs.AI cs.CV q-bio.TO
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
ColonScopeX: Leveraging Explainable Expert Systems with Multimodal Data for Improved Early Diagnosis of Colorectal Cancer
Swansea University（斯旺西大学）；Swansea University Medical School（斯旺西大学医学院）
ColonScopeX提出一个结合血液信号与患者元数据的多模态可解释机器学习框架，利用XAI提升结直肠癌早期检测的透明度和准确性，可作为分诊或筛查工具。
2025-04-09 cs.AI cs.CV cs.HC
Skin Cancer Images Classification using Transfer Learning Techniques
School of Computing and Informatics（计算与信息学院）；University of Louisiana at Lafayette（路易斯安那大学拉法叶分校）
针对现有皮肤癌诊断方法准确率不足、流程耗时的问题，本研究采用五种预训练迁移学习方法开展皮肤癌良恶性二分类，经微调、数据增强及超参数调优后，ResNet-50在ISIC数据集上取得0.935的准确率。
2024-06-18 cs.AI cs.CV cs.LG
Deep Learning Based Decision Support for Medicine -- A Case Study on Skin Cancer Diagnosis
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)（德国人工智能研究中心）；TU Kaiserslautern（凯泽斯劳滕工业大学）
早期发现黑色素瘤等皮肤癌对于确保患者的高生存机会至关重要。基于深度学习（DL）的决策支持系统（DSS）在皮肤癌筛查中的临床应用有可能提高患者护理质量。医疗AI社区的大部分工作都集中在主要与自主操作相关的诊断设置上。然而，实际的决策支持应该超越简单的诊断，并提供解释。本文提供了一个概述的工作对解释，DL为基础的决策支持在医疗应用中的皮肤癌诊断的例子，从临床，皮肤镜和组织病理学图像。分析表明，很少有人注意到组织病理学皮肤图像的解释，目前的工作主要是视觉相关图以及皮肤镜特征识别。我们的结论是，未来的工作应侧重于满足利益相关者的认知概念，提供详尽的解释，结合全球和地方的方法，并利用不同的模式。此外，在行为不端的情况下干预和指导模型的可能性被认为是成功部署人工智能作为基于DL的DSS及其他的重要一步。
2021-03-02 cs.AI cs.CV cs.LG
CancerNet-SCa: Tailored Deep Neural Network Designs for Detection of Skin Cancer from Dermoscopy Images
University of Waterloo（滑铁卢大学）；DarwinAI Corp.（DarwinAI公司）
皮肤癌仍然是美国最常见的癌症，这不仅对健康和福祉有重大影响，而且与治疗相关的经济成本也很高。皮肤癌治疗和管理的关键步骤是有效的皮肤癌检测，因为在早期治疗时预后很好，其中一个关键的筛查方法是皮肤镜检查。受深度学习的进步和研究界开源计划的启发，在这项研究中，我们介绍了CancerNet-SCa，这是一套深度神经网络设计，专为从皮肤镜图像中检测皮肤癌而量身定制，是开源的，作为Cancer-Net计划的一部分，可供公众使用。据作者所知，CancerNet-SCa由第一个专门为皮肤癌检测量身定制的机器设计的深度神经网络架构设计组成，其中一个拥有带有注意力冷凝器的自我注意力架构设计。此外，我们通过可解释性驱动的模型审计，以负责任和透明的方式调查和审计CancerNet-SCa的行为。虽然CancerNet-SCa不是一个生产就绪的筛查解决方案，但希望CancerNet-SCa以开源、开放获取的形式发布，将鼓励研究人员、临床医生和公民数据科学家利用和建立在它们的基础上。
2020-11-21 cs.CV cs.LG
Cancer-Net SCa-Synth: An Open Access Synthetically Generated 2D Skin Lesion Dataset for Skin Cancer Classification
University of Waterloo（滑铁卢大学）
针对皮肤癌开源数据集类别不平衡问题，利用Stable Diffusion和DreamBooth生成合成皮肤病变图像，构建开源数据集Cancer-Net SCa-Synth，并通过ISIC 2020测试集验证其提升分类性能的有效性。
2024-11-08 cs.CV cs.LG
