論文の概要: Eye Fairness: A Large-Scale 3D Imaging Dataset for Equitable Eye Diseases Screening and Fair Identity Scaling

• arxiv url: http://arxiv.org/abs/2310.02492v1
• Date: Tue, 3 Oct 2023 23:44:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 17:12:04.160728
• Title: Eye Fairness: A Large-Scale 3D Imaging Dataset for Equitable Eye Diseases Screening and Fair Identity Scaling
• Title（参考訳）: eye fairness: 公平な眼疾患スクリーニングと公平性スケーリングのための大規模3dイメージングデータセット
• Authors: Yan Luo, Yu Tian, Min Shi, Tobias Elze, Mengyu Wang
• Abstract要約: 3つの眼疾患を対象とする眼フェアネスデータセット(HarvardEF)を紹介した。 我々のデータセットには、年齢、性別、人種、民族、好みの言語、婚姻状況の6つの属性を持つ2Dファウンス写真と3D光学トモグラフィースキャンの両方が含まれています。
• 参考スコア（独自算出の注目度）: 16.465424871839627
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fairness or equity in machine learning is profoundly important for societal well-being, but limited public datasets hinder its progress, especially in the area of medicine. It is undeniable that fairness in medicine is one of the most important areas for fairness learning's applications. Currently, no large-scale public medical datasets with 3D imaging data for fairness learning are available, while 3D imaging data in modern clinics are standard tests for disease diagnosis. In addition, existing medical fairness datasets are actually repurposed datasets, and therefore they typically have limited demographic identity attributes with at most three identity attributes of age, gender, and race for fairness modeling. To address this gap, we introduce our Eye Fairness dataset with 30,000 subjects (Harvard-EF) covering three major eye diseases including age-related macular degeneration, diabetic retinopathy, and glaucoma affecting 380 million patients globally. Our Harvard-EF dataset includes both 2D fundus photos and 3D optical coherence tomography scans with six demographic identity attributes including age, gender, race, ethnicity, preferred language, and marital status. We also propose a fair identity scaling (FIS) approach combining group and individual scaling together to improve model fairness. Our FIS approach is compared with various state-of-the-art fairness learning methods with superior performance in the racial, gender, and ethnicity fairness tasks with 2D and 3D imaging data, which demonstrate the utilities of our Harvard-EF dataset for fairness learning. To facilitate fairness comparisons between different models, we propose performance-scaled disparity measures, which can be used to compare model fairness accounting for overall performance levels. The dataset and code are publicly accessible via \url{https://ophai.hms.harvard.edu/datasets/harvard-ef30k}.
• Abstract（参考訳）: 機械学習の公平性や公平性は社会的な幸福にとって非常に重要であるが、公共データセットの制限は、特に医学の分野でその進歩を妨げる。 医学におけるフェアネスが、フェアネス学習の応用にとって最も重要な分野であることは間違いない。 現在、フェアネス学習のための3Dイメージングデータを備えた大規模な医療データセットは存在せず、現代の診療所における3Dイメージングデータは、疾患診断の標準的なテストである。 さらに、既存の医療フェアネスデータセットは実際に再利用されたデータセットであるため、通常は年齢、性別、人種の3つのアイデンティティ属性を持つ人口統計学的アイデンティティ属性を持つ。 このギャップに対処するため,高齢者関連黄斑変性,糖尿病網膜症,緑内障など3大眼疾患を対象とする3万名(Harvard-EF)の眼フェアネスデータセットを導入した。 ハーバードefデータセットには、2d fundus写真と3d光コヒーレンス断層撮影の両方が含まれており、年齢、性別、人種、民族、好みの言語、配偶者ステータスの6つの属性がある。 また、モデルフェア性を改善するために、グループと個別のスケーリングを組み合わせるフェアアイデンティティスケーリング(fis)アプローチを提案する。 当社のfisアプローチは,2次元および3次元画像データを用いて,人種,性別,民族の公平性タスクにおいて優れたパフォーマンスを示す,最先端のフェアネス学習手法と比較し,ハーバード大学-efデータセットのフェアネス学習への応用を実証する。 そこで本研究では,各モデル間の公平性比較を容易にするために,性能尺度による不均等性尺度を提案する。 データセットとコードは \url{https://ophai.hms.harvard.edu/datasets/harvard-ef30k} で公開されている。

