Integrating Color Histogram Analysis and Convolutional Neural Network for Skin Lesion Classification
Universiti Malaya(马来亚大学)
本文提出融合颜色直方图分析与CNN的皮肤病变分类方法,通过颜色数量特征提升诊断准确性。
2026-01-16 cs.AI eess.IV q-bio.QM
Ugly Ducklings or Swans: A Tiered Quadruplet Network with Patient-Specific Mining for Improved Skin Lesion Classification
The University of Queensland(昆士兰大学);Monash University(莫纳什大学)
本文提出DMT-Quadruplet分层四元组深度度量学习网络,结合患者特异性挖掘和动态边界,在患者级和病变级学习特征,显著提升丑小鸭皮肤病变分类的灵敏度。
2023-09-18 cs.AI cs.CV
Attention Swin U-Net: Cross-Contextual Attention Mechanism for Skin Lesion Segmentation
Shahid Beheshti University(沙希德·贝赫什提大学);RWTH Aachen University(亚琛工业大学);Alzahra University(阿尔扎赫拉大学);University of Regensburg(雷根斯堡大学)
黑色素瘤是由人类皮肤中黑色素细胞的异常生长引起的。像其他癌症一样,这种危及生命的皮肤癌可以通过早期诊断来治疗。为了支持通过自动皮肤病变分割的诊断,已经提出了几种全卷积网络(FCN)方法,特别是U-Net架构。具有对称结构的U-Net模型在分割任务中表现出优越的性能。然而,U-Net架构中卷积运算的局部性限制限制了其在捕获长程依赖性方面的性能,这对于医学图像中的分割任务至关重要。为了解决这一限制,最近提出了一种基于Transformer的U-Net架构,该架构用Swin Transformer模块取代CNN块,以捕获本地和全局表示。在本文中,我们提出了Att-SwinU-Net,一个基于注意力的Swin U-Net扩展,用于医学图像分割。在我们的设计中,我们试图通过仔细设计跳过连接路径来提高网络的特征重用性,我们认为,在跳过连接路径中使用的经典级联操作可以通过引入注意机制来进一步改进。通过对几个皮肤病变分割数据集进行全面的消融研究,我们证明了我们提出的注意力机制的有效性。
2022-10-30 cs.CV cs.LG eess.IV
Out-of-Distribution Detection for Long-tailed and Fine-grained Skin Lesion Images
Monash University(莫纳什大学);Kahu AI(Kahu人工智能公司);Monash Airdoc Research(莫纳什Airdoc研究院)
近年来,用于皮肤病变诊断和分类的自动化方法发展迅速。由于这种系统在诊所中的部署越来越多,因此开发针对各种分布外(OOD)样本(未知皮肤病变和状况)的更鲁棒的系统变得重要。然而,当前针对皮肤病变分类训练的深度学习模型倾向于将这些OOD样本错误地分类到它们学习的皮肤病变类别之一中。为了解决这个问题,我们提出了一个简单而战略性的方法,提高了OOD检测性能,同时保持了已知类别的皮肤病变的多类分类精度。具体来说,这种方法是建立在一个现实的情况下,长尾和细粒度的OOD检测任务的皮肤病变图像。通过这种方法,1)首先,我们针对中间类和尾类之间的混淆来解决长尾问题。2)稍后,我们将上述混合策略与原型学习相结合,以解决数据集的细粒度性质。本文的独特贡献是双重的,证明了广泛的实验。首先,我们提出了一个现实的问题设置面向对象的皮肤病变的任务。其次,我们提出了一种方法,同时针对长尾和细粒度方面的问题设置,以提高OOD性能。
2022-06-30 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
A Survey on Deep Learning for Skin Lesion Segmentation
Simon Fraser University(西蒙弗雷泽大学);Instituto Superior Técnico(高等理工学院);University of Campinas(坎皮纳斯大学);University of Central Arkansas(中阿肯色大学)
本文综述了177篇深度学习皮肤病变分割论文,从输入数据、模型设计和评估维度分析,总结趋势与局限,并提供在线对比表格。
2023-06-20 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
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
A survey, review, and future trends of skin lesion segmentation and classification
Khulna University of Engineering & Technology(库尔纳工程技术大学);Imperial College London(帝国理工学院);Royal Brompton Hospital(皇家布朗普顿医院)
