論文の概要: GraphDerm: Fusing Imaging, Physical Scale, and Metadata in a Population-Graph Classifier for Dermoscopic Lesions

• arxiv url: http://arxiv.org/abs/2509.12277v1
• Date: Sun, 14 Sep 2025 08:11:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.672678
• Title: GraphDerm: Fusing Imaging, Physical Scale, and Metadata in a Population-Graph Classifier for Dermoscopic Lesions
• Title（参考訳）: GraphDerm: 皮膚内視鏡的病変に対する集団グラフ分類器におけるイメージング, 物理スケール, メタデータ
• Authors: Mehdi Yousefzadeh, Parsa Esfahanian, Sara Rashidifar, Hossein Salahshoor Gavalan, Negar Sadat Rafiee Tabatabaee, Saeid Gorgin, Dara Rahmati, Maryam Daneshpazhooh,
• Abstract要約: 画像、ミリスケールキャリブレーション、分類のためのメタデータを融合した幾何学グラフフレームワークであるGraphDermを提案する。 我々は、病変と定規セグメンテーションのためにU-Netをトレーニングし、病変マスクからリアルタイムな記述子を計算する。 グラフは AUC 0.9812 に達し、AUC 0.9788 (画像のみのベースラインは 0.9440 ) のエッジの約25%をしきい値で保存し、クラスごとの到達範囲は 0.97-0.99 である。
• 参考スコア（独自算出の注目度）: 0.30661374053736157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction. Dermoscopy aids melanoma triage, yet image-only AI often ignores patient metadata (age, sex, site) and the physical scale needed for geometric analysis. We present GraphDerm, a population-graph framework that fuses imaging, millimeter-scale calibration, and metadata for multiclass dermoscopic classification, to the best of our knowledge the first ISIC-scale application of GNNs to dermoscopy. Methods. We curate ISIC 2018/2019, synthesize ruler-embedded images with exact masks, and train U-Nets (SE-ResNet-18) for lesion and ruler segmentation. Pixels-per-millimeter are regressed from the ruler-mask two-point correlation via a lightweight 1D-CNN. From lesion masks we compute real-scale descriptors (area, perimeter, radius of gyration). Node features use EfficientNet-B3; edges encode metadata/geometry similarity (fully weighted or thresholded). A spectral GNN performs semi-supervised node classification; an image-only ANN is the baseline. Results. Ruler and lesion segmentation reach Dice 0.904 and 0.908; scale regression attains MAE 1.5 px (RMSE 6.6). The graph attains AUC 0.9812, with a thresholded variant using about 25% of edges preserving AUC 0.9788 (vs. 0.9440 for the image-only baseline); per-class AUCs typically fall in the 0.97-0.99 range. Conclusion. Unifying calibrated scale, lesion geometry, and metadata in a population graph yields substantial gains over image-only pipelines on ISIC-2019. Sparser graphs retain near-optimal accuracy, suggesting efficient deployment. Scale-aware, graph-based AI is a promising direction for dermoscopic decision support; future work will refine learned edge semantics and evaluate on broader curated benchmarks.
• Abstract（参考訳）: はじめに。 皮膚内視鏡はメラノーマのトリアージを補助するが、画像のみのAIは患者のメタデータ(年齢、性別、場所)と幾何学的分析に必要な物理的なスケールを無視することが多い。 マルチクラス皮膚内視鏡分類のための画像,ミリスケールキャリブレーション,メタデータを融合したグラフグラフフレームワークであるGraphDermについて,第1回ISICスケールGNNの皮膚内視鏡への応用について考察した。 メソッド。 我々はISIC 2018/2019をキュレートし、正確なマスクで定規埋め込み画像を合成し、病変と定規セグメンテーションのためにU-Nets(SE-ResNet-18)を訓練する。 1ミリあたりの画素は、軽量1D-CNNを介して定規マスクの2点相関から回帰される。 病変マスクから、我々は実スケールディスクリプタ(エリア、周辺、ジャイレーション半径)を計算します。 ノード機能はEfficientNet-B3を使用し、エッジはメタデータ/ジオメトリの類似性をエンコードする(完全に重み付けまたはしきい値付き)。 スペクトルGNNは半教師付きノード分類を行い、画像のみのANNがベースラインとなる。 結果。 ルールと病変のセグメンテーションはDice 0.904と0.908に到達し、スケール回帰は MAE 1.5 px (RMSE 6.6) に達する。 グラフは AUC 0.9812 に達し、AUC 0.9788 (画像のみのベースラインは 0.9440 である) のエッジの約25%をしきい値で保存する。 結論。 人口グラフにおける校正スケール、病変形状、メタデータの統一は、ISIC-2019上の画像のみのパイプラインよりも大幅に向上する。 スペーサーグラフは最適に近い精度を維持し、効率的な配置を示唆する。 スケールアウェアでグラフベースのAIは、皮膚科の意思決定支援のための有望な方向であり、将来の研究は、学習されたエッジセマンティクスを洗練し、より広範なキュレートされたベンチマークで評価する。

関連論文リスト

• ScaleNet: Scale Invariance Learning in Directed Graphs [4.235697905699222]
  グラフニューラルネットワーク(GNN)を用いたノード分類では、実際には分類される中心ノードのエゴグラフである。 複数方向エッジの順序列である非方向のシングルエッジをスケールドエッジに置き換える「スケールドエゴグラフ」の概念を提案する。 スケール不変性に基づくグラフ学習は、よりシンプルで、より速く、より正確に、ランダムウォークから派生した開始モデルより優れている。
  論文  参考訳（メタデータ） (2024-11-13T16:42:59Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Detection of Alzheimer's Disease Using Graph-Regularized Convolutional Neural Network Based on Structural Similarity Learning of Brain Magnetic Resonance Images [3.478478232710667]
  磁気共鳴画像(MRI)間の構造的類似性を学習したアルツハイマー病(AD)検出法を提案する。 入力画像の埋め込み特徴(Non-Demented (ND), Very Mild Demented (VMD), Mild Demented (MD), Moderated Demented (MDTD))を用いて類似度グラフを構築する。
  論文  参考訳（メタデータ） (2021-02-25T14:49:50Z)
• Efficient Semi-Supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency [10.285412678779462]
  鼻咽喉頭癌に対する放射線治療計画におけるGross Target Volume(GTV)セグメンテーションの役割 CNNはこのタスクで優れたパフォーマンスを達成したが、トレーニングにはラベル付き画像の大規模なセットに依存している。 半監視型NPC GTVセグメンテーションのための不確かさ補正ピラミッド一貫性(URPC)正規化を用いた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-13T11:45:00Z)
• I2L-MeshNet: Image-to-Lixel Prediction Network for Accurate 3D Human Pose and Mesh Estimation from a Single RGB Image [79.040930290399]
  I2L-MeshNetを提案する。 提案したI2L-MeshNetは、パラメータを直接回帰するのではなく、各メッシュ座標の1Dヒートマップ上のリセル当たりの確率を予測する。 我々のリセルベースの1Dヒートマップは入力画像の空間的関係を保存し、予測の不確かさをモデル化する。
  論文  参考訳（メタデータ） (2020-08-09T12:13:31Z)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。