関連論文リスト

• E3D-GPT: Enhanced 3D Visual Foundation for Medical Vision-Language Model [23.56751925900571]
  3次元医用視覚言語モデルの開発は、疾患の診断と患者の治療に有意な可能性を秘めている。 自己教師付き学習を用いて3次元視覚特徴抽出のための3次元視覚基盤モデルを構築した。 本研究では,3次元空間畳み込みを高精細画像の特徴の集約・投影に応用し,計算複雑性を低減した。 本モデルは,既存の報告生成法,視覚的質問応答法,疾患診断法と比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-18T06:31:40Z)
• MediSyn: Text-Guided Diffusion Models for Broad Medical 2D and 3D Image Synthesis [5.4476703187184246]
  医学では、このアプリケーションはデータの不足という重要な課題に対処することを約束する。 リアルで多様な2Dおよび3D画像を生成することによって、これらのモデルは、アルゴリズムによるトレーニングと研究のためのリッチでプライバシーを尊重するリソースを提供する。 テキストプロンプトによる医用画像とビデオ合成の大幅な改善が見られた。
  論文  参考訳（メタデータ） (2024-05-16T04:28:44Z)
• Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
  本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。 我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。 本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:41:15Z)
• PonderV2: Pave the Way for 3D Foundation Model with A Universal Pre-training Paradigm [114.47216525866435]
  本稿では,効率的な3D表現の獲得を容易にするために,新しいユニバーサル3D事前学習フレームワークを提案する。 PonderV2は、11の室内および屋外ベンチマークで最先端のパフォーマンスを達成したことで、その効果が示唆された。
  論文  参考訳（メタデータ） (2023-10-12T17:59:57Z)
• Cross-dimensional transfer learning in medical image segmentation with deep learning [0.4588028371034407]
  本研究では,自然画像に基づく2次元分類ネットワークの効率性を2次元・3次元一次元・マルチモーダルな医用画像セグメンテーションアプリケーションへ効率的に転送する方法を提案する。 本稿では,2次元事前学習エンコーダを高次元U-Netに埋め込むことによる重量移動と,2次元セグメントネットワークを高次元のU-Netに拡張することによる次元移動という2つの重要な原理に基づいて,新しいアーキテクチャを設計した。
  論文  参考訳（メタデータ） (2023-07-29T02:50:38Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• Harvard Glaucoma Fairness: A Retinal Nerve Disease Dataset for Fairness Learning and Fair Identity Normalization [13.792327874980632]
  緑内障検出のための2次元および3次元データイメージングと人種的バランスの取れたデータセットであるHarvard-GF(Harvard Glaucoma Fairness)を紹介する。 我々のFINアプローチは、人種、性別、フェアネスタスクにおいて優れたパフォーマンスを持つ最先端のフェアネス学習手法と比較される。 フェアネスの文脈で、あらゆる種類のパフォーマンス指標を比較するのに柔軟に使用できる、エクイティスケールのパフォーマンス指標を提案する。
  論文  参考訳（メタデータ） (2023-06-15T16:39:05Z)
• Gait Recognition in the Wild with Dense 3D Representations and A Benchmark [86.68648536257588]
  既存の歩行認識の研究は、制約されたシーンにおける人間の体のシルエットや骨格のような2D表現によって支配されている。 本稿では,野生における歩行認識のための高密度な3次元表現の探索を目的とする。 大規模な3D表現に基づく歩行認識データセットGait3Dを構築した。
  論文  参考訳（メタデータ） (2022-04-06T03:54:06Z)
• DRaCoN -- Differentiable Rasterization Conditioned Neural Radiance Fields for Articulated Avatars [92.37436369781692]
  フルボディの体積アバターを学習するためのフレームワークであるDRaCoNを提案する。 2Dと3Dのニューラルレンダリング技術の利点を利用する。 挑戦的なZJU-MoCapとHuman3.6Mデータセットの実験は、DRaCoNが最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2022-03-29T17:59:15Z)
• 2.75D: Boosting learning by representing 3D Medical imaging to 2D features for small data [54.223614679807994]
  3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。 3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。 本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。 その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
  論文  参考訳（メタデータ） (2020-02-11T08:24:19Z)

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。