用于皮肤病变分析的计算机辅助诊断或检测(CAD)方法是一个新兴的研究领域,有可能减轻皮肤癌筛查的负担和成本。研究人员最近表示对开发这种CAD系统的兴趣越来越大,目的是为皮肤科医生提供一种用户友好的工具,以减少遇到的挑战或与手动检查相关的挑战。本文旨在对2011年至2022年期间发表的共计594篇出版物(356篇用于皮肤病变分割,238篇用于皮肤病变分类)进行全面的文献调查和综述。这些文章以多种不同的方式进行分析和总结,以提供有关CAD系统开发方法的重要信息。这些方法包括相关和基本的定义和理论,输入数据(数据集利用,预处理,增强和修复不平衡问题),方法配置(技术,架构,模块框架和损失),训练策略(超参数设置)和评估标准。我们打算研究各种性能增强的方法,包括合奏和后处理。我们还讨论了这些方面,以揭示其目前的趋势,利用频率的基础上。此外,我们强调了与使用最小数据集评估皮肤病变分割和分类系统相关的主要困难,以及这些困难的潜在解决方案。研究结果,建议和趋势的披露,以告知未来的研究开发一个自动化和强大的CAD系统的皮肤病变分析。
2023-02-02 cs.CV cs.LG eess.IV
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
Evaluation of Big Data based CNN Models in Classification of Skin Lesions with Melanoma
Kasetsart University Sriracha Campus(农业大学是拉差校区);University of Hertfordshire(赫特福德大学)
本章介绍了一种使用卷积神经网络诊断色素性皮肤病变的方法。该架构基于卷积神经网络,并使用新的CNN模型进行评估,以及使用预先存在的CNN模型的重新训练修改。实验结果表明,与从皮肤镜图像明确训练的卷积神经网络模型相比,在大数据集上预训练的CNN模型在重新训练以识别皮肤病变类型时用于一般目的的图像分类时提供更准确的结果。通过重新训练ResNet-50卷积神经网络的修改版本,实现了最佳性能,准确率为93.89%。对皮肤病变病理类型进行了分析,黑色素瘤和基底细胞癌的分类准确率分别为79.13%和82.88%。
2020-07-10 cs.CV cs.LG eess.IV
Convolutional Neural Networks Towards Facial Skin Lesions Detection
Tarbiat Modares University(塔比亚特莫达雷斯大学)
本研究提出一种基于卷积神经网络的模型,通过区域选择、扫描、诊断和标记四步检测面部皮肤病变,在2300张临床图像上实现0.97特异性,优于传统方法。
2024-02-13 cs.CV cs.LG eess.IV
Segmentation of skin lesions and their attributes using Generative Adversarial Networks
Universidad Nacional de Ingeniería(国立工程大学)
本文利用条件对抗网的图像-图像转换算法对皮肤病变边界及其属性进行语义分割。黑色素瘤是一种皮肤癌,如果及时发现是可以治愈的。皮肤镜图像分割是计算机辅助诊断的一个重要步骤,因为皮肤镜图像存在典型的伪影。为了减轻图像注释过程,我们建议使用修改后的Pix 2 Pix网络。该神经网络从作为输入的真皮图像和作为输出的六个通道的掩模图像学习映射。同样,称为PatchGAN的判别网络输出对于一个通道和六个输出通道是不同的。使用的照片来自2018年ISIC挑战赛,其中500张照片与各自的语义地图一起使用,分为75%用于训练,35%用于测试。获得100个训练时期的高Jaccard指数的分割图的所有属性。
2021-01-30 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
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
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
Properties Of Winning Tickets On Skin Lesion Classification
皮肤癌每年都会影响大量人口-因此,自动皮肤癌检测算法可以极大地帮助临床医生。涉及深度学习模型的先前努力具有高检测精度。然而,大多数模型都有大量的参数,有些作品甚至使用模型的集合来实现良好的精度。在本文中,我们研究了最近提出的修剪技术称为彩票假说。我们发现,与未修剪的网络相比,网络的迭代修剪导致准确性提高,这意味着彩票假设可以应用于皮肤癌检测问题,并且该假设可以导致更小的网络进行推理。我们还检查了由性别和年龄组成的子组的准确性,发现一些子组的准确性比其他子组有更大的提高。
2020-08-25 cs.CV cs.LG eess.IV
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
An Active Learning Approach for Reducing Annotation Cost in Skin Lesion Analysis
