論文の概要: Evaluating Deep Neural Networks Trained on Clinical Images in Dermatology with the Fitzpatrick 17k Dataset

• arxiv url: http://arxiv.org/abs/2104.09957v1
• Date: Tue, 20 Apr 2021 13:37:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 13:38:03.196828
• Title: Evaluating Deep Neural Networks Trained on Clinical Images in Dermatology with the Fitzpatrick 17k Dataset
• Title（参考訳）: fitzpatrick 17kデータセットを用いた皮膚科の臨床画像に基づく深層ニューラルネットワークの評価
• Authors: Matthew Groh, Caleb Harris, Luis Soenksen, Felix Lau, Rachel Han, Aerin Kim, Arash Koochek, Omar Badri
• Abstract要約: このデータセットは、フィッツパトリック皮膚型ラベルを持つ2つの皮膚学アトラスから得られた16,577の臨床画像を含む。 我々は、深層ニューラルネットワークモデルをトレーニングし、114の皮膚条件を分類し、トレーニングされたものと類似した皮膚タイプで最も正確なモデルを見つける。
• 参考スコア（独自算出の注目度）: 0.23746609573239755
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: How does the accuracy of deep neural network models trained to classify clinical images of skin conditions vary across skin color? While recent studies demonstrate computer vision models can serve as a useful decision support tool in healthcare and provide dermatologist-level classification on a number of specific tasks, darker skin is underrepresented in the data. Most publicly available data sets do not include Fitzpatrick skin type labels. We annotate 16,577 clinical images sourced from two dermatology atlases with Fitzpatrick skin type labels and open-source these annotations. Based on these labels, we find that there are significantly more images of light skin types than dark skin types in this dataset. We train a deep neural network model to classify 114 skin conditions and find that the model is most accurate on skin types similar to those it was trained on. In addition, we evaluate how an algorithmic approach to identifying skin tones, individual typology angle, compares with Fitzpatrick skin type labels annotated by a team of human labelers.
• Abstract（参考訳）: 皮膚疾患の臨床像を分類するために訓練された深層ニューラルネットワークモデルの精度は、皮膚の色によってどのように異なるのか? 近年の研究では、コンピュータビジョンモデルが医療において有用な意思決定支援ツールとして機能し、皮膚科医にいくつかの特定のタスクを分類できることが示されている。 ほとんどの公開データセットには、フィッツパトリックスキンタイプのラベルは含まれていない。 Fitzpatrick skin type labels を併用した2例の臨床像から得られた16,577点の注釈とこれらのアノテーションのオープンソース化を行った。 これらのラベルに基づいて、このデータセットには、暗い肌のタイプよりも、明るい肌のタイプのイメージがかなり多いことがわかった。 我々は、深層ニューラルネットワークモデルをトレーニングし、114の皮膚条件を分類し、トレーニングされたものと類似した皮膚タイプで最も正確なモデルを見つける。 また,皮膚の音色を識別するためのアルゴリズム的アプローチとして,人間のラベルを付したFitzpatrickスキンタイプラベルとの比較を行った。

関連論文リスト

• DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In Machine-Assisted Skin Disease Detection [51.92255321684027]
  皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。 我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
  論文  参考訳（メタデータ） (2024-01-24T07:45:24Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Revisiting Skin Tone Fairness in Dermatological Lesion Classification [3.247628857305427]
  ITAに基づく4つの皮膚音分類手法をISIC18データセットで検討・比較した。 ITAに基づく皮膚のトーン推定手法のリスクを実証する先行研究の間には高い相違点がみられた。 本研究は,ISIC18データセットにおける多様性の欠如が,公正度分析のためのテストベッドとしての利用を制限することを明らかにする。
  論文  参考訳（メタデータ） (2023-08-18T15:59:55Z)
• 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)
• SkinCon: A skin disease dataset densely annotated by domain experts for fine-grained model debugging and analysis [9.251248318564617]
  概念は人間にとって意味のあるメタラベルである。 医学における厳密な注釈付きデータセットは、メラノーマのような単一の疾患に関連するメタラベルに焦点を当てた。 SkinConにはFitzpatrick 17kデータセットから3230枚の画像が含まれており、48の臨床的概念が付加されている。
  論文  参考訳（メタデータ） (2023-02-01T22:39:51Z)
• CIRCLe: Color Invariant Representation Learning for Unbiased Classification of Skin Lesions [16.65329510916639]
  皮膚病変分類における公平性を改善するための深層表現学習法であるCIRCLeを提案する。 6種類のフィッツパトリック皮膚型と114の疾患にまたがる16k以上の画像において,CIRCLeの最先端性よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-08-29T12:06:10Z)
• FairDisCo: Fairer AI in Dermatology via Disentanglement Contrastive Learning [11.883809920936619]
  本研究では,FairDisCoを提案する。 FairDisCoを3つのフェアネス手法、すなわち、再サンプリング、再重み付け、属性認識と比較する。 DPMとEOMの2つのフェアネス指標を多クラスに適用し,皮膚病変分類における皮膚型バイアスを強調した。
  論文  参考訳（メタデータ） (2022-08-22T01:54:23Z)
• Meta Balanced Network for Fair Face Recognition [51.813457201437195]
  我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。 本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。 大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
  論文  参考訳（メタデータ） (2022-05-13T10:25:44Z)
• Automatic Facial Skin Feature Detection for Everyone [60.31670960526022]
  本研究では,野生の自撮り自撮りのために,さまざまな肌のトーンと年齢群にまたがって機能する顔顔の特徴自動検出法を提案する。 具体的には,肌の色,重度度,照明条件の異なる自撮り画像に対して,アクネ,顔料,ニキビの位置を注釈する。
  論文  参考訳（メタデータ） (2022-03-30T04:52:54Z)
• EdgeMixup: Improving Fairness for Skin Disease Classification and Segmentation [9.750368551427494]
  皮膚病変は、広範囲の感染症やその他の病気の早期の指標である可能性がある。 深層学習(DL)モデルを用いた皮膚病変の診断は,プレスクリーニング患者を支援できる可能性が高い。 これらのモデルは、トレーニングデータに固有のバイアスを学習することが多く、ライトやダークスキンのトーンを持つ人の診断において、パフォーマンスのギャップを生じさせる可能性がある。
  論文  参考訳（メタデータ） (2022-02-28T15:33:31Z)
• Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification [76.89093364969253]
  そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。 本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。 さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
  論文  参考訳（メタデータ） (2020-04-21T00:57:11Z)

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。