New pyramidal hybrid textural and deep features based automatic skin cancer classification model: Ensemble DarkNet and textural feature extractor
Ardahan University（阿尔达汉大学）；Firat University（菲拉特大学）
工作背景：皮肤癌是世界范围内常见的恶性肿瘤之一，皮肤癌的自动分类有助于皮肤科诊所的准确诊断。因此，必须开发基于机器学习的皮肤癌自动检测模型。材料和方法：本研究旨在解决皮肤癌自动检测问题。使用彩色皮肤癌图像数据集。该数据集包含3297张图像，分为两类。提出了一种基于纹理和深度特征的自动多级模型。采用离散小波变换（DWT）、局部相位量化（LPQ）、局部二值模式（LBP）、预训练的DarkNet19和DarkNet53进行多层次融合特征生成，并采用基于阈值的邻域成分分析（NCA）选取前1000个特征。所选择的前1000个特征使用10倍交叉验证技术进行分类。结果如下：为了获得结果，使用了10倍交叉验证，通过使用推荐的金字塔混合特征生成器和基于NCA选择器的模型，获得了91.54%的分类准确率结果。此外，使用各种训练和测试分离比（90：10、80：20、70：30、60：40、50：50），并且使用90：10分离比计算出最大分类率为95.74%。结论：结果表明，该模型可用于皮肤科和病理诊所，以简化皮肤癌的检测过程，并帮助医生。
2022-03-28 cs.CV cs.LG
A Comparative Analysis of Transfer Learning-based Techniques for the Classification of Melanocytic Nevi
Birla Institute of Technology Mesra（比拉理工学院梅斯拉分校）；Sikkim Manipal Institute of Technology（锡金马尼帕尔理工学院）
皮肤癌是癌症的致命表现。皮肤细胞中未修复的脱氧核糖核酸（DNA）会导致皮肤遗传缺陷并导致皮肤癌。为了应对致命的死亡率加上飞涨的医疗费用，早期诊断是强制性的。为了应对这些挑战，研究人员开发了各种皮肤癌快速检测工具。病变特异性标准用于区分良性皮肤癌和恶性黑色素瘤。在这项研究中，对五种基于迁移学习的技术进行了比较分析，这些技术有可能用于黑素细胞痣的分类。这些技术基于深度卷积神经网络（DCNN），该网络已在数千张开源图像上进行了预训练，并在许多情况下用于日常分类任务。
2022-11-20 cs.AI cs.CV cs.LG
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
Using Computer Vision for Skin Disease Diagnosis in Bangladesh Enhancing Interpretability and Transparency in Deep Learning Models for Skin Cancer Classification
Daffodil International University（达福迪尔国际大学）
针对孟加拉国皮肤癌诊断专家短缺及深度学习模型缺乏可解释性的问题，提出结合显著性图和注意力图的方法可视化关键诊断特征，以增强模型透明度并改善早期检测。
2025-01-30 cs.CV eess.IV
Deep Learning for Dermatology: An Innovative Framework for Approaching Precise Skin Cancer Detection
East West University（东西大学）
本文提出了一种创新的深度学习框架，用于精确检测皮肤癌，通过评估VGG16和DenseNet201模型的准确性与效率，以提高皮肤科诊断的早期检测和工作效率。
2026-02-19 cs.AI cs.CV cs.LG
Diffusion models applied to skin and oral cancer classification
Federal University of Espírito Santo（圣埃斯皮里图联邦大学）
本研究提出DiffMIC框架，将扩散模型应用于皮肤癌与口腔癌医学图像分类，在PAD-UFES-20和P-NDB-UFES数据集上取得与CNN和Transformer相当的平衡准确率，并验证了其跨数据集的鲁棒性。
2025-03-28 cs.AI cs.CV eess.IV
Benchmarking of Lightweight Deep Learning Architectures for Skin Cancer Classification using ISIC 2017 Dataset
Yildiz Technical University（伊尔迪兹技术大学）；Hisar School（希萨尔学校）
