論文の概要: FEDD -- Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation
and Malignancy Classification
- arxiv url: http://arxiv.org/abs/2307.11654v1
- Date: Fri, 21 Jul 2023 15:42:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 12:05:54.820416
- Title: FEDD -- Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation
and Malignancy Classification
- Title(参考訳): FEDD -- 公平で効率的な拡散型病変分割と悪性度分類
- Authors: H\'ector Carri\'on, Narges Norouzi
- Abstract要約: 皮膚病変の分類と悪性度分類のためのフェア,エフェクト,ディバース拡散に基づくフレームワークを提案する。
5%,10%,15%,20%のラベル付き試料を用いて,0.18,0.13,0.06,0.07の相互結合の改善を実現した。
Diverse Dermatology Imagesの10%で訓練されたFedは、悪性度分類の精度が最先端と比較して81%、14%高いことを示した。
- 参考スコア(独自算出の注目度): 2.076716889858164
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Skin diseases affect millions of people worldwide, across all ethnicities.
Increasing diagnosis accessibility requires fair and accurate segmentation and
classification of dermatology images. However, the scarcity of annotated
medical images, especially for rare diseases and underrepresented skin tones,
poses a challenge to the development of fair and accurate models. In this
study, we introduce a Fair, Efficient, and Diverse Diffusion-based framework
for skin lesion segmentation and malignancy classification. FEDD leverages
semantically meaningful feature embeddings learned through a denoising
diffusion probabilistic backbone and processes them via linear probes to
achieve state-of-the-art performance on Diverse Dermatology Images (DDI). We
achieve an improvement in intersection over union of 0.18, 0.13, 0.06, and 0.07
while using only 5%, 10%, 15%, and 20% labeled samples, respectively.
Additionally, FEDD trained on 10% of DDI demonstrates malignancy classification
accuracy of 81%, 14% higher compared to the state-of-the-art. We showcase high
efficiency in data-constrained scenarios while providing fair performance for
diverse skin tones and rare malignancy conditions. Our newly annotated DDI
segmentation masks and training code can be found on
https://github.com/hectorcarrion/fedd.
- Abstract(参考訳): 皮膚疾患は世界中の何百万人もの人々に影響を与えます。
診断アクセシビリティの増大は、皮膚科画像の公平かつ正確なセグメンテーションと分類を必要とする。
しかし、特に稀な疾患や表出の少ない皮膚のトーンに対して、注釈付き医用画像の不足は、公正で正確なモデルの開発に困難をもたらす。
本研究では,皮膚病変の分類と悪性度分類のためのFair,Efficient,Diverse Diffusionベースのフレームワークを提案する。
FEDDは、拡散確率的バックボーンによって学習された意味的に意味のある特徴埋め込みを活用し、それらを線形プローブによって処理し、DDI(Diverse Dermatology Images)の最先端のパフォーマンスを達成する。
その結果,0.18,0.13,0.06,0.07の交点が改善され,それぞれ5%,10%,15%,20%の標識標本が得られた。
さらに、DDIの10%で訓練されたFEDDでは、悪性度分類の精度が81%、最先端と比較して14%高いことが示されている。
多様な肌色やまれな悪性疾患に対して公平な性能を提供しながら,データ制約されたシナリオにおいて高い効率を示す。
新たに注釈を付けたDDIセグメンテーションマスクとトレーニングコードはhttps://github.com/hectorcarrion/fedd.comで確認できます。
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) - PatchAlign:Fair and Accurate Skin Disease Image Classification by Alignment with Clinical Labels [0.12233362977312943]
我々は,皮膚条件画像の分類精度と公平性を高めるために,新しいアプローチであるPatchAlignを導入する。
PatchAlignは、グラフ最適トランスポート(GOT)ロスを正規化子として、クロスドメインアライメントを実行する。
皮膚の音色間の正の正の比率の公平性は一貫して向上する。
論文 参考訳(メタデータ) (2024-09-08T05:00:37Z) - 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) - 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) - 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) - 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) - Disparities in Dermatology AI: Assessments Using Diverse Clinical Images [9.767299882513825]
異種皮膚画像データセットでは,最先端の皮膚科AIモデルの性能が著しく低下していることが示される。
DDIデータセットでよく表現されているダークスキンのトーンや異常な病気が、パフォーマンスの低下につながることが分かりました。
論文 参考訳(メタデータ) (2021-11-15T07:04:58Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for
Skin Lesion Classification [9.265557367859637]
畳み込みニューラルネットワーク(CNN)は皮膚病変解析において最先端の性能を達成した。
皮膚病変分類のための費用感受性多型化能動核融合フレームワークCS-AFを提案する。
論文 参考訳(メタデータ) (2020-04-25T05:48:14Z)
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。