論文の概要: From Pixels to Graphs: Deep Graph-Level Anomaly Detection on Dermoscopic Images

• arxiv url: http://arxiv.org/abs/2508.11826v1
• Date: Fri, 15 Aug 2025 22:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.397679
• Title: From Pixels to Graphs: Deep Graph-Level Anomaly Detection on Dermoscopic Images
• Title（参考訳）: 画像からグラフへ:皮膚内視鏡画像における深部グラフレベル異常検出
• Authors: Dehn Xu, Tim Katzke, Emmanuel Müller,
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフベースの機械学習タスクの強力なアプローチとして登場した。 以前の研究では、分類や異常検出などの下流タスクに対して、画像由来のグラフ表現にGNNを適用していた。 GNNに基づくグラフレベルの異常検出における多数の画像-グラフ変換手法の有効性を厳密に比較した研究はない。 我々は、最先端のGLADモデルを用いた皮膚内視鏡画像の広範な実験を行い、純粋に教師なし、弱教師付き、完全に監督された体制における性能と効率について検討した。
• 参考スコア（独自算出の注目度）: 4.806505912512235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have emerged as a powerful approach for graph-based machine learning tasks. Previous work applied GNNs to image-derived graph representations for various downstream tasks such as classification or anomaly detection. These transformations include segmenting images, extracting features from segments, mapping them to nodes, and connecting them. However, to the best of our knowledge, no study has rigorously compared the effectiveness of the numerous potential image-to-graph transformation approaches for GNN-based graph-level anomaly detection (GLAD). In this study, we systematically evaluate the efficacy of multiple segmentation schemes, edge construction strategies, and node feature sets based on color, texture, and shape descriptors to produce suitable image-derived graph representations to perform graph-level anomaly detection. We conduct extensive experiments on dermoscopic images using state-of-the-art GLAD models, examining performance and efficiency in purely unsupervised, weakly supervised, and fully supervised regimes. Our findings reveal, for example, that color descriptors contribute the best standalone performance, while incorporating shape and texture features consistently enhances detection efficacy. In particular, our best unsupervised configuration using OCGTL achieves a competitive AUC-ROC score of up to 0.805 without relying on pretrained backbones like comparable image-based approaches. With the inclusion of sparse labels, the performance increases substantially to 0.872 and with full supervision to 0.914 AUC-ROC.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフベースの機械学習タスクの強力なアプローチとして登場した。 以前の研究では、分類や異常検出などの下流タスクに対して、画像由来のグラフ表現にGNNを適用していた。 これらの変換には、画像のセグメント化、セグメントからの機能抽出、ノードへのマッピング、接続が含まれる。 しかし、我々の知る限り、GNNに基づくグラフレベルの異常検出(GLAD)における多数の画像-グラフ変換手法の有効性を厳密に比較する研究は行われていない。 本研究では,色,テクスチャ,形状記述子に基づく複数セグメント化手法,エッジ構築戦略,ノード特徴集合の有効性を体系的に評価し,グラフレベルの異常検出を行うのに適した画像由来のグラフ表現を生成する。 我々は、最先端のGLADモデルを用いた皮膚内視鏡画像の広範な実験を行い、純粋に教師なし、弱教師付き、完全に監督された体制における性能と効率について検討した。 以上の結果から,例えばカラーディスクリプタが優れたスタンドアロン性能に寄与する一方で,形状やテクスチャを組み込むことで検出効率が一貫して向上することが明らかとなった。 特に、OCGTLを用いた最高の教師なし構成は、画像ベースアプローチのような事前訓練されたバックボーンに頼ることなく、最大0.805のAUC-ROCスコアを達成する。 スパースラベルの導入により、性能は0.872に向上し、完全な監督は0.914 AUC-ROCとなった。

関連論文リスト

• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• GIMS: Image Matching System Based on Adaptive Graph Construction and Graph Neural Network [7.711922592226936]
  本稿では,距離と動的しきい値の類似性に基づくフィルタリング機構を利用する,革新的な適応グラフ構築手法を提案する。 また、トランスフォーマーのグローバルな認識能力を組み合わせて、グラフ構造の表現を強化する。 システム全体のマッチング性能は平均3.8x-40.3x向上した。
  論文  参考訳（メタデータ） (2024-12-24T07:05:55Z)
• UnSeGArmaNet: Unsupervised Image Segmentation using Graph Neural Networks with Convolutional ARMA Filters [10.940349832919699]
  事前学習したViTを用いた教師なしセグメンテーションフレームワークを提案する。 画像内に固有のグラフ構造を利用することにより,セグメント化における顕著な性能を実現する。 提案手法は,ベンチマーク画像セグメンテーションデータセット上での最先端性能(教師付き手法に匹敵する)を提供する。
  論文  参考訳（メタデータ） (2024-10-08T15:10:09Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition [53.17837649440601]
  本稿では,各画像の特定のグラフを動的に生成するアテンション駆動型動的グラフ畳み込みネットワーク(ADD-GCN)を提案する。 パブリックなマルチラベルベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-12-05T10:10:12Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。