論文の概要: Colorimeter-Supervised Skin Tone Estimation from Dermatoscopic Images for Fairness Auditing

• arxiv url: http://arxiv.org/abs/2602.10265v1
• Date: Tue, 10 Feb 2026 20:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.26721
• Title: Colorimeter-Supervised Skin Tone Estimation from Dermatoscopic Images for Fairness Auditing
• Title（参考訳）: 皮膚内視鏡画像からの色覚監督皮膚音の評価 : フェアネス・オーディティング
• Authors: Marin Benčević, Krešimir Romić, Ivana Hartmann Tolić, Irena Galić,
• Abstract要約: 我々は,Fitzpatrickの皮膚型を予測するニューラルネットワークを,順序回帰(ordinal regression)と色回帰(Personal Typology Angle,ITA)により構築する。 高速なスキントーンアノテーションとバイアス監査のためのオープンソースツールとして,コードと事前訓練されたモデルをリリースする。 これは、我々の知る限り、最初の皮膚内視鏡的皮膚-音色推定ニューラルネットワークであり、色調測定に対して有効である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural-network-based diagnosis from dermatoscopic images is increasingly used for clinical decision support, yet studies report performance disparities across skin tones. Fairness auditing of these models is limited by the lack of reliable skin-tone annotations in public dermatoscopy datasets. We address this gap with neural networks that predict Fitzpatrick skin type via ordinal regression and the Individual Typology Angle (ITA) via color regression, using in-person Fitzpatrick labels and colorimeter measurements as targets. We further leverage extensive pretraining on synthetic and real dermatoscopic and clinical images. The Fitzpatrick model achieves agreement comparable to human crowdsourced annotations, and ITA predictions show high concordance with colorimeter-derived ITA, substantially outperforming pixel-averaging approaches. Applying these estimators to ISIC 2020 and MILK10k, we find that fewer than 1% of subjects belong to Fitzpatrick types V and VI. We release code and pretrained models as an open-source tool for rapid skin-tone annotation and bias auditing. This is, to our knowledge, the first dermatoscopic skin-tone estimation neural network validated against colorimeter measurements, and it supports growing evidence of clinically relevant performance gaps across skin-tone groups.
• Abstract（参考訳）: 皮膚内視鏡画像からの神経ネットワークによる診断は, 臨床診断支援にますます用いられているが, 皮膚の音色間での性能格差が報告されている。 これらのモデルの公正な監査は、皮膚内視鏡データセットにおける信頼できるスキントーンアノテーションの欠如によって制限される。 このギャップは、Fitzpatrickの皮膚型を順序回帰(ordinal regression)により予測するニューラルネットワークと、色回帰(in-person Fitzpatrick labels)と色度測定(Colorimeter Measurement as target)を用いて、個人型分類アングル(Personal Typology Angle:ITA)によって解決する。 さらに, 人工的, 実際の皮膚内視鏡的, 臨床的な画像に対して, 広範囲な事前訓練を施した。 Fitzpatrick モデルは,ヒトのクラウドソースアノテーションに匹敵する一致を達成し,ITA 予測はカラーメータ由来の ITA と高い一致を示した。 これらの推定をISIC 2020とMILK10kに適用すると、被験者の1%未満がフィッツパトリックタイプVとVIに属していることがわかった。 高速なスキントーンアノテーションとバイアス監査のためのオープンソースツールとして,コードと事前訓練されたモデルをリリースする。 これは我々の知る限り、最初の皮膚内視鏡的皮膚音像推定ニューラルネットワークであり、皮膚音像群間での臨床的に関連するパフォーマンスギャップの増大を裏付けるものである。

関連論文リスト

• Skin Color Measurement from Dermatoscopic Images: An Evaluation on a Synthetic Dataset [0.0]
  画像色測定手法の4つのクラス(セグメンテーションベース、パッチベース、カラー量子化、ニューラルネットワーク)を評価する。 この結果から, 偏光法および色量化法により, 頑健で光の不変な推定値が得られることがわかった。 ニューラルネットワークモデル、特に過適合を減らすために重いぼやけと組み合わせた場合、光不変のフィッツパトリック予測を提供することができる。
  論文  参考訳（メタデータ） (2025-04-06T13:57:34Z)
• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• 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)
• Revisiting Skin Tone Fairness in Dermatological Lesion Classification [3.247628857305427]
  ITAに基づく4つの皮膚音分類手法をISIC18データセットで検討・比較した。 ITAに基づく皮膚のトーン推定手法のリスクを実証する先行研究の間には高い相違点がみられた。 本研究は,ISIC18データセットにおける多様性の欠如が,公正度分析のためのテストベッドとしての利用を制限することを明らかにする。
  論文  参考訳（メタデータ） (2023-08-18T15:59:55Z)
• 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)
• Automatic Facial Skin Feature Detection for Everyone [60.31670960526022]
  本研究では,野生の自撮り自撮りのために,さまざまな肌のトーンと年齢群にまたがって機能する顔顔の特徴自動検出法を提案する。 具体的には,肌の色,重度度,照明条件の異なる自撮り画像に対して,アクネ,顔料,ニキビの位置を注釈する。
  論文  参考訳（メタデータ） (2022-03-30T04:52:54Z)
• 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)
• 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)

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。