論文の概要: Improving Lesion Detection by exploring bias on Skin Lesion dataset
- arxiv url: http://arxiv.org/abs/2010.01485v1
- Date: Sun, 4 Oct 2020 05:04:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 03:32:26.573136
- Title: Improving Lesion Detection by exploring bias on Skin Lesion dataset
- Title（参考訳）: 皮膚病変データセットのバイアス探索による病変検出の改善
- Authors: Anusua Trivedi, Sreya Muppalla, Shreyaan Pathak, Azadeh Mobasher,
Pawel Janowski, Rahul Dodhia, Juan M. Lavista Ferres
- Abstract要約: ISIC Archiveは、ディープラーニングベースのツールをベンチマークするのに最も使用される皮膚病変ソースの1つである。
深層学習モデルは、入力データに臨床的に意味のある情報を持たずに皮膚病変画像を分類することができる。
長方形境界箱型マスクの代わりに形状保存マスクを生成する実験を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: All datasets contain some biases, often unintentional, due to how they were
acquired and annotated. These biases distort machine-learning models'
performance, creating spurious correlations that the models can unfairly
exploit, or, contrarily destroying clear correlations that the models could
learn. With the popularity of deep learning models, automated skin lesion
analysis is starting to play an essential role in the early detection of
Melanoma. The ISIC Archive is one of the most used skin lesion sources to
benchmark deep learning-based tools. Bissoto et al. experimented with different
bounding-box based masks and showed that deep learning models could classify
skin lesion images without clinically meaningful information in the input data.
Their findings seem confounding since the ablated regions (random rectangular
boxes) are not significant. The shape of the lesion is a crucial factor in the
clinical characterization of a skin lesion. In that context, we performed a set
of experiments that generate shape-preserving masks instead of rectangular
bounding-box based masks. A deep learning model trained on these
shape-preserving masked images does not outperform models trained on images
without clinically meaningful information. That strongly suggests spurious
correlations guiding the models. We propose use of general adversarial network
(GAN) to mitigate the underlying bias.
- Abstract（参考訳）: すべてのデータセットにはいくつかのバイアスが含まれており、しばしば意図しない。
これらのバイアスは機械学習モデルのパフォーマンスを歪ませ、モデルが不公平に悪用できるような刺激的な相関や、モデルが学習できる明確な相関を逆に破壊する。
深層学習モデルの普及に伴い、皮膚病変の自動解析はメラノーマの早期発見において重要な役割を担っている。
ISIC Archiveは、ディープラーニングベースのツールをベンチマークするのに最も使用される皮膚病変ソースの1つである。
Bissotoらは、異なるバウンディングボックスベースのマスクを用いて実験を行い、深層学習モデルが入力データに臨床的に有意な情報を持たずに皮膚病変画像を分類できることを示した。
鈍化した領域(ランダムな長方形の箱)は有意ではないため,これらの所見は否定的であった。
病変の形状は皮膚病変の臨床的特徴付けにおいて重要な因子である。
そこで我々は,形状保存マスクを長方形バウンディングボックス型マスクの代わりに生成する実験を行った。
これらの形状保存マスク画像に基づいて訓練された深層学習モデルは、臨床的に意味のある情報のない画像上で訓練されたモデルよりも優れていない。
これはモデルを導く散発的な相関を強く示唆する。
本稿では,このバイアスを軽減するためにGAN(General Adversarial Network)を提案する。
関連論文リスト
- How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳（メタデータ） (2023-06-06T14:23:34Z) - Multi-class Skin Cancer Classification Architecture Based on Deep
Convolutional Neural Network [2.4469484645516837]
本稿では,異なる種類の皮膚病変を正確に同定するコンピュータによる深層学習手法を提案する。
ディープラーニングアプローチは、モデルが画像の各ピクセルを学習するため、皮膚がんを極めて正確に検出することができる。
いくつかのディープラーニングモデルには制限があり、モデルが偽陽性の結果に導かれる。
論文 参考訳（メタデータ） (2023-03-13T23:16:18Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳（メタデータ） (2022-11-12T23:28:54Z) - Comparison of Deep Learning and Machine Learning Models and Frameworks
for Skin Lesion Classification [0.0]
機械学習とディープラーニングを使って皮膚がんの分類を行うと、アクセシビリティが向上し、従来の病変検出プロセスにおける不快な手順が軽減される。
本稿では、一般的な皮膚病変のベンチマークHAM10000データセットを用いて、2つのモデルをテストする。
資源制約のある移動環境において,皮膚病変診断のための異なるフレームワーク上での深層学習モデルと同一の深層学習モデルの比較は,これまで行われなかった。
論文 参考訳（メタデータ） (2022-07-26T08:07:33Z) - Revisiting the Shape-Bias of Deep Learning for Dermoscopic Skin Lesion
Classification [4.414962444402826]
人間の視覚系は、テクスチャよりも形状の認識に偏っていると一般的に信じられている。
本稿では,皮膚病変画像の分類における形状ビアーゼの重要性を再考する。
論文 参考訳（メタデータ） (2022-06-13T20:59:06Z) - Pseudo Bias-Balanced Learning for Debiased Chest X-ray Classification [57.53567756716656]
本研究では, バイアスラベルを正確に把握せず, 脱バイアス胸部X線診断モデルの開発について検討した。
本稿では,まずサンプルごとのバイアスラベルをキャプチャし,予測する新しいアルゴリズム,擬似バイアスバランス学習を提案する。
提案手法は他の最先端手法よりも一貫した改善を実現した。
論文 参考訳（メタデータ） (2022-03-18T11:02:18Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳（メタデータ） (2021-04-22T13:39:33Z) - Analysis of skin lesion images with deep learning [0.0]
内視鏡画像の分類における美術の現状を評価します。
ImageNetデータセットに事前トレーニングされた様々なディープニューラルネットワークアーキテクチャは、組み合わせたトレーニングデータセットに適合する。
皮膚病変の8クラスの検出のためのこれらのモデルの性能と適用性を検討する。
論文 参考訳（メタデータ） (2021-01-11T10:58:36Z) - How do Decisions Emerge across Layers in Neural Models? Interpretation
with Differentiable Masking [70.92463223410225]
DiffMaskは、差分性を維持しながら入力のサブセットをマスクアウトすることを学ぶ。
入力トークンを包含または無視する決定は、中間隠蔽層に基づく単純なモデルで行われる。
これにより、属性のヒートマップをプロットするだけでなく、ネットワーク層間で意思決定がどのように形成されるかを分析することができます。
論文 参考訳（メタデータ） (2020-04-30T17:36:14Z) - Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。
第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2020-04-14T22:46:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。