peacefairy的博客

目录Optimizing the Dice Score and Jaccard Index for Medical Image Segmentation: Theory & Practice摘要1、引言2、Dice的损失最小化与其相关性3、实验设置4、结果和讨论5、结果Optimizing the Dice Score and Jaccard Index for Medical Image Segmentation: Theory & Practice摘要Dice 系数和Jaccar

目录KAPPA LOSS FOR SKIN LESION SEGMENTATION IN FULLY CONVOLUTIONAL NETWORK摘要引言KAPPA LOSS FOR SKIN LESION SEGMENTATION IN FULLY CONVOLUTIONAL NETWORK摘要黑色瘤病很严重需解决CAD诊断方式的引入CNN的引入，损失函数在神经网络训练中起到重要作用本文提出了一种基于KAPPA系数的损失函数该类损失函数较于Dice 损失函数的不同关键字：图像分割，黑色素

目录A MULTI-STAGE FRAMEWORK WITH CONTEXT INFORMATION FUSION STRUCTURE FOR SKIN LESION SEGMENTATION摘要A MULTI-STAGE FRAMEWORK WITH CONTEXT INFORMATION FUSION STRUCTURE FOR SKIN LESION SEGMENTATION摘要

目录A Modified U-Net for Skin Lesion Segmentation摘要引言A Modified U-Net for Skin Lesion Segmentation摘要编解码结构，基于空洞卷积和金字塔池化模块（PPM）在ISBI 2016的数据集上，结果：JC = 82.7, DC = 89.6, SE = 92.0引言...

目录Improving Skin Lesion Segmentation via Stacked Adversarial Learning摘要1、引言指出FCN对于医学语义分割的限制为了应对上述问题，一些研究人员的工作主要集中在本文提出的解决方案2、方法和材料2.1 全卷积神经网络2.2 堆叠对抗学习（GAN）用于皮肤病变分割2.3 对抗学习提高分割精度3、 结果和讨论3.1 试验设置3.2 结果4、结论和未来的工作Improving Skin Lesion Segmentation via Stacke

目录Rethinking the Inception Architecture for Computer Vision摘要1、引言2、通用的设计原则3、大尺寸滤波器的因式分解3.1 大卷积转换成小卷积3.2 分解为非对称卷积4、辅助分类器的使用5、有效降低特征图的大小6、Inception V27、基于标签平滑的模型正则化（LSR）8、训练方法9、低分辨率图像的识别10、实验结果和比较11、结论Rethinking the Inception Architecture for Computer Visio

目录Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation摘要1、引言深度卷积神经网络 work的原因：医学图像分割的局限性：本文的目的本文的工作：2、相关工作3、RU-Net，R2U-Net方法4、实验设置与结果4.4 皮肤癌分割5、结论与未来展望Recurrent Residual Convolutional Neural Network based

目录Skin Lesion Segmentation in Dermoscopic Images With Ensemble Deep Learning Methods摘要1、 引言2、用于皮肤病变分割的深度学习方法3、方法3.1 数据集ISIC2017数据集PH2数据集3.2 用于皮肤病变分割的集成方法3.2.1 预处理3.2.2 DEEPLABV3+3.2.3 MASK R-CNN3.2.4 后处理3.2.5 集成方法3.3 性能指标3.4 实验和结果3.4.1 与ISIC Challenges 201

目录Skin Lesion Segmentation with C-UNet摘要1、引言2、方法2.1数据集2.2 C-UNet 结构2.3 训练2.4 利用Dice损失函数进行微调3、结果4、讨论Skin Lesion Segmentation with C-UNet摘要本文主要是为了解决皮肤病变分割的问题。C-UNet整合了类似Inception卷积模块，循环卷积块和空洞卷积。在用常用的交叉熵损失训练模型后，本文还应用了一种使用Dice损失的微调技术。利用条件随机场用于进一步平滑预测标签图。该模型

目录基于卷积神经网络的自适应颜色增强在皮肤深层病变分割中的应用摘要1、引言2、人工数据增强2.1 颜色增强2.2 空间增强3、 网络结构4、结果5、讨论5.1 色彩增强的有效性--学习效果5.3 重用基于颜色的分割特征6、结论基于卷积神经网络的自适应颜色增强在皮肤深层病变分割中的应用摘要问题背景：皮肤病变全自动检测系统对于恶性黑素瘤的早期诊断和预防有作用。存在的问题：被注释的皮肤镜筛查图像的illumination spectrum问题，该问题和颜色空间有关解决方案:提出了一种自适应颜色增强技术

目录Skin Lesion Segmentation Based on Improved U-net摘要1、引言2、提出的方法2.1 预处理模块2.2 基于DCNN的分割2.3 集成技术2.4 图像增广(数据增强)3、实验和结果3.1 数据集3.2 实现3.3 评价准则3.4 结果与分析4、结论和将来的工作Skin Lesion Segmentation Based on Improved U-net摘要黑色瘤问题背景，表明其亟待解决指明皮肤病变分割是解决该问题的重要步骤指明目前解决方案仍然存在

目录Deep Convolutional Encoder-Decoders with Aggregated Multi-Resolution Skip Connections for Skin Lesion Segmentation摘要1、引言Deep Convolutional Encoder-Decoders with Aggregated Multi-Resolution Skip Connections for Skin Lesion Segmentation摘要皮肤黑色素瘤的患病率正在迅速

目录Lesion Attributes Segmentation for Melanoma Detection with Multi-Task U-Net摘要1、引言2、方法2.1 数据2.2 多任务模型2.3模型训练3 、结果4、讨论Lesion Attributes Segmentation for Melanoma Detection with Multi-Task U-Net摘要黑色素瘤是全球最致命的皮肤癌。基于皮肤镜图像的深度学习，已经为黑色素瘤的早期检测做出了许多努力。识别特定的病变模式