論文の概要: DerMAE: Improving skin lesion classification through conditioned latent diffusion and MAE distillation

• arxiv url: http://arxiv.org/abs/2602.19848v1
• Date: Mon, 23 Feb 2026 13:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.836305
• Title: DerMAE: Improving skin lesion classification through conditioned latent diffusion and MAE distillation
• Title（参考訳）: DerMAE:条件付き潜伏拡散とMAE蒸留による皮膚病変分類の改善
• Authors: Francisco Filho, Kelvin Cunha, Fábio Papais, Emanoel dos Santos, Rodrigo Mota, Thales Bezerra, Erico Medeiros, Paulo Borba, Tsang Ing Ren,
• Abstract要約: 我々は、クラス条件付き拡散モデルを用いて合成皮膚画像を生成し、続いて自己教師付きMAEプレトレーニングを行い、巨大なViTモデルで堅牢でドメイン関連の特徴を学習する。 我々はこれらの表現をモバイルデバイスに適した小さなViT学生に転送するために知識蒸留を適用した。 以上の結果より, 合成データに対するMAE事前トレーニングと蒸留の併用により, デバイス上での効率的な推論が可能となり, 分類性能が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 1.485045763113618
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Skin lesion classification datasets often suffer from severe class imbalance, with malignant cases significantly underrepresented, leading to biased decision boundaries during deep learning training. We address this challenge using class-conditioned diffusion models to generate synthetic dermatological images, followed by self-supervised MAE pretraining to enable huge ViT models to learn robust, domain-relevant features. To support deployment in practical clinical settings, where lightweight models are required, we apply knowledge distillation to transfer these representations to a smaller ViT student suitable for mobile devices. Our results show that MAE pretraining on synthetic data, combined with distillation, improves classification performance while enabling efficient on-device inference for practical clinical use.
• Abstract（参考訳）: 皮膚病変分類データセットは、しばしば重度の階級不均衡に悩まされ、悪性症例は著しく不足しており、深層学習訓練における決定境界の偏りが生じる。 この課題に対して, クラス条件付き拡散モデルを用いて合成皮膚画像を生成し, 続いて自己教師付きMAEプレトレーニングを行い, 巨大VTモデルによる堅牢でドメイン関連のある特徴の学習を可能にする。 軽量なモデルを必要とする実践的な臨床現場での展開を支援するため,これらの表現をモバイルデバイスに適した小型のViT学生に伝達するために知識蒸留を適用した。 以上の結果より, 合成データに対するMAE事前トレーニングと蒸留の併用により, デバイス上での効率的な推論が可能となり, 分類性能が向上することが示唆された。

関連論文リスト

• Self-learned representation-guided latent diffusion model for breast cancer classification in deep ultraviolet whole surface images [4.203807616568477]
  我々は,高品質な合成学習パッチを生成するための自己監督学習(SSL)誘導潜在モデル(LDM)を提案する。 微調整のDINO教師の埋め込みでLDMを誘導することにより, 細胞構造の深い意味的詳細を合成データに注入する。 5倍クロスバリデーションを用いた実験では,96.47 %の精度でFIDスコアが45.72に低下し,クラス条件のベースラインを著しく上回った。
  論文  参考訳（メタデータ） (2026-01-16T00:22:22Z)
• Toward Accessible Dermatology: Skin Lesion Classification Using Deep Learning Models on Mobile-Acquired Images [0.0]
  本研究では,モバイル端末で取得した50以上の皮膚疾患カテゴリの大規模なデータセットをキュレートする。 我々は、複数の畳み込みニューラルネットワークとトランスフォーマーベースのアーキテクチャを評価する。 以上の結果からトランスフォーマーによる皮膚病変分類の可能性が示唆された。
  論文  参考訳（メタデータ） (2025-09-05T04:31:16Z)
• MeDi: Metadata-Guided Diffusion Models for Mitigating Biases in Tumor Classification [13.350688594462214]
  本稿では,このようなメタデータを生成拡散モデルフレームワーク(MeDi)に明示的にモデル化する手法を提案する。 MeDiは、不足しているサブ集団を合成データで対象とする拡張を可能にする。 TCGAの未確認サブポピュレーションに対して,MeDiが高品質な病理像を生成することを実験的に示す。
  論文  参考訳（メタデータ） (2025-06-20T16:41:25Z)
• Conditional Diffusion Models are Medical Image Classifiers that Provide Explainability and Uncertainty for Free [0.7624308578421438]
  本研究は,2次元医用画像分類のためのクラス条件拡散モデルの可能性を初めて探求するものである。 そこで我々は,医療拡散分類器の性能向上を図るために,新しい多数決方式を開発した。 CheXpertとISICのメラノーマ皮膚がんデータセットの実験は、基礎と訓練されたスクラッチ拡散モデルが競争力を発揮することを示した。
  論文  参考訳（メタデータ） (2025-02-06T00:37:21Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• LeFusion: Controllable Pathology Synthesis via Lesion-Focused Diffusion Models [42.922303491557244]
  実際の臨床実践から得られた患者データは、しばしばデータ不足と長い尾の不均衡に悩まされる。 本研究では,病変のない画像から病変を含む画像分割ペアを生成することで,これらの課題に対処する。 レフュージョン生成データにより、最先端セグメンテーションモデルの性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-03-21T01:25:39Z)
• Derm-T2IM: Harnessing Synthetic Skin Lesion Data via Stable Diffusion Models for Enhanced Skin Disease Classification using ViT and CNN [1.0499611180329804]
  我々は、最近の数発学習の成功を拡大して、拡張されたデータ変換技術を統合することを目指している。 最先端機械学習モデルのトレーニングパイプラインに新たに生成された合成データを組み込むことによる影響について検討する。
  論文  参考訳（メタデータ） (2024-01-10T13:46:03Z)
• Uncovering the Hidden Cost of Model Compression [43.62624133952414]
  視覚プロンプティングは、コンピュータビジョンにおける伝達学習の重要な方法として登場した。 モデル圧縮は視覚的プロンプトベース転送の性能に有害である。 しかし、量子化によってモデルが圧縮されるとき、キャリブレーションに対する負の効果は存在しない。
  論文  参考訳（メタデータ） (2023-08-29T01:47:49Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。