皮肤癌是致命的癌症类型之一，在世界上很常见。最近，人们患皮肤癌的几率有了很大的提高。因此，使用深度学习进行皮肤癌分类的研究数量日益增加。为了这一领域工作的增长，成立了国际皮肤成像合作组织（ISIC），并创建了一个开放的数据集档案。在这项研究中，图像取自ISIC 2017挑战赛。对所拍摄的皮肤癌图像进行预处理和数据增强。后来，这些图像通过迁移学习和微调方法进行训练，并以这种方式创建了深度学习模型。每个模型确定了3个不同的移动深度学习模型和3个不同的批量大小值，总共创建了9个模型。在这些模型中，NASNetMobile模型与16批大小得到了最好的结果。该模型的准确率为82.00%，精确度为81.77%，F1评分值为0.8038。我们的方法是对参数较少的移动深度学习模型进行基准测试，并比较模型的结果。
2021-10-23 cs.CV cs.LG eess.IV
A Smartphone based Application for Skin Cancer Classification Using Deep Learning with Clinical Images and Lesion Information
UFES（圣埃斯皮里图联邦大学）
在过去的几十年中，皮肤癌、黑色素瘤和非黑色素瘤的发病率持续增加。特别是对于黑色素瘤，最致命的皮肤癌类型，早期检测对增加患者预后很重要。最近，深度神经网络（DNN）已经成为处理皮肤癌检测的可行方法。在这项工作中，我们提出了一个基于智能手机的应用程序，以协助皮肤癌检测。该应用程序基于卷积神经网络（CNN），该网络基于从智能手机收集的临床图像和患者人口统计数据进行训练。同时，针对皮肤癌数据集不平衡的问题，提出了一种基于差分进化算法变异算子的数据平衡方法。从这个意义上说，beyond提供了一个灵活的工具，以帮助医生在皮肤癌筛查阶段，该方法获得了有希望的结果，平衡的准确率为85%，召回率为96%。
2021-04-28 cs.CV 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
Skin Cancer Segmentation and Classification Using Vision Transformer for Automatic Analysis in Dermatoscopy-based Non-invasive Digital System
Jahangirnagar University（贾汉吉尔纳加尔大学）；Bangladesh University of Health Sciences（孟加拉国健康科学大学）；Bangabandhu Sheikh Mujib Medical University（孟加拉国谢赫·穆吉布医科大学）
本研究提出基于Vision Transformer的皮肤癌分类与Segment Anything Model分割方法，在HAM10000数据集上ViT patch-32变体达96.15%准确率，为皮肤科诊断提供有效工具。
2024-01-09 cs.CV cs.LG eess.IV
Ranking XAI Methods for Head and Neck Cancer Outcome Prediction
Image Sciences Institute, University Medical Center Utrecht（图像科学研究所，乌得勒支大学医学中心）
本文研究了13种XAI方法在24项指标上的综合评估，发现不同方法在可解释性、鲁棒性等方面存在显著差异，IG和DL在可解释性、复杂性和合理性上表现突出。
2026-04-17 cs.CV physics.data-an
Double-Condensing Attention Condenser: Leveraging Attention in Deep Learning to Detect Skin Cancer from Skin Lesion Images
University of Waterloo（滑铁卢大学）
本文提出一种集成双重压缩注意力冷凝器的高效自注意力深度网络，用于从皮肤病变图像检测皮肤癌，在降低计算与存储成本的同时实现高性能，并已开源发布。
2024-10-18 cs.CV eess.IV
Leveraging Knowledge Distillation for Lightweight Skin Cancer Classification: Balancing Accuracy and Computational Efficiency
United International University（联合国际大学）；The University of Western Australia（西澳大学）；Bangladesh University of Business and Technology（孟加拉国商业与技术大学）；Ahsanullah University of Science and Technology（阿萨努拉科技大学）；Charles Darwin University（查尔斯达尔文大学）
