論文の概要: Exploring the Impact of Skin Color on Skin Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2603.29694v1
- Date: Tue, 31 Mar 2026 12:49:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.665397
- Title: Exploring the Impact of Skin Color on Skin Lesion Segmentation
- Title（参考訳）: 皮膚損傷セグメンテーションに及ぼす皮膚色の影響の探索
- Authors: Kuniko Paxton, Medina Kapo, Amila Akagić, Koorosh Aslansefat, Dhavalkumar Thakker, Yiannis Papadopoulos,
- Abstract要約: 皮膚癌、特にメラノーマは、死と致死性の主要な原因であり、早期発見が重要である。
AIによる皮膚科学システムはしばしば、皮膚の病変を周囲の皮膚から切り離し、下流の分析をサポートするための前処理ステップとして皮膚病変のセグメンテーションに依存している。
皮膚音の公平性については, 病変分類において広く研究されているが, セグメンテーション段階に対する皮膚音の影響は未定である。
- 参考スコア（独自算出の注目度）: 0.4515414068394327
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Skin cancer, particularly melanoma, remains a major cause of morbidity and mortality, making early detection critical. AI-driven dermatology systems often rely on skin lesion segmentation as a preprocessing step to delineate the lesion from surrounding skin and support downstream analysis. While fairness concerns regarding skin tone have been widely studied for lesion classification, the influence of skin tone on the segmentation stage remains under-quantified and is frequently assessed using coarse, discrete skin tone categories. In this work, we evaluate three strong segmentation architectures (UNet, DeepLabV3 with a ResNet50 backbone, and DINOv2) on two public dermoscopic datasets (HAM10000 and ISIC2017) and introduce a continuous pigment or contrast analysis that treats pixel-wise ITA values as distributions. Using Wasserstein distances between within-image distributions for skin-only, lesion-only, and whole-image regions, we quantify lesion skin contrast and relate it to segmentation performance across multiple metrics. Within the range represented in these datasets, global skin tone metrics (Fitzpatrick grouping or mean ITA) show weak association with segmentation quality. In contrast, low lesion-skin contrast is consistently associated with larger segmentation errors in models, indicating that boundary ambiguity and low contrast are key drivers of failure. These findings suggest that fairness improvements in dermoscopic segmentation should prioritize robust handling of low-contrast lesions, and the distribution-based pigment measures provide a more informative audit signal than discrete skin-tone categories.
- Abstract（参考訳）: 皮膚癌、特にメラノーマは致死率と死亡率の主要な原因であり、早期発見が重要である。
AIによる皮膚科学システムはしばしば、皮膚の病変を周囲の皮膚から切り離し、下流の分析をサポートするための前処理ステップとして皮膚病変のセグメンテーションに依存している。
皮膚音の公平性については, 病変分類において広く研究されているが, セグメンテーション段階における皮膚音の影響は未定量であり, 粗い個別の皮膚音分類を用いて評価されることが多い。
本研究では,3つの強力なセグメンテーションアーキテクチャ (UNet, DeepLabV3 with a ResNet50 backbone, DINOv2) を2つの公開皮膚内視鏡データセット (HAM10000, ISIC2017) 上で評価し, 画素単位のITA値を分布として扱う連続顔料やコントラスト分析を導入する。
病変皮膚のコントラストを定量化し,複数の指標のセグメンテーション性能に関連付ける。
これらのデータセットで表される範囲内では、グローバルスキントーン指標(Fitzpatrick groupingまたは平均ITA)はセグメンテーション品質と弱い相関を示す。
対照的に、低病変と皮膚のコントラストはモデルにおけるより大きなセグメンテーション誤差と一貫して関連しており、境界のあいまいさと低コントラストが失敗の鍵となる要因であることを示している。
これらの結果から,低コントラスト病変の頑健な治療を優先すべきと思われた。
関連論文リスト
- Mitigating Individual Skin Tone Bias in Skin Lesion Classification through Distribution-Aware Reweighting [0.4784604186682396]
本研究では,皮膚病変分類における個性評価と緩和のための分布に基づく枠組みを提案する。
我々は,スキントーンを分類ラベルではなく連続属性として扱い,その分布をモデル化するためにカーネル密度推定(KDE)を用いる。
論文 参考訳（メタデータ） (2025-12-09T15:45:20Z) - 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) - Evaluating Machine Learning-based Skin Cancer Diagnosis [0.0]
この研究は、MobileNetベースのモデルとカスタムCNNモデルの2つの畳み込みニューラルネットワークアーキテクチャを評価する。
どちらのモデルも、皮膚病変を7つのカテゴリに分類し、危険病変と良性病変を区別する能力について評価されている。
この研究は、モデルが説明可能性を示す一方で、異なる肌のトーンの公平性を確保するためにさらなる開発が必要であると結論付けている。
論文 参考訳（メタデータ） (2024-09-04T02:44:48Z) - LSSF-Net: Lightweight Segmentation with Self-Awareness, Spatial Attention, and Focal Modulation [8.566930077350184]
本研究では,モバイル端末を用いた皮膚病変のセグメンテーションに特化して設計された,新しい軽量ネットワークを提案する。
ネットワークは、コンバータベースの焦点変調注意、自己認識型局所空間注意、分割チャネルシャッフルを組み込んだエンコーダデコーダアーキテクチャで構成されている。
経験的所見は、Jaccardの指標に顕著な、最先端のパフォーマンスを裏付けるものである。
論文 参考訳（メタデータ） (2024-09-03T03:06:32Z) - 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) - Unsupervised Skin Lesion Segmentation via Structural Entropy
Minimization on Multi-Scale Superpixel Graphs [59.19218582436495]
本研究では,構造エントロピーと孤立林外層検出に基づく非教師付き皮膚病変sEgmentationフレームワーク,すなわちSLEDを提案する。
皮膚病変は、皮膚内視鏡像から構築した超画素グラフの構造エントロピーを最小化することにより区分される。
健康な皮膚の特徴の整合性を特徴とし, マルチスケールのセグメンテーション機構を考案し, マルチスケールのスーパーピクセル特徴を活用して, セグメンテーション精度を向上させる。
論文 参考訳（メタデータ） (2023-09-05T02:15:51Z) - 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) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Salient Skin Lesion Segmentation via Dilated Scale-Wise Feature Fusion
Network [28.709314434820953]
現在の皮膚病変のセグメンテーションアプローチは、困難な状況下ではパフォーマンスが悪くなっている。
畳み込み分解に基づく拡張スケールワイド機能融合ネットワークを提案する。
提案手法は, 常に最先端の結果を示す。
論文 参考訳（メタデータ） (2022-05-20T16:08:37Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z)
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。