論文の概要: Can Domain Adaptation Improve Accuracy and Fairness of Skin Lesion
Classification?
- arxiv url: http://arxiv.org/abs/2307.03157v1
- Date: Thu, 6 Jul 2023 17:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 13:08:11.932399
- Title: Can Domain Adaptation Improve Accuracy and Fairness of Skin Lesion
Classification?
- Title(参考訳): ドメイン適応は皮膚病変分類の精度と公平性を改善するか?
- Authors: Janet Wang, Yunbei Zhang, Zhengming Ding, Jihun Hamm
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 55.49029146917322
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based diagnostic system has demonstrated potential in
classifying skin cancer conditions when labeled training example are abundant.
However, skin lesion analysis often suffers from a scarcity of labeled data,
hindering the development of an accurate and reliable diagnostic system. In
this work, we leverage multiple skin lesion datasets and investigate the
feasibility of various unsupervised domain adaptation (UDA) methods in binary
and multi-class skin lesion classification. In particular, we assess three UDA
training schemes: single-, combined-, and multi-source. Our experiment results
show that UDA is effective in binary classification, with further improvement
being observed when imbalance is mitigated. In multi-class task, its
performance is less prominent, and imbalance problem again needs to be
addressed to achieve above-baseline accuracy. Through our quantitative
analysis, we find that the test error of multi-class tasks is strongly
correlated with label shift, and feature-level UDA methods have limitations
when handling imbalanced datasets. Finally, our study reveals that UDA can
effectively reduce bias against minority groups and promote fairness, even
without the explicit use of fairness-focused techniques.
- Abstract(参考訳): 深層学習に基づく診断システムは、ラベル付きトレーニング例が豊富にある皮膚がんの病態を分類する可能性を示している。
しかし、皮膚の病変解析はしばしばラベル付きデータの不足に悩まされ、正確で信頼性の高い診断システムの開発を妨げる。
本研究は,複数の皮膚病変データセットを活用し,非教師なし領域適応法(UDA)の2値および多値の皮膚病変分類への応用について検討する。
特に,シングル,コンバインド,マルチソースの3つのudaトレーニングスキームを評価した。
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。
多クラスタスクでは、その性能はさほど目立たず、また、上記のベースライン精度を達成するために不均衡の問題に対処する必要がある。
定量的解析により,マルチクラスタスクのテストエラーはラベルシフトと強く相関し,機能レベルのudaメソッドには不均衡データセットを扱う際の制限があることが分かった。
最後に,本研究では,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。
関連論文リスト
- Iterative Online Image Synthesis via Diffusion Model for Imbalanced
Classification [29.730360798234294]
医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。
このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。
不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
論文 参考訳(メタデータ) (2024-03-13T10:51:18Z) - 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) - What limits performance of weakly supervised deep learning for chest CT
classification? [0.44241702149260353]
ノイズの多いデータによる弱教師付き学習は、高品質な疾患ラベルの出現により、医用画像のコミュニティで注目されている。
本稿では, ノイズデータに対するモデル耐性を検証し, 弱い監視効果を検証した。
その結果, 疾患分類性能の低下を経験する前に, ラベルエラーを最大10%加えることができた。
論文 参考訳(メタデータ) (2024-02-06T21:38:29Z) - Patch-level instance-group discrimination with pretext-invariant
learning for colitis scoring [2.691339855008848]
自己教師型学習(SSL)のためのプリテキスト不変表現学習(PLD-PIRL)を用いたパッチレベルの新しいインスタンスグループ識別手法を提案する。
本実験では,ベースライン教師付きネットワークや最先端SSL方式と比較して,精度とロバスト性の向上を実証した。
論文 参考訳(メタデータ) (2022-07-11T21:06:29Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2022-06-27T06:51:48Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳(メタデータ) (2022-04-19T09:10:06Z) - SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion
Classification [9.265557367859637]
SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。
2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
論文 参考訳(メタデータ) (2022-02-11T15:19:36Z) - A Multi-stage Transfer Learning Framework for Diabetic Retinopathy
Grading on Small Data [7.083438376194304]
糖尿病網膜症(DR)は、現在知られている主要な盲腸疾患の一つである。
本稿では,多段階移動学習のアイデアをDRのグルーピングタスクに適用する。
作業中にクラスバランスの損失関数を提示し、それに対してシンプルで実装の容易なトレーニング手法を採用する。
論文 参考訳(メタデータ) (2021-09-24T08:39:13Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳(メタデータ) (2021-09-08T07:56:51Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳(メタデータ) (2021-03-07T03:10:32Z)
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。