論文の概要: Learning Superpixel Ensemble and Hierarchy Graphs for Melanoma Detection

• arxiv url: http://arxiv.org/abs/2604.03710v1
• Date: Sat, 04 Apr 2026 12:31:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.733964
• Title: Learning Superpixel Ensemble and Hierarchy Graphs for Melanoma Detection
• Title（参考訳）: メラノーマ検出のための超画素アンサンブルと階層グラフの学習
• Authors: Asmaa M. Elwer, Muhammad A. Rushdi, Mahmoud H. Annaby,
• Abstract要約: スーパーピクセルアンサンブルグラフ(SEG)とスーパーピクセル階層グラフ(SHG)に基づく皮膚内視鏡画像におけるメラノーマ検出のためのグラフ学習手法を提案する。 これら2種類のグラフに対して, 隣接レベルのスーパーピクセル間での親子制約を伴わずに, 皮膚病変画像のスーパーピクセルマップを複数レベルで生成する。 グラフ結節信号はテクスチャ、幾何学、およびカラースーパーピクセルの特徴に基づいて割り当てられる。
• 参考スコア（独自算出の注目度）: 1.1852406625172216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph signal processing (GSP) is becoming a major tool in biomedical signal and image analysis. In most GSP techniques, graph structures and edge weights have been typically set via statistical and computational methods. More recently, graph structure learning methods offered more reliable and flexible data representations. In this work, we introduce a graph learning approach for melanoma detection in dermoscopic images based on two graph-theoretic representations: superpixel ensemble graphs (SEG) and superpixel hierarchy graphs (SHG). For these two types of graphs, superpixel maps of a skin lesion image are respectively generated at multiple levels without and with parentchild constraints among superpixels at adjacent levels, where each level corresponds to a subgraph with a different number of nodes (20, 40, 60, 80, or 100 nodes). Two edge weight assignment techniques are explored: handcrafted Gaussian weights and learned weights based on optimization methods. The graph nodal signals are assigned based on texture, geometric, and color superpixel features. In addition, the effect of graph edge thresholding is investigated by applying different thresholds (25%, 50%, and 75%) to prune the weakest edges and analyze the impact of pruning on the melanoma detection performance. Experimental evaluation of the proposed method is performed with different classifiers trained and tested on the publicly available ISIC2017 dataset. Data augmentation is applied to alleviate class imbalance by adding more melanoma images from the ISIC archive. The results show that learned superpixel ensemble graphs with textural nodal signals give the highest performance reaching an accuracy of 99.00% and an AUC of 99.59%.
• Abstract（参考訳）: グラフ信号処理(GSP)は、生体信号や画像解析において主要なツールになりつつある。 ほとんどのGSP技術では、グラフ構造とエッジウェイトは統計学的および計算的手法によって設定されている。 最近では、グラフ構造学習法により、より信頼性が高く柔軟なデータ表現が提供された。 本研究では,スーパーピクセルアンサンブルグラフ (SEG) とスーパーピクセル階層グラフ (SHG) の2つのグラフ理論表現に基づく,皮膚内視鏡画像におけるメラノーマ検出のためのグラフ学習手法を提案する。 これら2種類のグラフに対して、各レベルが異なるノード数(20、40、60、80、100ノード)のサブグラフに対応する隣接レベルにおけるスーパーピクセル間の親子制約のない複数のレベルで、皮膚病変画像のスーパーピクセルマップを生成する。 手作りガウス重みと最適化法に基づく学習重量の2つのエッジウェイト割当手法が検討されている。 グラフ結節信号はテクスチャ、幾何学、およびカラースーパーピクセルの特徴に基づいて割り当てられる。 さらに, グラフエッジのしきい値(25%, 50%, 75%)を異なるしきい値に適用し, プルーニングがメラノーマ検出性能に与える影響について検討した。 提案手法の実験評価は,ISIC2017データセット上でトレーニングおよび試験を行う異なる分類器を用いて行われる。 データの増大は、ISICアーカイブからメラノーマ画像を追加することで、クラス不均衡を軽減するために適用される。 その結果、学習した超画素アンサンブルグラフと音声の結節信号は99.00%、AUCは99.59%の精度で高い性能を示した。

関連論文リスト

• From Pixels to Graphs: Deep Graph-Level Anomaly Detection on Dermoscopic Images [4.806505912512235]
  グラフニューラルネットワーク(GNN)は、グラフベースの機械学習タスクの強力なアプローチとして登場した。 以前の研究では、分類や異常検出などの下流タスクに対して、画像由来のグラフ表現にGNNを適用していた。 GNNに基づくグラフレベルの異常検出における多数の画像-グラフ変換手法の有効性を厳密に比較した研究はない。 我々は、最先端のGLADモデルを用いた皮膚内視鏡画像の広範な実験を行い、純粋に教師なし、弱教師付き、完全に監督された体制における性能と効率について検討した。
  論文  参考訳（メタデータ） (2025-08-15T22:16:29Z)
• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。 ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Compressive Recovery of Signals Defined on Perturbed Graphs [4.021249101488848]
  本稿では, 圧縮測定から同時に信号を復元し, グラフ摂動を補正するアルゴリズムを提案する。 また、圧縮画像再構成への応用として、グラフ摂動を所望のグラフエッジとしてモデル化し、画素を大きな強度差でリンクする。
  論文  参考訳（メタデータ） (2024-02-12T13:20:52Z)
• Adaptive Fusion Affinity Graph with Noise-free Online Low-rank Representation for Natural Image Segmentation [3.7189024338041836]
  本稿では,自然画像分割のための適応アフィニティ融合グラフ(AFAグラフ)を提案する。 BSD300、BSD500、MSRC、PASCAL VOCの実験結果は、最先端のアプローチと比較してAFAグラフの有効性を示している。
  論文  参考訳（メタデータ） (2021-10-22T10:15:27Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)

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。