論文の概要: Fitzpatrick Thresholding for Skin Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.06655v1
• Date: Wed, 08 Oct 2025 05:15:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.307732
• Title: Fitzpatrick Thresholding for Skin Image Segmentation
• Title（参考訳）: Fitzpatrick Thresholding for Skin Image Segmentation
• Authors: Duncan Stothers, Sophia Xu, Carlie Reeves, Lia Gracey,
• Abstract要約: 乾皮症などの炎症性皮膚疾患の分画の試みは、より暗い肌の色調に顕著に悪影響を及ぼす。 Fitzpatrickの皮膚型に注釈を付け,各画像に詳細なセグメンテーションマスクを追加した。 フィッツパトリック比閾値の適応は、最も暗いサブグループ(フィッツVI)のセグメンテーション性能を最大+31 % bIoUと+24 % UNetで引き上げた。 Fitzpatrick-17kでトレーニングされた皮膚のトーンが95%を超えるため、この技術に必要な皮膚のトーンラベルのコストは劇的に低下している。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimation of the body surface area (BSA) involved by a rash, such as psoriasis, is critical for assessing rash severity, selecting an initial treatment regimen, and following clinical treatment response. Attempts at segmentation of inflammatory skin disease such as psoriasis perform markedly worse on darker skin tones, potentially impeding equitable care. We assembled a psoriasis dataset sourced from six public atlases, annotated for Fitzpatrick skin type, and added detailed segmentation masks for every image. Reference models based on U-Net, ResU-Net, and SETR-small are trained without tone information. On the tuning split we sweep decision thresholds and select (i) global optima and (ii) per Fitzpatrick skin tone optima for Dice and binary IoU. Adapting Fitzpatrick specific thresholds lifted segmentation performance for the darkest subgroup (Fitz VI) by up to +31 % bIoU and +24 % Dice on UNet, with consistent, though smaller, gains in the same direction for ResU-Net (+25 % bIoU, +18 % Dice) and SETR-small (+17 % bIoU, +11 % Dice). Because Fitzpatrick skin tone classifiers trained on Fitzpatrick-17k now exceed 95 % accuracy, the cost of skin tone labeling required for this technique has fallen dramatically. Fitzpatrick thresholding is simple, model-agnostic, requires no architectural changes, no re-training, and is virtually cost free. We demonstrate the inclusion of Fitzpatrick thresholding as a potential future fairness baseline.
• Abstract（参考訳）: Psoriasisのような発疹を伴う体表面積(BSA)の正確な推定は、発疹の重症度の評価、初期治療条件の選択、臨床治療反応の追跡に重要である。 乾皮症などの炎症性皮膚疾患のセグメンテーションの試みは、より暗い肌のトーンに顕著に悪影響を及ぼし、適切なケアを阻害する可能性がある。 Fitzpatrickの皮膚型に注釈を付け,各画像に詳細なセグメンテーションマスクを付加した。 U-Net、ResU-Net、SETR-smallに基づく参照モデルは、トーン情報なしで訓練される。 調律スプリットについて 決定しきい値のスイープとセレクト (i)グローバル・オプティマと (ii) Fitzpatrick skin tone optima for Dice and binary IoU。 フィッツパトリック比しきい値に適応すると、最も暗いサブグループ(フィッツVI)のセグメンテーション性能を最大+31 % bIoU と +24 % UNet に引き上げることができ、一貫性はあるものの、 ResU-Net (+25 % bIoU, +18 % Dice) と SETR-small (+17 % bIoU, +11 % Dice) とは同じ方向に向上する。 Fitzpatrick-17kで訓練された皮膚のトーン分類器は、95%以上精度が高いため、この技術に必要な皮膚のトーンラベルのコストは劇的に低下している。 Fitzpatrickのしきい値設定はシンプルで、モデルに依存しず、アーキテクチャの変更も再トレーニングも必要とせず、事実上無償である。 今後のフェアネスベースラインとして,フィッツパトリックしきい値が組み込まれていることを実証する。

関連論文リスト

• Adapting Large Language Models to Mitigate Skin Tone Biases in Clinical Dermatology Tasks: A Mixed-Methods Study [2.3034630097498883]
  皮膚疾患に対するSkinGPT-4(SkinGPT-4)の性能バイアスについて検討した。 我々は、SkinGPT-4のバックボーンを利用して、カスタム皮膚疾患分類タスクのための微調整モデルを開発した。
  論文  参考訳（メタデータ） (2025-09-28T09:40:40Z)
• PatchAlign:Fair and Accurate Skin Disease Image Classification by Alignment with Clinical Labels [0.12233362977312943]
  我々は,皮膚条件画像の分類精度と公平性を高めるために,新しいアプローチであるPatchAlignを導入する。 PatchAlignは、グラフ最適トランスポート(GOT)ロスを正規化子として、クロスドメインアライメントを実行する。 皮膚の音色間の正の正の比率の公平性は一貫して向上する。
  論文  参考訳（メタデータ） (2024-09-08T05:00:37Z)
• DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In Machine-Assisted Skin Disease Detection [51.92255321684027]
  皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。 我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
  論文  参考訳（メタデータ） (2024-01-24T07:45:24Z)
• Meta Balanced Network for Fair Face Recognition [51.813457201437195]
  我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。 本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。 大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
  論文  参考訳（メタデータ） (2022-05-13T10:25:44Z)
• Color Invariant Skin Segmentation [17.501659517108884]
  本稿では,カラー情報に頼らずに画像中の皮膚を自動的に検出する問題に対処する。 この研究の主な動機は、皮膚のトーン全体にわたって一貫性のある結果を達成することである。 我々はそのような情報がない場合によく機能する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-21T05:07:21Z)
• EdgeMixup: Improving Fairness for Skin Disease Classification and Segmentation [9.750368551427494]
  皮膚病変は、広範囲の感染症やその他の病気の早期の指標である可能性がある。 深層学習(DL)モデルを用いた皮膚病変の診断は,プレスクリーニング患者を支援できる可能性が高い。 これらのモデルは、トレーニングデータに固有のバイアスを学習することが多く、ライトやダークスキンのトーンを持つ人の診断において、パフォーマンスのギャップを生じさせる可能性がある。
  論文  参考訳（メタデータ） (2022-02-28T15:33:31Z)
• Peer Learning for Skin Lesion Classification [53.425900196763756]
  皮膚がんは世界で最も致命的ながんの1つである。 近年の深層学習法は皮膚がんの分類において皮膚科医レベルの性能を示した。 FedPerlは半教師付きフェデレーション学習方法です。
  論文  参考訳（メタデータ） (2021-03-05T14:26:15Z)
• Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification [76.89093364969253]
  そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。 本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。 さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
  論文  参考訳（メタデータ） (2020-04-21T00:57:11Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)

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。