6 статей
В статье предлагается гибридная архитектура CNN-BiLSTM для автоматизированной диагностики рака кожи на основе датасета HAM10000. Модель достигла точности 94,82%, эффективно сочетая извлечение пространственных признаков и анализ контекстуальных зависимостей, что делает её пригодной для использования в реальном времени.
В данной исследовательской работе представлена инновационная методология многоисточниковой адаптации домена без доступа к исходным данным (multi-source-free domain adaptation) для повышения точности диагностики рака кожи. Авторы предлагают использовать контрастное обучение адаптеров совместно с механизмом дистилляции консенсусного знания для преодоления проблемы смещения данных между различными медицинскими центрами. Основная сложность заключается в необходимости обучения моделей на новых наборах данных без возможности обращения к приватным исходным выборкам, что критически важно для соблюдения конфиденциальности пациентов. Методология позволяет эффективно переносить знания из нескольких источников, минимизируя потерю точности при работе с новыми визуальными характеристиками поражений кожи. Результаты демонстрируют значительное преимущество предложенного подхода над существующими методами адаптации домена, обеспечивая высокую устойчивость диагностических алгоритмов к вариативности оборудования и условий съемки. Данная разработка имеет высокую практическую значимость для внедрения ИИ-систем в клиническую практику, так как решает проблему масштабируемости моделей без нарушения протоколов защиты персональных данных.
Разработан новый метод глубокого обучения (на базе ResU-Net) для точного совмещения изображений кожи, полученных в разных спектрах (видимом, NIR и тепловом). Исследование представляет первый в своем роде набор данных из 155 триплетов изображений поражений кожи, подтвержденных дерматологами.
Исследование предлагает новый метод классификации девяти типов поражений кожи с использованием архитектуры Vision Transformer (ViT) для извлечения признаков. Предложенный подход с применением контрастного растяжения и легковесного MLP показал точность обучения 98% и точность тестирования 93,22%.
В статье представлен новый метод классификации рака кожи, сочетающий глубокое обучение (архитектура DSRSENet) и фильтрацию классических признаков с помощью механизма SAMI. Использование метода оптимального выбора признаков (OFS) позволило достичь высокой точности обнаружения — до 95.66% на наборах данных HAM10000 и PAD_UFES_20.
Представлена сеть SDNet — двухпараметрическая система глубоких сверточных нейронных сетей для многоклассовой диагностики кожных заболеваний. Модель достигает точности 99,1% на датасете DermNet, превосходя традиционные методы. Исследование демонстрирует применение объяснимого ИИ (XAI) для точного выявления кожных патологий.
