論文の概要: Artifact-Based Domain Generalization of Skin Lesion Models

• arxiv url: http://arxiv.org/abs/2208.09756v1
• Date: Sat, 20 Aug 2022 22:25:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 12:23:35.752407
• Title: Artifact-Based Domain Generalization of Skin Lesion Models
• Title（参考訳）: アーティファクトに基づく皮膚病変モデルのドメイン一般化
• Authors: Alceu Bissoto, Catarina Barata, Eduardo Valle, Sandra Avila
• Abstract要約: 一般化評価とデバイアス化を可能にするために,アーティファクトアノテーションに依存するパイプラインを提案する。 我々は,皮膚病変のアーティファクトをベースとした環境を作成し,ドメインの一般化を可能にする。 以上の結果から,1つの側面にモデルを偏在させるだけでは,皮膚病変の公正な解析に十分ではないのではないか,という懸念が浮かび上がっている。
• 参考スコア（独自算出の注目度）: 20.792979998188848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning failure cases are abundant, particularly in the medical area. Recent studies in out-of-distribution generalization have advanced considerably on well-controlled synthetic datasets, but they do not represent medical imaging contexts. We propose a pipeline that relies on artifacts annotation to enable generalization evaluation and debiasing for the challenging skin lesion analysis context. First, we partition the data into levels of increasingly higher biased training and test sets for better generalization assessment. Then, we create environments based on skin lesion artifacts to enable domain generalization methods. Finally, after robust training, we perform a test-time debiasing procedure, reducing spurious features in inference images. Our experiments show our pipeline improves performance metrics in biased cases, and avoids artifacts when using explanation methods. Still, when evaluating such models in out-of-distribution data, they did not prefer clinically-meaningful features. Instead, performance only improved in test sets that present similar artifacts from training, suggesting models learned to ignore the known set of artifacts. Our results raise a concern that debiasing models towards a single aspect may not be enough for fair skin lesion analysis.
• Abstract（参考訳）: 深層学習の失敗事例は、特に医療分野において豊富である。 分布外一般化の最近の研究は、よく制御された合成データセットでかなり進歩しているが、医療画像の文脈を表すものではない。 本稿では,皮膚病変解析の難易度を評価するために,アーティファクトアノテーションに依存したパイプラインを提案する。 まず、偏見のあるトレーニングとテストセットのレベルにデータを分割し、より優れた一般化評価を行う。 次に,皮膚病変のアーティファクトに基づいた環境を作成し,ドメインの一般化を可能にする。 最後に,ロバストなトレーニングを行った後,テスト時のデバイアス処理を行い,推論画像のスプリアスな特徴を低減した。 実験の結果、パイプラインはバイアスのあるケースのパフォーマンス指標を改善し、説明方法を使用するとアーティファクトを避けます。 しかし, 分布域外データを用いた評価では, 臨床的に有意な特徴は好まなかった。 代わりに、パフォーマンスはトレーニングの類似したアーティファクトを示すテストセットで改善され、既知のアーティファクトセットを無視したモデルが提案された。 以上の結果から, 単一側面に対する脱バイアスモデルでは, 公正な皮膚病変解析には不十分である可能性が示唆された。

関連論文リスト

• Do Histopathological Foundation Models Eliminate Batch Effects? A Comparative Study [1.5142296396121897]
  基礎モデルの特徴埋め込みには, 偏りのある予測や誤分類につながる可能性のある, 異なる病院の署名が含まれていることを示す。 我々の研究は、医療基盤モデルの評価に関する新しい視点を提供し、より堅牢な事前訓練戦略と下流予測者への道を開く。
  論文  参考訳（メタデータ） (2024-11-08T11:39:03Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• Test-Time Selection for Robust Skin Lesion Analysis [20.792979998188848]
  皮膚病変解析モデルは、画像取得時に置かれたアーティファクトによってバイアスを受ける。 TTS(Test-Time Selection)は,陽性(病変領域など)と陰性(アーティファクトなど)のキーポイントを有効活用するループ法である。 私たちのソリューションは、さまざまなアノテーションの可用性、さまざまなレベルのバイアスに対して堅牢です。
  論文  参考訳（メタデータ） (2023-08-10T14:08:50Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• Feature-Level Debiased Natural Language Understanding [86.8751772146264]
  既存の自然言語理解(NLU)モデルは、特定のデータセットで高いパフォーマンスを達成するために、データセットバイアスに依存することが多い。 本稿では, バイアスの潜在特性を緩和し, バイアスの動的性質を無視するために, DCT(Debiasing contrastive learning)を提案する。 DCTは、ディストリビューション内のパフォーマンスを維持しながら、アウトオブディストリビューションデータセットの最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-12-11T06:16:14Z)
• DeepTechnome: Mitigating Unknown Bias in Deep Learning Based Assessment of CT Images [44.62475518267084]
  私たちは、未知のバイアスに対するトレーニング中にディープラーニングモデルをデバイアスします。 制御領域は、バイアスに関する情報を伝達する代理として使用します。 強いバイアスを示すデータから学習する手法を応用し、対応する偏りのないデータを用いたトレーニングで観測された分類性能をほぼ完全に回復する。
  論文  参考訳（メタデータ） (2022-05-26T12:18:48Z)
• 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)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Transductive image segmentation: Self-training and effect of uncertainty estimation [16.609998086075127]
  半教師付き学習(SSL)は、トレーニング中にラベルのないデータを使用して、より良いモデルを学ぶ。 本研究は、一般化を改善するのではなく、訓練中の最適化に含める際に、未ラベルデータに基づく予測の質に焦点をあてる。 外傷性脳病変のマルチクラスセグメンテーションのための大規模なMRIデータベースを用いた実験は,インダクティブ予測とトランスダクティブ予測との比較において有望な結果を示した。
  論文  参考訳（メタデータ） (2021-07-19T15:26:07Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。