Imsight Medical Technology Co., Ltd.(深圳市智视医疗科技有限公司);The Chinese University of Hong Kong(香港中文大学);The Hong Kong Polytechnic University(香港理工大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Imperial College London(帝国理工学院)
由于皮肤癌是人类最常见的恶性肿瘤之一,因此皮肤病变的自动分析在临床实践中非常重要。现有的深度学习方法在这项具有挑战性的任务上取得了显着的性能,但是,严重依赖于大规模的标记数据集。在本文中,我们提出了一种新的主动学习框架,成本效益的皮肤病变分析。目标是有效地选择和利用更少的标记样本,同时网络仍然可以实现最先进的性能。我们的样本选择标准补充考虑信息性和代表性,来自测量模型的确定性和覆盖样本多样性的解耦方面。为了更好地利用所选样本,我们进一步设计了一种简单而有效的策略,在像素空间中聚合类内图像,作为一种新的数据增强形式。我们在ISIC 2017皮肤病变分类挑战赛的数据上验证了我们提出的方法。仅使用高达50%的样本,我们的方法就可以在这两项任务上实现最先进的性能,这些性能与全数据训练的精度相当或超过全数据训练的精度,并且远远优于其他知名的主动学习方法。
2019-09-05 cs.CV cs.LG eess.IV
Semi-Supervised Learning with Online Knowledge Distillation for Skin Lesion Classification
Department of Computer Science, Faculty of Science, University of Jaffna, Sri Lanka(计算机科学系,科学学院,贾夫纳大学,斯里兰卡)
本文提出一种结合集成学习与在线知识蒸馏的半监督皮肤病变分类方法,在ISIC 2018和2019数据集上超越现有最优结果,并减少标注数据需求。
2025-08-15 cs.CV cs.LG eess.IV
Skin lesion segmentation and classification using deep learning and handcrafted features
University of Dayton(代顿大学);Christian Brothers University(基督教兄弟大学)
皮肤病变的准确诊断是皮肤镜图像分类中的关键任务。在本研究中,我们形成一种新的影像特徴,称为混合特徴,它比单一方法特徴具有更强的鉴别能力。这项研究涉及一种新技术,在训练过程中,我们将手工制作的特征或特征转移注入卷积神经网络(CNN)模型的全连接层。根据我们的文献综述,到目前为止,还没有研究通过在训练过程中将手工特征注入CNN模型来检查或调查对分类性能的影响。此外,我们还研究了分割掩码的影响及其对整体分类性能的影响。我们的模型实现了92.3%的平衡多类准确率,比深度学习的典型单一方法分类器架构高出6.8%。
2021-12-20 cs.CV cs.LG eess.IV
MFSNet: A Multi Focus Segmentation Network for Skin Lesion Segmentation
Jadavpur University(贾达布尔大学)
医学图像分割是医学图像分析的基础,它可以识别和定位疾病,监测形态变化,并提取有区别的特征用于进一步诊断。皮肤癌是全球最常见的癌症类型之一,其早期诊断对于从体内完全消除恶性肿瘤至关重要。本研究开发了一个人工智能(AI)框架,用于采用深度学习方法进行监督皮肤病变分割。所提出的框架,称为MFSNet(多焦点分割网络),使用不同比例的特征图计算最终的分割掩模使用原始输入RGB图像的皮肤病变。在这样做时,最初,对图像进行预处理以去除不需要的伪影和噪声。MFSNet采用Res2Net主干,这是一种最近提出的卷积神经网络(CNN),用于获得并行部分解码器(PPD)模块中使用的深度特征,以获得分割掩码的全局映射。在网络的不同阶段,卷积特征和多尺度映射用于两个边界注意力(BA)模块和两个反向注意力(RA)模块,以生成最终的分割输出。MFSNet在三个公开可用的数据集上进行评估:$PH^2$,ISIC 2017和HAM 10000,表现优于最先进的方法,证明了框架的可靠性。建议方法的相关代码可在https://github.com/Rohit-Kundu/MFSNet上查阅
2022-03-29 cs.CV cs.LG eess.IV
Skin Lesion Segmentation and Classification for ISIC 2018 by Combining Deep CNN and Handcrafted Features
University of Dayton(代顿大学)
这份简短的报告描述了我们提交给ISIC 2018挑战的任务1和任务3的皮肤病变分析对黑色素瘤检测。这项工作由代顿大学信号和图像处理实验室的一组研究人员完成。我们提出的方法在计算上是高效的,结合了来自深度学习和手工特征的信息。对于Task3,我们形成了一种新型的图像特征,称为混合特征,它比单一方法特征具有更强的区分能力。这些功能被用作一个决策模型,是基于多类支持向量机(SVM)分类器的输入。所提出的技术进行评估在线验证数据库。我们的得分是0.841与SVM分类器的验证数据集。
2019-08-14 cs.CV cs.LG eess.IV