論文の概要: Universal Debiased Editing for Fair Medical Image Classification
- arxiv url: http://arxiv.org/abs/2403.06104v1
- Date: Sun, 10 Mar 2024 06:15:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 08:31:08.627049
- Title: Universal Debiased Editing for Fair Medical Image Classification
- Title(参考訳): 医用画像分類のためのユニバーサルデバイアス編集
- Authors: Ruinan Jin, Wenlong Deng, Minghui Chen, Xiaoxiao Li
- Abstract要約: 本研究では,Foundation Models (FM) API を用いた医療画像のバイアス問題に対処する。
そこで本研究では,UDEノイズを発生させるU(niversal)D(ebiased)E(diting)戦略を提案する。
われわれのパイプライン全体は、様々な医療状況にまたがって適用可能な公平な画像編集を可能にする。
- 参考スコア(独自算出の注目度): 25.74413204003763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the era of Foundation Models' (FMs) rising prominence in AI, our study
addresses the challenge of biases in medical images while using FM API,
particularly spurious correlations between pixels and sensitive attributes.
Traditional methods for bias mitigation face limitations due to the restricted
access to web-hosted FMs and difficulties in addressing the underlying bias
encoded within the FM API. We propose an U(niversal) D(ebiased) E(diting)
strategy, termed UDE, which generates UDE noise to mask such spurious
correlation. UDE is capable of mitigating bias both within the FM API embedding
and the images themselves. Furthermore, UDE is suitable for both white-box and
black-box FM APIs, where we introduced G(reedy) (Z)eroth-O(rder) (GeZO)
optimization for it when the gradient is inaccessible in black-box APIs. Our
whole pipeline enables fairness-aware image editing that can be applied across
various medical contexts without requiring direct model manipulation or
significant computational resources. Our empirical results demonstrate the
method's effectiveness in maintaining fairness and utility across different
patient groups and diseases. In the era of AI-driven medicine, this work
contributes to making healthcare diagnostics more equitable, showcasing a
practical solution for bias mitigation in pre-trained image FMs.
- Abstract(参考訳): ファンデーションモデル(FM)がAIで優位に立つ時代において,この研究では,FM APIを用いた医療画像のバイアスの問題,特に画素と感度属性の急激な相関について論じる。
従来のバイアス緩和手法は、WebホストされたFMへのアクセスが制限されていることと、FM APIで符号化された基盤となるバイアスに対処することの難しさにより、制限に直面している。
そこで本研究では,UDEノイズを発生させるU(niversal)D(ebiased)E(diting)戦略を提案する。
UDEはFM APIの埋め込みとイメージ自体のバイアスを軽減することができる。
さらに、UDEはホワイトボックスとブラックボックスのFM APIに適しており、ブラックボックスAPIでは勾配がアクセスできない場合にG(reedy) (Z)eroth-O(rder) (GeZO) の最適化を導入しました。
当社のパイプライン全体は、直接的なモデル操作や重要な計算リソースを必要とせずに、さまざまな医療状況に適用可能なフェアネス対応画像編集を可能にします。
実験の結果, 異なる患者群と疾患にまたがる公平性と有用性を維持するための方法の有効性が示された。
AI駆動医療の時代において、この研究は医療診断をより公平にし、事前訓練された画像FMにおけるバイアス軽減の実践的な解決策を示す。
関連論文リスト
- Introducing Shape Prior Module in Diffusion Model for Medical Image
Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。
我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。
本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文 参考訳(メタデータ) (2023-09-12T03:05:00Z) - MedAugment: Universal Automatic Data Augmentation Plug-in for Medical
Image Analysis [10.432599009897523]
MedAugmentと呼ばれる効率的かつ効果的な自動DA手法を提案する。
医用画像の細部や特徴を分解できる操作を除外し,画素拡大空間と空間拡張空間を提案する。
これらの改訂は、自然画像と医用画像の違いに対処する。
論文 参考訳(メタデータ) (2023-06-30T08:22:48Z) - Training Diffusion Models with Reinforcement Learning [82.29328477109826]
拡散モデルは、ログのような目的に近似して訓練される。
本稿では,下流目的のための拡散モデルを直接最適化するための強化学習手法について検討する。
本稿では,多段階決定問題としてデノベーションを行うことによって,ポリシー勾配アルゴリズムのクラスを実現する方法について述べる。
論文 参考訳(メタデータ) (2023-05-22T17:57:41Z) - Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。
DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文 参考訳(メタデータ) (2023-05-15T20:24:38Z) - DiffMIC: Dual-Guidance Diffusion Network for Medical Image
Classification [32.67098520984195]
一般医用画像分類のための拡散モデル(DiffMIC)を提案する。
実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
論文 参考訳(メタデータ) (2023-03-19T09:15:45Z) - DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。
近赤外可視画像融合と医用画像融合で有望な融合が得られた。
論文 参考訳(メタデータ) (2023-03-13T04:06:42Z) - Multitask Brain Tumor Inpainting with Diffusion Models: A Methodological
Report [0.0]
インペイントアルゴリズムは、入力画像の1つ以上の領域を変更することができるDL生成モデルのサブセットである。
これらのアルゴリズムの性能は、その限られた出力量のために、しばしば準最適である。
拡散確率モデル(DDPM)は、GANに匹敵する品質の結果を生成することができる、最近導入された生成ネットワークのファミリーである。
論文 参考訳(メタデータ) (2022-10-21T17:13:14Z) - MEDFAIR: Benchmarking Fairness for Medical Imaging [44.73351338165214]
MEDFAIRは、医療画像のための機械学習モデルの公正性をベンチマークするフレームワークである。
モデル選択基準の未検討の問題は、公正な結果に重大な影響を及ぼす可能性がある。
異なる倫理的原則を必要とするさまざまな医療応用シナリオを推奨する。
論文 参考訳(メタデータ) (2022-10-04T16:30:47Z) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳(メタデータ) (2022-01-29T13:45:39Z) - Deep AUC Maximization for Medical Image Classification: Challenges and
Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文 参考訳(メタデータ) (2021-11-01T15:31:32Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳(メタデータ) (2020-07-05T11:49:17Z)
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。