論文の概要: Revisiting Skin Tone Fairness in Dermatological Lesion Classification
- arxiv url: http://arxiv.org/abs/2308.09640v1
- Date: Fri, 18 Aug 2023 15:59:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 12:26:30.444213
- Title: Revisiting Skin Tone Fairness in Dermatological Lesion Classification
- Title（参考訳）: 皮膚病巣分類における皮膚トーンフェアネスの再検討
- Authors: Thorsten Kalb, Kaisar Kushibar, Celia Cintas, Karim Lekadir, Oliver
Diaz, Richard Osuala
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.247628857305427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Addressing fairness in lesion classification from dermatological images is
crucial due to variations in how skin diseases manifest across skin tones.
However, the absence of skin tone labels in public datasets hinders building a
fair classifier. To date, such skin tone labels have been estimated prior to
fairness analysis in independent studies using the Individual Typology Angle
(ITA). Briefly, ITA calculates an angle based on pixels extracted from skin
images taking into account the lightness and yellow-blue tints. These angles
are then categorised into skin tones that are subsequently used to analyse
fairness in skin cancer classification. In this work, we review and compare
four ITA-based approaches of skin tone classification on the ISIC18 dataset, a
common benchmark for assessing skin cancer classification fairness in the
literature. Our analyses reveal a high disagreement among previously published
studies demonstrating the risks of ITA-based skin tone estimation methods.
Moreover, we investigate the causes of such large discrepancy among these
approaches and find that the lack of diversity in the ISIC18 dataset limits its
use as a testbed for fairness analysis. Finally, we recommend further research
on robust ITA estimation and diverse dataset acquisition with skin tone
annotation to facilitate conclusive fairness assessments of artificial
intelligence tools in dermatology. Our code is available at
https://github.com/tkalbl/RevisitingSkinToneFairness.
- Abstract（参考訳）: 皮膚画像からの病変分類の公平性への対処は、皮膚のトーンにまたがる皮膚疾患の多様性のために重要である。
しかし、公開データセットにスキントーンラベルがないことは、公平な分類器の構築を妨げる。
このような肌色ラベルは, 個別タイポロジー角度 (ita) を用いた独立研究において, フェアネス分析に先立って推定されている。
簡潔に、ITAは、明度と黄青の色合いを考慮した皮膚画像から抽出した画素に基づいて角度を算出する。
これらの角度はその後皮膚のトーンに分類され、その後皮膚がん分類の公平性を分析するために使用される。
本研究は,本論文における皮膚がん分類の公平性を評価するための一般的なベンチマークであるISIC18データセットを用いて,ITAに基づく皮膚音分類の4つのアプローチをレビューし,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。
さらに,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。
最後に、皮膚科における人工知能ツールの最終的な公正性評価を容易にするために、堅牢なITA推定とスキントーンアノテーションによる多様なデータセット取得についてさらなる研究を推奨する。
私たちのコードはhttps://github.com/tkalbl/revisitingskintonefairnessで利用可能です。
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) - 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) - 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) - CIRCLe: Color Invariant Representation Learning for Unbiased
Classification of Skin Lesions [16.65329510916639]
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。
論文 参考訳（メタデータ） (2022-08-29T12:06:10Z) - Meta Balanced Network for Fair Face Recognition [51.813457201437195]
我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。
本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。
大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
論文 参考訳（メタデータ） (2022-05-13T10:25:44Z) - 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) - Detecting Melanoma Fairly: Skin Tone Detection and Debiasing for Skin
Lesion Classification [5.71097144710995]
修正された変分オートエンコーダを用いて、ベンチマークとして一般的に使用されるデータセットの皮膚のトーンバイアスを明らかにする。
病変画像の皮膚のトーンを自動的にラベル付けする,効率的かつ効率的なアルゴリズムを提案する。
その後、皮膚のトーンバイアスを軽減するために2つの主要なバイアスアンラーニング技術を使用します。
論文 参考訳（メタデータ） (2022-02-06T18:53:06Z) - Evaluating Deep Neural Networks Trained on Clinical Images in
Dermatology with the Fitzpatrick 17k Dataset [0.23746609573239755]
このデータセットは、フィッツパトリック皮膚型ラベルを持つ2つの皮膚学アトラスから得られた16,577の臨床画像を含む。
我々は、深層ニューラルネットワークモデルをトレーニングし、114の皮膚条件を分類し、トレーニングされたものと類似した皮膚タイプで最も正確なモデルを見つける。
論文 参考訳（メタデータ） (2021-04-20T13:37:30Z) - 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。