皮肤癌是公共卫生的主要问题，占报告癌症的三分之一。如果没有及早发现，癌症有可能造成严重后果。认识到有效的皮肤癌分类的迫切需要，我们解决了现有模型的局限性，这些模型往往太大，无法部署在计算资源有限的地区。作为回应，我们提出了一个基于知识蒸馏的方法来创建一个轻量级的高性能分类器。所提出的解决方案涉及融合三个模型，即ResNet152V2，ConvNeXtBase和ViT Base，以创建一个有效的教师模型。教师模型，然后引导一个轻量级的学生模型的大小为2.03 MB。该学生模型使用16位量化进一步压缩至469.77 KB，从而能够顺利集成到边缘设备中。通过六阶段图像预处理，数据增强和严格的消融研究，该模型在HAM10000数据集上实现了98.75%的准确率，在Kaggle数据集上实现了98.94%的准确率，分类良性和恶性皮肤癌。由于其高准确性和紧凑的尺寸，我们的模型似乎是一个潜在的选择，准确的皮肤癌分类，特别是在资源有限的设置。
2024-06-28 cs.CV cs.LG eess.IV
Multi-class Skin Cancer Classification Architecture Based on Deep Convolutional Neural Network
Kennesaw State University（肯尼索州立大学）；University of Calabria（卡拉布里亚大学）
皮肤癌检测具有挑战性，因为不同类型的皮肤病变具有高度相似性。本文提出了一种基于计算机的深度学习方法，可以准确识别不同类型的皮肤病变。深度学习方法可以非常准确地检测皮肤癌，因为模型可以学习图像的每个像素。有时人类会被皮肤病变的相似性所迷惑，我们可以通过机器来最大限度地减少这种相似性。然而，并非所有的深度学习方法都能给出更好的预测。一些深度学习模型存在局限性，导致模型产生假阳性结果。我们引入了几种深度学习模型来对皮肤病变进行分类，以区分皮肤癌和不同类型的皮肤病变。在皮肤病变分类之前，使用数据预处理和数据增强方法。最后，将卷积神经网络（CNN）模型和六个迁移学习模型（如Resnet-50，VGG-16，Densenet，Mobilenet，Inceptionv 3和Xception）应用于可公开获得的基准HAM 10000数据集，对七类皮肤病变进行分类并进行比较分析。这些模型将通过区分癌细胞和非癌细胞来检测皮肤癌。模型的性能是使用性能指标来衡量的，如精确度，召回率，f1得分和准确度。对于inceptionv 3、Xception、Densenet、Mobilenet、Resnet、CNN和VGG 16，我们分别获得了90%、88%、88%、87%、82%和77%的准确率。此外，我们开发了五种不同的堆叠模型，如inceptionv 3-inceptionv 3，Densenet-mobil…
2023-03-13 cs.CV
Optimizing Neuro-Fuzzy and Colonial Competition Algorithms for Skin Cancer Diagnosis in Dermatoscopic Images
The University of Tulsa（塔尔萨大学）
本研究融合图像处理、神经模糊和殖民竞争算法，在ISIC数据库的560张皮肤镜图像上实现94%准确率，旨在辅助临床早期黑色素瘤检测。
2026-06-02 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 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
Reversing Skin Cancer Adversarial Examples by Multiscale Diffusive and Denoising Aggregation Mechanism
Zhejiang University（浙江大学）；Qilu Hospital of Shandong University（山东大学齐鲁医院）；Shanghai Jiao Tong University School of Medicine（上海交通大学医学院）
针对皮肤癌诊断模型易受对抗攻击的问题，提出一种多尺度扩散与去噪聚合的防御框架，通过逆向工程对抗扰动，在ISIC 2019数据集上有效逆转多种攻击并优于现有方法。
2024-02-06 cs.CV
Skin cancer reorganization and classification with deep neural network
Yale University School of Medicine（耶鲁大学医学院）
黑色素瘤作为皮肤癌的一种，是非常危险的。基于皮肤镜的早期检测和再碳化策略对于黑色素瘤治疗至关重要。然而，训练有素的皮肤科医生主导诊断的准确性。为了解决这个问题，许多努力集中在开发自动图像分析系统。在这里，我们报告了一种基于深度学习技术的新策略，并实现了非常高的皮肤病变分割和黑色素瘤诊断准确率：1）我们构建了一个分割神经网络（skin_segnn），它实现了非常高的病变边界检测准确率; 2）我们基于Google inception v3网络（skin_recnn）及其经过良好训练的权重构建了另一个非常深的神经网络。新设计的基于迁移学习的深度神经网络skin_inceptions_v3_nn有助于实现高预测精度。
