論文の概要: Out-of-Distribution Detection for Long-tailed and Fine-grained Skin Lesion Images

• arxiv url: http://arxiv.org/abs/2206.15186v1
• Date: Thu, 30 Jun 2022 10:53:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 13:10:09.142212
• Title: Out-of-Distribution Detection for Long-tailed and Fine-grained Skin Lesion Images
• Title（参考訳）: 細粒度・細粒度皮膚病変画像における分布異常の検出
• Authors: Deval Mehta, Yaniv Gal, Adrian Bowling, Paul Bonnington, Zongyuan Ge
• Abstract要約: マルチクラス分類の精度を維持しつつ,OOD検出性能を向上させるための簡易かつ戦略的手法を提案する。 この論文の独特な貢献は2倍であり、広範な実験によって正当化されている。
• 参考スコア（独自算出の注目度）: 10.261036681843422
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent years have witnessed a rapid development of automated methods for skin lesion diagnosis and classification. Due to an increasing deployment of such systems in clinics, it has become important to develop a more robust system towards various Out-of-Distribution(OOD) samples (unknown skin lesions and conditions). However, the current deep learning models trained for skin lesion classification tend to classify these OOD samples incorrectly into one of their learned skin lesion categories. To address this issue, we propose a simple yet strategic approach that improves the OOD detection performance while maintaining the multi-class classification accuracy for the known categories of skin lesion. To specify, this approach is built upon a realistic scenario of a long-tailed and fine-grained OOD detection task for skin lesion images. Through this approach, 1) First, we target the mixup amongst middle and tail classes to address the long-tail problem. 2) Later, we combine the above mixup strategy with prototype learning to address the fine-grained nature of the dataset. The unique contribution of this paper is two-fold, justified by extensive experiments. First, we present a realistic problem setting of OOD task for skin lesion. Second, we propose an approach to target the long-tailed and fine-grained aspects of the problem setting simultaneously to increase the OOD performance.
• Abstract（参考訳）: 近年,皮膚病変の診断と分類の自動化が急速に進展している。 診療所におけるこのようなシステムの展開が進んでいるため、様々なアウト・オブ・ディストリビューション(OOD)サンプル(未知の皮膚病変や病態)に対してより堅牢なシステムを開発することが重要になっている。 しかし、現在の深層学習モデルでは、これらのoodサンプルを誤って、学習した皮膚病変のカテゴリの1つに分類する傾向がある。 そこで本研究では, 皮膚病変の分類精度を維持しつつ, OOD検出性能を向上させるための, シンプルながら戦略的アプローチを提案する。 本手法は, 皮膚病変の画像に対して, 長い尾と細かなOOD検出タスクの現実的なシナリオに基づいて構築される。 このアプローチを通じて。 1) まず,ロングテール問題に対処するために,中間クラスとテールクラス間のミックスアップを目標とした。 2)その後,上記の混合戦略とプロトタイプ学習を組み合わせることで,データセットのきめ細かい性質に対処する。 この論文の独特な貢献は2倍であり、広範な実験によって正当化されている。 まず,皮膚病変に対するOODタスクの現実的な問題点について述べる。 第2に,問題設定の長期的かつ細かな側面を同時にターゲットとし,ood性能を向上させる手法を提案する。

関連論文リスト

• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• 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)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• 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)
• A Multi-Scale Framework for Out-of-Distribution Detection in Dermoscopic Images [10.20384144853726]
  本稿では,皮膚疾患の画像データを検出するためのマルチスケール検出フレームワークを提案する。 我々のフレームワークはニューラルネットワークの異なる層から特徴を抽出する。 実験により,提案手法は,他の最先端手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-01-18T13:49:35Z)
• Deep Learning based Novel Cascaded Approach for Skin Lesion Analysis [7.371818587876888]
  本研究は,2段階の皮膚病変セグメンテーションの枠組みに焦点をあて,その後に病変解析の分類を行う。 皮膚病変分類のためのエンコーダデコーダアーキテクチャとCNNに基づく分類ネットワークを設計し,深層畳み込みニューラルネットワークアーキテクチャの有効性を検討した。 本手法は, 従来の分類法により, 病変の分類精度が有意に向上した第1種である。
  論文  参考訳（メタデータ） (2023-01-16T01:08:32Z)
• Achieving Fairness in Dermatological Disease Diagnosis through Automatic Weight Adjusting Federated Learning and Personalization [15.276768990910337]
  皮膚科疾患は世界の健康に大きな脅威となり、世界の人口の約3分の1に影響を及ぼす。 本稿では,皮膚疾患診断のためのフェアネス対応フェデレーション学習フレームワークを提案する。 実験により,提案するフレームワークは,最先端技術と比較して,公平性と正確性の両方を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2022-08-23T20:44:09Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Out-of-Distribution Detection in Dermatology using Input Perturbation and Subset Scanning [5.674998177844528]
  現在の皮膚疾患モデルでは、異なるハードウェアデバイスや臨床機器からの検査サンプルの誤った推測が可能である。 決定に先立って,これらのOODサンプルを簡易かつ効果的に検出する手法を提案する。
  論文  参考訳（メタデータ） (2021-05-24T09:04:47Z)
• 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。