論文の概要: Automated Disentangling Analysis of Skin Colour for Lesion Images

• arxiv url: http://arxiv.org/abs/2602.19055v2
• Date: Wed, 25 Feb 2026 20:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 14:31:23.726643
• Title: Automated Disentangling Analysis of Skin Colour for Lesion Images
• Title（参考訳）: 病変画像における皮膚色の自動遠心分離解析
• Authors: Wenbo Yang, Eman Rezk, Walaa M. Moursi, Zhou Wang,
• Abstract要約: 皮膚画像に適用された機械学習モデルは、画像でキャプチャされた皮膚の色がトレーニングとデプロイメントの間に異なる場合、しばしば性能が低下する。 そこで本研究では, 皮膚皮膚科領域の画像からSCCIの構造的, 操作可能な潜伏空間を学習するために, アンタングルメント・バイ・圧縮に適応する皮膚色ディエンタングリングフレームワークを提案する。 我々は,本フレームワークに基づくデータセットレベルの拡張と色正規化が,競合する病変分類性能を実現することを実証した。
• 参考スコア（独自算出の注目度）: 6.279863404849309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learning models applied to skin images often have degraded performance when the skin colour captured in images (SCCI) differs between training and deployment. These discrepancies arise from a combination of entangled environmental factors (e.g., illumination, camera settings) and intrinsic factors (e.g., skin tone) that cannot be accurately described by a single "skin tone" scalar -- a simplification commonly adopted by prior work. To mitigate such colour mismatches, we propose a skin-colour disentangling framework that adapts disentanglement-by-compression to learn a structured, manipulable latent space for SCCI from unlabelled dermatology images. To prevent information leakage that hinders proper learning of dark colour features, we introduce a randomized, mostly monotonic decolourization mapping. To suppress unintended colour shifts of localized patterns (e.g., ink marks, scars) during colour manipulation, we further propose a geometry-aligned post-processing step. Together, these components enable faithful counterfactual editing and answering an essential question: "What would this skin condition look like under a different SCCI?", as well as direct colour transfer between images and controlled traversal along physically meaningful directions (e.g., blood perfusion, camera white balance), enabling educational visualization of skin conditions under varying SCCI. We demonstrate that dataset-level augmentation and colour normalization based on our framework achieve competitive lesion classification performance. Ultimately, our work promotes equitable diagnosis through creating diverse training datasets that include different skin tones and image-capturing conditions.
• Abstract（参考訳）: 皮膚画像に適用された機械学習モデルは、画像(SCCI)で捉えた皮膚の色がトレーニングとデプロイメントの間に異なる場合、しばしば性能が低下する。 これらの相違は、絡み合った環境要因(例えば、照明、カメラの設定)と固有の要因(例えば、皮膚のトーン)の組み合わせから生じ、単一の「皮膚のトーン」スカラーによって正確に説明できない。 このような色ミスマッチを緩和するために,皮膚の色合いを圧縮的に調整し,皮膚科領域の画像からSCCIの構造的,操作可能な潜伏空間を学習するスキンカラー・ディエンタングリング・フレームワークを提案する。 暗色特徴の適切な学習を妨げる情報漏洩を防止するため、ランダム化され、主に単調なデカラー化マッピングを導入する。 色操作中の局所化パターン(例えば、インクマーク、傷跡)の意図しない色変化を抑制するために、幾何整列後処理ステップを提案する。 これらのコンポーネントは、忠実な反事実的編集と、"この皮膚状態は、異なるSCCIの下でどのように見えるか?"という本質的な疑問への答えを可能にするとともに、物理的に意味のある方向(例えば、血液灌流、カメラホワイトバランス)に沿って、画像と制御されたトラバース間の直接的な色移動を可能にし、様々なSCCIの下での皮膚状態の教育的可視化を可能にする。 我々は,本フレームワークに基づくデータセットレベルの拡張と色正規化が,競合する病変分類性能を実現することを実証した。 最終的に、私たちの研究は、皮膚のトーンや画像のキャプチャー条件を含む多様なトレーニングデータセットを作成することで、公平な診断を促進する。

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)
• 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)
• Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
  公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。 モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある 本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T19:51:10Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
  そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。 PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
  論文  参考訳（メタデータ） (2022-10-20T12:28:31Z)
• 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)
• 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)
• Analysis of Manual and Automated Skin Tone Assignments for Face Recognition Applications [8.334167427229572]
  顔画像から皮膚のトーンを自動的に推定するために,手動Fitzpatrickスキンタイプ割り当てのセットを分析し,個別のタイポロジーアングルを用いた。 自動アプローチと手動アプローチの一致レベルは、MORPH画像の96%以上であることが判明しました。
  論文  参考訳（メタデータ） (2021-04-29T22:35:47Z)

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。