論文の概要: DermaFlux: Synthetic Skin Lesion Generation with Rectified Flows for Enhanced Image Classification

• arxiv url: http://arxiv.org/abs/2603.16392v1
• Date: Tue, 17 Mar 2026 11:25:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.241645
• Title: DermaFlux: Synthetic Skin Lesion Generation with Rectified Flows for Enhanced Image Classification
• Title（参考訳）: DermaFlux: 画像分類のための整流型合成皮膚病変生成
• Authors: Stathis Galanakis, Alexandros Koliousis, Stefanos Zafeiriou,
• Abstract要約: DermaFluxは、臨床に接地した皮膚の病変画像を合成する修正フローベースのテキスト画像生成フレームワークである。 Llama 3.2で生成された合成テキストキャプションを用いて画像とテキストのペアを構築する。 ImageNet-pretrained ViT fine-tuned with only 2,500 real image and 4,375 DermaFlux- generated samples achieves 78.04% binary classification accuracy and a AUC of 0.859。
• 参考スコア（独自算出の注目度）: 72.0680382603686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite recent advances in deep generative modeling, skin lesion classification systems remain constrained by the limited availability of large, diverse, and well-annotated clinical datasets, resulting in class imbalance between benign and malignant lesions and consequently reduced generalization performance. We introduce DermaFlux, a rectified flow-based text-to-image generative framework that synthesizes clinically grounded skin lesion images from natural language descriptions of dermatological attributes. Built upon Flux.1, DermaFlux is fine-tuned using parameter-efficient Low-Rank Adaptation (LoRA) on a large curated collection of publicly available clinical image datasets. We construct image-text pairs using synthetic textual captions generated by Llama 3.2, following established dermatological criteria including lesion asymmetry, border irregularity, and color variation. Extensive experiments demonstrate that DermaFlux generates diverse and clinically meaningful dermatology images that improve binary classification performance by up to 6% when augmenting small real-world datasets, and by up to 9% when classifiers are trained on DermaFlux-generated synthetic images rather than diffusion-based synthetic images. Our ImageNet-pretrained ViT fine-tuned with only 2,500 real images and 4,375 DermaFlux-generated samples achieves 78.04% binary classification accuracy and an AUC of 0.859, surpassing the next best dermatology model by 8%.
• Abstract（参考訳）: 近年の深層遺伝子モデリングの進歩にもかかわらず、皮膚病変分類システムは、大きく、多様で、十分に注釈された臨床データセットの可用性の制限により制約され、良性病変と悪性病変の階級的不均衡が生じ、その結果、一般化性能が低下する。 DermaFluxは,皮膚の皮膚病変の画像と皮膚特性の自然言語的記述を合成する,整流型テキスト・画像生成フレームワークである。 Flux.1をベースに構築されたDermaFluxは、パラメータ効率の低いローランド適応(LoRA)を使用して、一般公開された臨床画像データセットの大規模な収集を行う。 Llama 3.2により生成された合成テキストキャプションを用いて画像とテキストのペアを構築する。 大規模な実験により、DrmaFluxは多種多様な臨床的に有意義な皮膚画像を生成し、小さな実世界のデータセットを拡大する際には最大6%、拡散ベースの合成画像ではなく、DermaFluxの生成した合成画像で分類器を訓練すると最大9%の精度でバイナリ分類性能を向上することを示した。 ImageNet-pretrained ViT fine-tuned with only 2,500 real image and 4,375 DermaFlux- generated samples achieves 78.04% binary classification accuracy and a AUC of 0.859。

関連論文リスト

• SkinGenBench: Generative Model and Preprocessing Effects for Synthetic Dermoscopic Augmentation in Melanoma Diagnosis [0.0]
  生成的アーキテクチャの選択は、前処理の複雑さよりも画像の忠実さと診断ユーティリティの両方に強い影響を与える。 メラノーマF1スコアは8～15%増加し, メラノーマ検出は有意に改善した。
  論文  参考訳（メタデータ） (2025-12-19T13:52:11Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Controllable Skin Synthesis via Lesion-Focused Vector Autoregression Model [23.122488283724433]
  この研究は、高忠実で臨床的に関連のある合成皮膚画像を生成する上で、制御可能な皮膚合成モデルの有効性を強調した。 本手法は7種類の病変のFIDスコア(平均0.74)を最大化し,従来のSOTA(State-of-the-art)を6.3%改善した。
  論文  参考訳（メタデータ） (2025-08-27T07:04:58Z)
• LesionGen: A Concept-Guided Diffusion Model for Dermatology Image Synthesis [4.789822624169502]
  皮膚画像合成のためのT2I-DPMフレームワークであるLesionGenを紹介する。 LesionGenは、専門家のアノテーションと疑似生成された概念誘導レポートから派生した、構造化された、概念に富んだ皮膚学のキャプションに基づいて訓練されている。 以上の結果から, 合成データセットのみにトレーニングされたモデルが, 実画像にトレーニングされたモデルに匹敵する分類精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-30T18:07:34Z)
• SkinDualGen: Prompt-Driven Diffusion for Simultaneous Image-Mask Generation in Skin Lesions [0.0]
  本稿では, トレーニング済み安定拡散2.0モデルを用いて, 高品質な合成皮膚病変画像を生成する手法を提案する。 実データと合成データを組み合わせたハイブリッドデータセットは、分類とセグメンテーションモデルの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-07-26T15:00:37Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Selective Synthetic Augmentation with HistoGAN for Improved Histopathology Image Classification [11.087537668968888]
  我々は,クラスラベルに条件付けされたリアルな病理像パッチを合成するための条件付きGANモデル,すなわちHistoGANを提案する。 また,提案したHistoGANによって生成された新しい合成画像パッチを選択的に追加する新しい合成拡張フレームワークについても検討した。 リンパ節病理組織像と転移性癌のリンパ節病理組織像の2つのデータセットについて検討した。
  論文  参考訳（メタデータ） (2021-11-10T23:25:39Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)

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。