論文の概要: CIRCLe: Color Invariant Representation Learning for Unbiased Classification of Skin Lesions

• arxiv url: http://arxiv.org/abs/2208.13528v1
• Date: Mon, 29 Aug 2022 12:06:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 14:02:35.375262
• Title: CIRCLe: Color Invariant Representation Learning for Unbiased Classification of Skin Lesions
• Title（参考訳）: CIRCLe: 皮膚病変の異常分類のための色不変表現学習
• Authors: Arezou Pakzad, Kumar Abhishek, Ghassan Hamarneh
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.65329510916639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning based approaches have demonstrated expert-level performance in dermatological diagnosis tasks, they have also been shown to exhibit biases toward certain demographic attributes, particularly skin types (e.g., light versus dark), a fairness concern that must be addressed. We propose CIRCLe, a skin color invariant deep representation learning method for improving fairness in skin lesion classification. CIRCLe is trained to classify images by utilizing a regularization loss that encourages images with the same diagnosis but different skin types to have similar latent representations. Through extensive evaluation and ablation studies, we demonstrate CIRCLe's superior performance over the state-of-the-art when evaluated on 16k+ images spanning 6 Fitzpatrick skin types and 114 diseases, using classification accuracy, equal opportunity difference (for light versus dark groups), and normalized accuracy range, a new measure we propose to assess fairness on multiple skin type groups.
• Abstract（参考訳）: 深層学習に基づくアプローチは、皮膚科の診断タスクにおいて専門家レベルのパフォーマンスを示す一方で、特定の人口統計学的属性、特に皮膚型(例えば、光と暗さ)に対する偏見を示すことも示されている。 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。 CIRCLeは、同じ診断をするが、異なる皮膚型が同様の潜伏表現を持つイメージを奨励する正規化損失を利用することで、画像の分類を訓練されている。 そこで本研究では,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以上の画像に対して,分類精度,同等の機会差(明暗群と明暗群)および正規化精度範囲を用いて,circleの最先端画像に対する優れた性能を示すとともに,複数の皮膚型群の公平性を評価するための新しい方法を提案する。

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)
• Evaluating Machine Learning-based Skin Cancer Diagnosis [0.0]
  この研究は、MobileNetベースのモデルとカスタムCNNモデルの2つの畳み込みニューラルネットワークアーキテクチャを評価する。 どちらのモデルも、皮膚病変を7つのカテゴリに分類し、危険病変と良性病変を区別する能力について評価されている。 この研究は、モデルが説明可能性を示す一方で、異なる肌のトーンの公平性を確保するためにさらなる開発が必要であると結論付けている。
  論文  参考訳（メタデータ） (2024-09-04T02:44:48Z)
• 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)
• 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)
• 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)
• Revisiting the Shape-Bias of Deep Learning for Dermoscopic Skin Lesion Classification [4.414962444402826]
  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。
  論文  参考訳（メタデータ） (2022-06-13T20:59:06Z)
• 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。