論文の概要: Contrastive meta-domain adaptation for robust skin lesion classification across clinical and acquisition conditions

• arxiv url: http://arxiv.org/abs/2602.19857v1
• Date: Mon, 23 Feb 2026 13:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.839016
• Title: Contrastive meta-domain adaptation for robust skin lesion classification across clinical and acquisition conditions
• Title（参考訳）: 臨床および取得条件における頑健な皮膚病変分類のための対照的なメタドメイン適応
• Authors: Rodrigo Mota, Kelvin Cunha, Emanoel dos Santos, Fábio Papais, Francisco Filho, Thales Bezerra, Erico Medeiros, Paulo Borba, Tsang Ing Ren,
• Abstract要約: 視覚的アーティファクトとドメインシフトが深層学習に基づく皮膚病変の分類にどのように影響するかを検討する。 本稿では,視覚的メタドメインの概念に基づく適応戦略を提案し,より大きな皮膚内視鏡的データセットから臨床画像領域へ視覚表現を伝達する。
• 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: Deep learning models for dermatological image analysis remain sensitive to acquisition variability and domain-specific visual characteristics, leading to performance degradation when deployed in clinical settings. We investigate how visual artifacts and domain shifts affect deep learning-based skin lesion classification. We propose an adaptation strategy, grounded in the idea of visual meta-domains, that transfers visual representations from larger dermoscopic datasets into clinical image domains, thereby improving generalization robustness. Experiments across multiple dermatology datasets show consistent gains in classification performance and reduced gaps between dermoscopic and clinical images. These results emphasize the importance of domain-aware training for deployable systems.
• Abstract（参考訳）: 皮膚画像解析のための深層学習モデルは、取得のばらつきや領域固有の視覚的特徴に敏感であり、臨床環境に展開する際の性能劣化につながる。 視覚的アーティファクトとドメインシフトが深層学習に基づく皮膚病変の分類にどのように影響するかを検討する。 本稿では,視覚的メタドメインの概念に基づく適応戦略を提案し,より大規模な皮膚内視鏡的データセットから臨床画像領域への視覚的表現を伝達することにより,一般化の堅牢性を向上させる。 複数の皮膚科データセットを対象とした実験では、分類性能が一貫した向上を示し、皮膚内視鏡像と臨床像とのギャップを減らした。 これらの結果は、デプロイ可能なシステムに対するドメイン認識トレーニングの重要性を強調している。

関連論文リスト

• AGGRNet: Selective Feature Extraction and Aggregation for Enhanced Medical Image Classification [11.697160779548504]
  我々は,詳細な視覚パターンを理解するために,情報的・非情報的特徴を抽出するAGGRNetフレームワークを提案する。 KvasirデータセットのSOTAモデルよりも5%向上した。
  論文  参考訳（メタデータ） (2025-11-15T23:01:09Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Glioma subtype classification from histopathological images using in-domain and out-of-domain transfer learning: An experimental study [9.161480191416551]
  成人型びまん性グリオーマのコンピュータ支援分類のための様々な伝達学習戦略と深層学習アーキテクチャを比較した。 半教師付き学習手法を提案し、細調整されたモデルを用いて、スライド画像全体の無注釈領域のラベルを予測する。 モデルはその後、前のステップで決定された接地構造ラベルと弱いラベルを用いて再訓練され、標準のドメイン間転送学習と比較して優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:22:17Z)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)
• Domain shifts in dermoscopic skin cancer datasets: Evaluation of essential limitations for clinical translation [0.0]
  メタデータに基づいて,ISICアーカイブから公開されている画像をグループ化し,意味のある領域を生成する。 複数の定量化手法を用いて、領域シフトの存在と強度を推定した。 グループ化されたドメインのほとんどでは、実際にはドメインシフトが存在します。
  論文  参考訳（メタデータ） (2023-04-14T07:38:09Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。