論文の概要: Scalp Diagnostic System With Label-Free Segmentation and Training-Free Image Translation

• arxiv url: http://arxiv.org/abs/2406.17254v3
• Date: Mon, 15 Sep 2025 07:11:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.619173
• Title: Scalp Diagnostic System With Label-Free Segmentation and Training-Free Image Translation
• Title（参考訳）: ラベルフリーセグメンテーションとトレーニングフリー画像翻訳を用いたスカルプ診断システム
• Authors: Youngmin Kim, Saejin Kim, Hoyeon Moon, Youngjae Yu, Junhyug Noh,
• Abstract要約: 頭皮疾患の全身診断のためのAI駆動型システムであるScalpVisionを提案する。 有効ヘアセグメンテーションは、擬似画像ラベル対と革新的なプロンプト法を用いて達成される。 各種頭皮疾患の診断におけるScalpVisionの有効性を実験的に検証した。
• 参考スコア（独自算出の注目度）: 26.404166020494316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scalp disorders are highly prevalent worldwide, yet remain underdiagnosed due to limited access to expert evaluation and the high cost of annotation. Although AI-based approaches hold great promise, their practical deployment is hindered by challenges such as severe data imbalance and the absence of pixel-level segmentation labels. To address these issues, we propose ScalpVision, an AI-driven system for the holistic diagnosis of scalp diseases. In ScalpVision, effective hair segmentation is achieved using pseudo image-label pairs and an innovative prompting method in the absence of traditional hair masking labels. Additionally, ScalpVision introduces DiffuseIT-M, a generative model adopted for dataset augmentation while maintaining hair information, facilitating improved predictions of scalp disease severity. Our experimental results affirm ScalpVision's efficiency in diagnosing a variety of scalp conditions, showcasing its potential as a valuable tool in dermatological care. Our code is available at https://github.com/winston1214/ScalpVision.
• Abstract（参考訳）: スカップ障害は世界中で広く普及しているが、専門家評価へのアクセスが限られており、アノテーションのコストが高いため診断が不十分である。 AIベースのアプローチは大きな可能性を秘めているが、その実践的展開は、厳しいデータの不均衡やピクセルレベルのセグメンテーションラベルの欠如といった課題によって妨げられている。 これらの課題に対処するために,頭皮疾患の総合診断のためのAI駆動型システムであるScalpVisionを提案する。 ScalpVisionでは、従来のヘアマスクラベルがない場合に、擬似画像ラベルペアと革新的なプロンプト法を用いて、効果的なヘアセグメンテーションを実現する。 さらに、ScalpVisionは、ヘア情報を維持しながらデータセット拡張に採用されている生成モデルであるDiffuseIT-Mを導入し、頭皮疾患の重症度の予測を改善する。 各種頭皮疾患の診断におけるScalpVisionの有効性を実験的に確認し,皮膚科医療における有用ツールとしての可能性を示した。 私たちのコードはhttps://github.com/winston1214/ScalpVision.comから入手可能です。

関連論文リスト

• DermDiff: Generative Diffusion Model for Mitigating Racial Biases in Dermatology Diagnosis [0.31077024712075796]
  皮膚疾患診断のための既存のAIモデルは、しばしば限定的でバイアスのあるデータセットで開発され、テストされる。 本稿では皮膚疾患診断のための多彩で代表的な皮膚画像データを生成する新しい生成モデルDermDiffを提案する。
  論文  参考訳（メタデータ） (2025-03-21T20:45:39Z)
• CapsuleNet: A Deep Learning Model To Classify GI Diseases Using EfficientNet-b7 [1.2499537119440245]
  Capsule Vision 2024 Challengeのために開発された深層学習モデルであるCapsuleNetについて述べる。 我々のモデルは、事前訓練されたEfficientNet-b7バックボーンを活用し、分類のための追加レイヤを調整し、PRELUアクティベーション関数で最適化する。 以上の結果から,CapsuleNetのようなCNNベースのモデルでは,特に推定時間が重要な因子である場合,GIトラクション病の分類に有効な解が得られることが示唆された。
  論文  参考訳（メタデータ） (2024-10-24T20:43:47Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Diagnosis of Scalp Disorders using Machine Learning and Deep Learning Approach -- A Review [0.0]
  Dandruff、Psoriasis、Tinea-Capitis、Alopecia、Atopic-Dermatitisなどの頭皮障害を経験することは一般的である。 深層学習の進歩は、頭皮と皮膚障害の診断におけるCNNとFCNの併用の有効性を示した。
  論文  参考訳（メタデータ） (2023-08-14T10:23:25Z)
• Hair and Scalp Disease Detection using Machine Learning and Image Processing [0.0]
  約8000万人のアメリカ人が、老化、ストレス、薬物、遺伝性化粧などによる毛髪の喪失に悩まされている。 深層学習による髪の喪失と頭皮関連疾患 (alopecia, psoriasis, folliculitis) の予測に成功している。
  論文  参考訳（メタデータ） (2022-12-31T04:45:45Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• An Encoder-Decoder CNN for Hair Removal in Dermoscopic Images [0.0]
  皮膚内視鏡画像における毛髪除去のための畳み込みニューラルネットワークに基づくモデルを提案する。 既知のデータセットから抽出した無毛画像中の皮膚毛の存在をシミュレートする。
  論文  参考訳（メタデータ） (2020-10-10T14:28:10Z)
• Learning Differential Diagnosis of Skin Conditions with Co-occurrence Supervision using Graph Convolutional Networks [8.39397743703592]
  臨床画像を用いた皮膚疾患の鑑別診断が可能な深層学習システム(DLS)を提案する。 DLSは, 画像ラベルが不完全である場合に, 複数ラベルの分類タスクとして80以上の条件を定式化する。 本手法は臨床画像136,462枚に示され,分類精度は共起監督の利点が大きいと結論された。
  論文  参考訳（メタデータ） (2020-07-13T20:13:25Z)

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。