2017-03-01 cs.CV
Recent advances in deep learning applied to skin cancer detection
Federal University of Espírito Santo, UFES（圣埃斯皮里图联邦大学（UFES））
皮肤癌是世界范围内的一个主要公共卫生问题。早期发现对提高患者的生存率具有重要意义。然而，缺乏合格的专业人员和医疗器械是这一领域的重大问题。在这种背景下，过去几年，深度学习模型应用于皮肤癌自动检测已经成为一种趋势。在本文中，我们提出了一个概述，在这一领域的最新进展报告，以及讨论的挑战和机遇，以改善目前的模型。此外，我们还介绍了在智能手机中使用这些模型的一些重要方面，并指出了我们认为该领域未来的发展方向。
2019-12-06 cs.CV cs.LG eess.IV
The impact of patient clinical information on automated skin cancer detection
Federal University of Espírito Santo（圣埃斯皮里图联邦大学）
皮肤癌是世界上最常见的癌症之一。因此，在过去的几年里，人们提出了不同的方法来帮助检测它。然而，大多数方法都只基于皮肤镜图像，而没有考虑到患者的临床信息。在这项工作中，首先，我们提出了一个新的数据集，其中包含从智能手机获取的临床图像和皮肤病变的患者临床信息。接下来，我们介绍一种简单的方法，使用不同的知名深度学习模型将临床数据和图像结合起来。这些模型仅使用图像并将其与患者临床信息相结合应用于所呈现的数据集。我们提出了一项全面的研究，以显示临床数据对最终预测的影响。通过结合两组信息获得的结果显示，所有模型的平衡精度普遍提高了约7%。此外，统计检验表明，考虑和不考虑两种数据的模型之间存在显著差异。所实现的改进显示了在皮肤癌检测中使用患者临床信息的潜力，并表明这条信息对于利用皮肤癌检测系统很重要。
2019-09-16 cs.CV cs.LG eess.IV
Artificial Intelligence-Based Image Classification for Diagnosis of Skin Cancer: Challenges and Opportunities
Dartmouth College（达特茅斯学院）；Dartmouth-Hitchcock Medical Center（达特茅斯-希区柯克医疗中心）；Geisel School of Medicine（盖塞尔医学院）；Metrohealth System（都会医疗系统）；Case Western Reserve University（凯斯西储大学）
最近，人们对开发用于诊断皮肤癌的人工智能（AI）计算机辅助诊断解决方案产生了极大的兴趣。随着皮肤癌发病率的增加，越来越多的人对皮肤癌的认识不足，以及缺乏足够的临床专业知识和服务，迫切需要人工智能系统来帮助这一领域的临床医生。大量的皮肤病变数据集是公开的，研究人员已经开发出基于AI的图像分类解决方案，特别是深度学习算法，以区分不同图像模式（如皮肤镜、临床和组织病理学图像）中的恶性皮肤病变和良性病变。尽管人工智能系统在不同皮肤病变的分类方面比皮肤科医生实现了更高的准确性，但这些人工智能系统在帮助临床医生诊断皮肤癌方面仍处于临床应用的早期阶段。在这篇综述中，我们讨论了用于诊断皮肤癌的基于数字图像的人工智能解决方案的进展，以及改进这些人工智能系统以支持皮肤科医生并提高其诊断皮肤癌的能力的一些挑战和未来机会。
2020-06-20 cs.CV eess.IV q-bio.QM
Skin Cancer Classification using Inception Network and Transfer Learning
University of Perugia（佩鲁贾大学）；University of Florence（佛罗伦萨大学）
由于类别之间的不平衡，医疗数据分类通常是一项具有挑战性的任务。在本文中，我们提出了一种方法来分类皮肤镜图像HAM10000（人对机器与10000训练图像）数据集，由七个不平衡类型的皮肤病变，具有良好的精度和低资源需求。分类是通过使用预先训练的卷积神经网络来完成的。我们评估的准确性和性能的建议，并说明可能的扩展。
2021-11-03 cs.CV cs.LG eess.IV
Discovery Radiomics via Deep Multi-Column Radiomic Sequencers for Skin Cancer Detection
Elucid Labs；University of Waterloo（滑铁卢大学）
