論文の概要: EdgeMixup: Improving Fairness for Skin Disease Classification and
Segmentation
- arxiv url: http://arxiv.org/abs/2202.13883v1
- Date: Mon, 28 Feb 2022 15:33:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 14:23:08.783769
- Title: EdgeMixup: Improving Fairness for Skin Disease Classification and
Segmentation
- Title(参考訳): EdgeMixup: 皮膚疾患の分類と分類の公平性を改善する
- Authors: Haolin Yuan, Armin Hadzic, William Paul, Daniella Villegas de Flores,
Philip Mathew, John Aucott, Yinzhi Cao, Philippe Burlina
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 9.750368551427494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skin lesions can be an early indicator of a wide range of infectious and
other diseases. The use of deep learning (DL) models to diagnose skin lesions
has great potential in assisting clinicians with prescreening patients.
However, these models often learn biases inherent in training data, which can
lead to a performance gap in the diagnosis of people with light and/or dark
skin tones. To the best of our knowledge, limited work has been done on
identifying, let alone reducing, model bias in skin disease classification and
segmentation. In this paper, we examine DL fairness and demonstrate the
existence of bias in classification and segmentation models for subpopulations
with darker skin tones compared to individuals with lighter skin tones, for
specific diseases including Lyme, Tinea Corporis and Herpes Zoster. Then, we
propose a novel preprocessing, data alteration method, called EdgeMixup, to
improve model fairness with a linear combination of an input skin lesion image
and a corresponding a predicted edge detection mask combined with color
saturation alteration. For the task of skin disease classification, EdgeMixup
outperforms much more complex competing methods such as adversarial approaches,
achieving a 10.99% reduction in accuracy gap between light and dark skin tone
samples, and resulting in 8.4% improved performance for an underrepresented
subpopulation.
- Abstract(参考訳): 皮膚病変は、幅広い感染症や他の疾患の早期の指標となりうる。
皮膚病変の診断におけるdeep learning(dl)モデルの使用は,前スクリーニング患者に対する臨床医の補助に大いに有用である。
しかし、これらのモデルはしばしばトレーニングデータに固有のバイアスを学習し、明暗の肌色を持つ人々の診断におけるパフォーマンスのギャップを生じさせる。
私たちの知る限りでは、皮膚疾患の分類と分節におけるバイアスを識別、軽減、モデル化する作業は限られています。
本稿では,皮膚色が暗く,肌色が薄い個体に比べて,ライム,ティネア・コーポリス,ヘルペス・ゾスターなどの特定の疾患に対する分類・区分モデルにおいて,dlの公平性を検証し,バイアスの存在を実証する。
そこで本研究では,入力皮膚病変画像とそれに対応するエッジ検出マスクと,彩度変化を併用したモデルフェアネスを改善するために,EdgeMixupと呼ばれる新しい前処理,データ修正手法を提案する。
皮膚疾患分類のタスクでは、EdgeMixupは、敵のアプローチのようなより複雑な競合方法よりも優れており、光と暗い皮膚のトーンサンプルの精度ギャップを10.99%削減し、人口密度の低いサブポレーションのパフォーマンスを8.4%向上させた。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - 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) - FEDD -- Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation
and Malignancy Classification [2.076716889858164]
皮膚病変の分類と悪性度分類のためのフェア,エフェクト,ディバース拡散に基づくフレームワークを提案する。
5%,10%,15%,20%のラベル付き試料を用いて,0.18,0.13,0.06,0.07の相互結合の改善を実現した。
Diverse Dermatology Imagesの10%で訓練されたFedは、悪性度分類の精度が最先端と比較して81%、14%高いことを示した。
論文 参考訳(メタデータ) (2023-07-21T15:42:01Z) - Can Domain Adaptation Improve Accuracy and Fairness of Skin Lesion
Classification? [55.49029146917322]
各種非教師付き領域適応法(UDA)の2値・多値皮膚病変分類における適用可能性について検討した。
実験の結果,UDAは二分分類に有効であり,不均衡が緩和された場合にはさらなる改善が見られた。
本研究は,少数派に対する偏見を効果的に低減し,公平性を重視したテクニックを明示的に用いなくても公平性を促進できることを示した。
論文 参考訳(メタデータ) (2023-07-06T17:32:38Z) - 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) - Detecting Melanoma Fairly: Skin Tone Detection and Debiasing for Skin
Lesion Classification [5.71097144710995]
修正された変分オートエンコーダを用いて、ベンチマークとして一般的に使用されるデータセットの皮膚のトーンバイアスを明らかにする。
病変画像の皮膚のトーンを自動的にラベル付けする,効率的かつ効率的なアルゴリズムを提案する。
その後、皮膚のトーンバイアスを軽減するために2つの主要なバイアスアンラーニング技術を使用します。
論文 参考訳(メタデータ) (2022-02-06T18:53:06Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - 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。