研究目的
提出一种基于深度学习的方法,用于从皮肤镜图像中分割皮肤病变,以解决可能表现为假阳性并降低诊断系统性能的伪影问题。
研究成果
所提出的深度学习方法能有效从皮肤镜图像中分割出皮肤病变,在PH2和ISIC 2017数据集上均实现了高准确率。该方法解决了伪影问题,显示出提升计算机辅助诊断系统的潜力。
研究不足
该研究的局限性在于所使用的数据集(PH2和ISIC 2017),可能无法推广至所有类型的皮肤病变或成像条件。输入图像的质量和变异性可能会影响所提方法的性能。
研究目的
提出一种基于深度学习的方法,用于从皮肤镜图像中分割皮肤病变,以解决可能表现为假阳性并降低诊断系统性能的伪影问题。
研究成果
所提出的深度学习方法能有效从皮肤镜图像中分割出皮肤病变,在PH2和ISIC 2017数据集上均实现了高准确率。该方法解决了伪影问题,显示出提升计算机辅助诊断系统的潜力。
研究不足
该研究的局限性在于所使用的数据集(PH2和ISIC 2017),可能无法推广至所有类型的皮肤病变或成像条件。输入图像的质量和变异性可能会影响所提方法的性能。
加载中....
您正在对论文“[2018年IEEE第20届电子健康网络、应用与服务国际会议(Healthcom) - 捷克共和国奥斯特拉瓦(2018.9.17-2018.9.20)] 2018年IEEE第20届电子健康网络、应用与服务国际会议(Healthcom) - 基于学习的皮肤镜图像皮肤病变分割方法”进行纠错
纠错内容
联系方式(选填)
称呼
电话
单位名称
用途
期望交货周期
称呼
电话
单位名称
用途
期望交货周期