論文の概要: Revisiting the Shape-Bias of Deep Learning for Dermoscopic Skin Lesion Classification

• arxiv url: http://arxiv.org/abs/2206.06466v1
• Date: Mon, 13 Jun 2022 20:59:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-06-15 13:28:13.938945
• Title: Revisiting the Shape-Bias of Deep Learning for Dermoscopic Skin Lesion Classification
• Title（参考訳）: 皮膚内視鏡的病変分類における深層学習の形状バイアスの再検討
• Authors: Adriano Lucieri and Fabian Schmeisser and Christoph Peter Balada and Shoaib Ahmed Siddiqui and Andreas Dengel and Sheraz Ahmed
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.414962444402826
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: It is generally believed that the human visual system is biased towards the recognition of shapes rather than textures. This assumption has led to a growing body of work aiming to align deep models' decision-making processes with the fundamental properties of human vision. The reliance on shape features is primarily expected to improve the robustness of these models under covariate shift. In this paper, we revisit the significance of shape-biases for the classification of skin lesion images. Our analysis shows that different skin lesion datasets exhibit varying biases towards individual image features. Interestingly, despite deep feature extractors being inclined towards learning entangled features for skin lesion classification, individual features can still be decoded from this entangled representation. This indicates that these features are still represented in the learnt embedding spaces of the models, but not used for classification. In addition, the spectral analysis of different datasets shows that in contrast to common visual recognition, dermoscopic skin lesion classification, by nature, is reliant on complex feature combinations beyond shape-bias. As a natural consequence, shifting away from the prevalent desire of shape-biasing models can even improve skin lesion classifiers in some cases.
• Abstract（参考訳）: 一般に、人間の視覚システムはテクスチャではなく形状認識に偏っていると考えられている。 この仮定は、深層モデルの意思決定プロセスと人間の視覚の基本特性を一致させようとする作業の体系を成長させてきた。 形状特徴への依存は主に、共変量シフトの下でこれらのモデルの堅牢性を改善することが期待される。 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。 解析の結果,異なる皮膚病変データセットは個々の画像特徴に対して様々なバイアスを示すことがわかった。 興味深いことに、深部特徴抽出装置は、皮膚病変分類の絡み合い特徴の学習に傾いているにもかかわらず、個々の特徴をこの絡み合い表現から復号することができる。 このことは、これらの特徴がモデルの学習した埋め込み空間にまだ表現されていることを示しているが、分類には使われていない。 加えて、異なるデータセットのスペクトル分析は、一般的な視覚認識とは対照的に、皮膚の皮膚病変の分類は、本質的に、形状バイアスを超えた複雑な特徴の組み合わせに依存していることを示している。 自然な結果として、形状バイアスモデルの一般的な欲求から遠ざかることによって、皮膚病変の分類を改善できる場合もある。

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)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
  分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。 従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。 本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
  論文  参考訳（メタデータ） (2022-10-23T11:52:57Z)
• A Survey on Deep Learning for Skin Lesion Segmentation [32.523358996420846]
  皮膚がんは、この一般的な疾患の負担を軽減するために、コンピュータ支援による診断の恩恵を受ける主要な公衆衛生問題である。 画像からの皮膚病変のセグメンテーションは、この目標を達成するための重要なステップである。 天然物や人工物(毛髪や気泡など)の存在、本質的要因(病変の形状やコントラストなど)、画像取得条件の変化により、皮膚病変のセグメンテーションは難しい課題となる。
  論文  参考訳（メタデータ） (2022-06-01T09:43:10Z)
• Salient Skin Lesion Segmentation via Dilated Scale-Wise Feature Fusion Network [28.709314434820953]
  現在の皮膚病変のセグメンテーションアプローチは、困難な状況下ではパフォーマンスが悪くなっている。 畳み込み分解に基づく拡張スケールワイド機能融合ネットワークを提案する。 提案手法は, 常に最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-05-20T16:08:37Z)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Unravelling the Effect of Image Distortions for Biased Prediction of Pre-trained Face Recognition Models [86.79402670904338]
  画像歪みの存在下での4つの最先端深層顔認識モデルの性能評価を行った。 我々は、画像歪みが、異なるサブグループ間でのモデルの性能ギャップと関係していることを観察した。
  論文  参考訳（メタデータ） (2021-08-14T16:49:05Z)
• Dermoscopic Image Classification with Neural Style Transfer [5.314466196448187]
  皮膚病変分類問題に対する新しい画像前処理ステップとして,NST(Neural Style Transfer)の適応を提案する。 各皮膚内視鏡像をスタイル画像として表現し、病変のスタイルを均質なコンテンツ画像に転送します。 これにより、各病変の主な変動を同じ局在領域に転送し、生成された画像を一緒に統合し、潜伏した低ランクスタイルの特徴を抽出します。
  論文  参考訳（メタデータ） (2021-05-17T03:50:51Z)
• Improving Lesion Detection by exploring bias on Skin Lesion dataset [0.0]
  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。
  論文  参考訳（メタデータ） (2020-10-04T05:04:58Z)
• Bi-directional Dermoscopic Feature Learning and Multi-scale Consistent Decision Fusion for Skin Lesion Segmentation [28.300486641368234]
  本稿では,皮膚病変と情報的文脈との複雑な相関をモデル化する,新しい双方向皮膚機能学習(biDFL)フレームワークを提案する。 また,複数の分類層から発生する情報的決定に選択的に集中できるマルチスケール一貫した決定融合(mCDF)を提案する。
  論文  参考訳（メタデータ） (2020-02-20T12:00:24Z)

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。