虽然皮肤癌是男性和女性中诊断最多的癌症形式，每年诊断的病例比所有其他癌症的总和还要多，但足够早的诊断会导致非常好的预后，因此早期发现至关重要。虽然放射组学已经显示出相当大的前景，作为一个强大的诊断工具，显着提高肿瘤诊断的准确性和效率，目前的放射组学驱动的方法在很大程度上依赖于预定义的，手工制作的定量特征，这可能会大大限制的能力，充分表征独特的癌症表型，区分它与健康组织。最近，引入了发现放射组学的概念，其中从大量容易获得的医学成像数据中直接发现大量定制的定量放射组学特征。在这项研究中，我们提出了一种用于皮肤癌检测的新发现放射组学框架，其中我们利用新型深多柱放射组测序仪进行高通量发现和提取大量定制放射组学特征，这些特征是为表征独特的皮肤癌组织表型而定制的。所发现的放射组测序仪针对9，152个活检证实的临床图像进行了测试，所述临床图像包括不同的皮肤癌，例如黑色素瘤和基底细胞癌，并且证明灵敏度和特异性分别为91%和75%，从而实现了皮肤科医生水平的性能，并且\break因此可以是用于辅助全科医生和皮肤科医生等提高效率、一致性、和皮肤癌诊断的准确性。
2017-09-24 cs.CV cs.NE
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
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
An empirical study for the early detection of Mpox from skin lesion images using pretrained CNN models leveraging XAI technique
Information and Computer Science, King Fahd University of Petroleum and Minerals（信息与计算机科学系，国王法赫德石油与矿物大学）；Faculty of Science and Information Technology, Daffodil International University（科学与信息技术学院，达福尔国际大学）；Department of Human Anatomy and Physiology, The Faculty of Health Sciences, University of Johannesburg（人类解剖学与生理学系，健康科学学院，约翰内斯堡大学）；Centre for Data Analytics（数据分析中心）；School of Psychology, Bond University（心理学学院，邦德大学）
内容：Mpox是一种由Mpox病毒引起的人畜共患疾病，与其他皮肤病有相似之处，使准确的早期诊断具有挑战性。人工智能（AI），特别是深度学习（DL），具有强大的医学图像分析工具;然而，用于天花检测的CNN和XAI技术等预训练模型尚未得到充分研究。目的：本研究旨在评估预训练的CNN模型（VGG16，VGG19，InceptionV3，MobileNetV2）使用二进制和多类数据集早期检测猴痘的有效性。它还试图提高模型的可解释性使用梯度CAM的XAI技术。方法：使用MSLD和MSLD v2.0两个数据集进行训练和验证。迁移学习技术被应用于通过冻结初始层和添加自定义层来微调预训练的CNN模型，以适应天花检测任务的最终特征并避免过拟合。模型的性能进行了评估，如准确性，精度，召回率，F1评分和ROC。Grad-CAM用于可视化关键特征。结果如下：InceptionV3在二进制数据集上表现出最佳性能，准确率为95%，而MobileNetV2在多类数据集上表现出色，准确率为93%。Grad-CAM成功突出显示了关键图像区域。尽管准确性很高，但一些模型显示出过度拟合的趋势，这可以通过训练和验证损失之间的差异来证明。结论：本研究强调了预训练的CNN模型在猴痘检测中的潜力和XAI技术的价值。未来的工作应该解决数据集的局限性，纳入多模态数据，并探索额外的可解释性技术，以提高诊断的可靠性和模型的透明度
2025-07-21 cs.CV
An Integrated Deep Learning Model for Skin Cancer Detection Using Hybrid Feature Fusion Technique
Jagannath University（贾格纳特大学）；Green University of Bangladesh（孟加拉国绿色大学）；International University of Business Agriculture and Technology（国际商业农业与技术大学）
本研究提出基于InceptionV3和DenseNet121加权融合的混合深度学习框架，用于皮肤癌良恶性分类，达到92.27%准确率，优于现有模型。
2024-10-29 cs.CV cs.LG eess.IV
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
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
Skin Lesion Analyser: An Efficient Seven-Way Multi-Class Skin Cancer Classification Using MobileNet
Priyadarshini Institute of Engineering & Technology（普里雅达希尼工程技术学院）
皮肤癌是一种主要的癌症形式，是一个严重的公共卫生问题，每年全球有123，000例新诊断的黑色素瘤病例和200万至300万例非黑色素瘤病例。皮肤癌的主要原因是皮肤细胞高度暴露于紫外线辐射，这会破坏皮肤细胞内的DNA，导致皮肤细胞不受控制地生长。皮肤癌主要通过临床筛查、活检、皮肤镜分析和组织病理学检查进行视觉诊断。它已被证明，皮肤镜分析的手没有经验的皮肤科医生可能会导致降低诊断的准确性。皮肤癌的早期发现和筛查有可能降低死亡率和发病率。以前的研究表明，深度学习在几项视觉识别任务中的表现比人类专家更好。在本文中，我们提出了一个有效的七路自动化多类皮肤癌分类系统，具有与专家皮肤科医生相媲美的性能。我们使用预训练的MobileNet模型，通过迁移学习对HAM10000数据集进行训练。该模型对皮肤病变图像的分类准确率为83.1%，top2准确率为91.36%，top3准确率为95.34%。精确度、召回率和f1分数的加权平均值分别为0.89、0.83和0.83。该模型已作为网络应用程序部署，供公众使用（saketchaturvedi.github.io）。这种快速、可扩展的方法具有巨大的临床影响潜力，包括扩大初级保健实践的范围和增强皮肤科专家的临床决策。
2020-05-27 cs.CV eess.IV
A Quad-Step Approach to Uncertainty-Aware Deep Learning for Skin Cancer Classification
Deakin University, Australia（德克萨斯大学）；School of Mathematics, Physics and Computing, University of Southern Queensland, Toowoomba, QLD, Australia（数学、物理与计算学院，南方昆士兰大学，托沃布马）
本研究提出四步方法，在HAM10000上结合迁移学习、不确定性量化与特征融合，利用预测熵损失训练模型，提升皮肤癌分类的准确性和可靠性。
2025-09-24 cs.AI cs.CV
Detector-SegMentor Network for Skin Lesion Localization and Segmentation
Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）
黑色素瘤是一种危及生命的皮肤癌，如果在早期未被诊断出来。虽然非黑色素瘤癌症的病例比黑色素瘤癌症多，但黑色素瘤癌症更致命。早期发现黑色素瘤对于及时诊断黑色素瘤癌症并防止其扩散到远处的身体部位至关重要。皮肤病变的分割是皮肤镜图像中黑色素瘤癌分类的关键步骤。皮肤镜皮肤图像的手动分割非常耗时且容易出错，因此迫切需要一种智能且准确的算法。在这项研究中，我们提出了一种简单而新颖的网络中网络卷积神经网络（CNN）为基础的方法分割的皮肤病变。基于区域的更快的CNN（更快的RCNN）用于预处理，以预测整个图像中病变的边界框，随后将其裁剪并馈送到分割网络中以获得病变掩模。分割网络是UNet和沙漏网络的组合。我们在ISIC 2018数据集上训练和评估了我们的模型，并在PH \textsuperscript{2}和ISBI 2017数据集上进行了交叉验证。我们提出的方法超越了最先进的Dice相似系数为0.915，准确度为0.959 ISIC 2018数据集和ISBI 2017数据集上的Dice相似系数为0.947，准确度为0.971。
2020-05-13 cs.CV cs.LG eess.IV
CAMEO: A Class-Activation-Mapped Equitable Overlay Framework for Fair and Robust Deep Learning-based Skin Condition Diagnosis
Department of Electrical and Computer Engineering, University of New Brunswick, Fredericton, NB, Canada（加拿大新不伦瑞克省弗雷德里克顿市新不伦瑞克大学电气与计算机工程系）
本研究提出CAMEO框架，利用可解释AI的稳定解释分离病变与背景并替换为合成皮肤，在保持准确率的同时将背景驱动错误减少近四倍，提升皮肤病变分类的稳健性与公平性。
2026-09-30 cs.CV cs.LG eess.IV
A Wavelet Guided Attention Module for Skin Cancer Classification with Gradient-based Feature Fusion
Jadavpur University（jadavpur大学）；International Institute of Information Technology（国际信息技术学院）；China University of Mining and Technology（中国矿业大学）；Saint Petersburg Electrotechnical University "LETI"（圣彼得堡电工技术大学“LETI”）
针对皮肤癌高效诊断需求，提出融合小波引导注意力与梯度特征融合的新型模型，在HAM10000数据集上实现91.17%的F1分数与90.75%的准确率，且已开源代码。
2024-06-21 cs.AI cs.CV eess.IV
DenseNet approach to segmentation and classification of dermatoscopic skin lesions images
Tarbiat Modares University（塔比亚特莫达雷斯大学）；Islamic Azad University Science and Research Branch（伊斯兰阿扎德大学科学与研究分校）
目前，癌症是世界上最重要的健康问题之一。由于癌症的早期发现和适当的治疗对患者的恢复和生存非常有效，因此图像处理作为一种诊断工具可以帮助医生在第一时间识别癌症进行诊断。皮肤病变诊断中最重要的步骤之一是自动检测皮肤图像的边界，因为接下来的步骤的准确性取决于它。如果这些细微之处被识别出来，它们会对疾病的诊断产生很大的影响。因此，有一个很好的机会来开发更准确的算法来分析这些图像。本文提出了一种改进的皮肤病变分割和分类方法，使用两种架构，用于图像分割的U-Net和用于图像分类的DenseNet 121，具有良好的准确性。我们在ISIC-2018数据集上测试了我们模型的分割架构，并在HAM 10000数据集上测试了分类。我们的研究结果表明，U-Net和DenseNet 121架构的组合提供了可接受的结果相比，以前的研究在皮肤镜图像分析。本研究中检查的另一种分类是癌性和非癌性样本。在该分类中，在DenseNet 121网络中检测到癌症和非癌症样本，准确率分别为79.49%和93.11%。
2021-10-09 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
SkinSAM: Empowering Skin Cancer Segmentation with Segment Anything Model
Emory University（埃默里大学）；Winship Cancer Institute, School of Medicine, Emory University（埃默里大学温希普癌症研究所医学院）
针对皮肤癌自动分割难度高的问题，提出基于Segment Anything Model微调的SkinSAM模型，在HAM10000数据集上验证取得优异性能，证明SAM适配医学图像分割的潜力。
2023-04-27 cs.CV
Robustness and sex differences in skin cancer detection: logistic regression vs CNNs
IT University of Copenhagen（丹麦IT大学）；Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学研究所MEVIS）；Fontys University of Applied Science（Fontys应用科学大学）
本研究复现既往方法，使用PAD-UFES-20数据集对比基于手工特征的逻辑回归与预训练ResNet-50在皮肤癌检测中的性别鲁棒性，发现二者均对性别分布鲁棒，但CNN对男性的检测性能显著高于女性。
2025-10-01 cs.CV cs.LG
Melanoma Skin Cancer and Nevus Mole Classification using Intensity Value Estimation with Convolutional Neural Network
本研究提出一种基于强度值估计与卷积神经网络（CNN）的自动深度学习系统，通过选取病灶图像的高强度像素特征，实现对黑色素瘤与痣的更准确分类，在5折交叉验证中准确率达92.58%。
2022-09-30 cs.CV
An Interpretable Deep Learning Approach for Skin Cancer Categorization
Ahsanullah University of Science & Technology（阿赫桑拉科技大学）
本研究针对皮肤癌早期精准检测需求，采用四种预训练深度学习模型结合图像增强技术进行病变分类，引入XAI提升可解释性，最终XceptionNet以88.72%准确率表现最优，为医学影像辅助诊断提供支撑。
2023-12-17 cs.CV eess.IV
