論文の概要: Controllable Generation of Diverse Dermatological Imagery for Fair and Efficient Malignancy Classification

• arxiv url: http://arxiv.org/abs/2607.12987v2
• Date: Wed, 15 Jul 2026 15:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 12:21:59.652519
• Title: Controllable Generation of Diverse Dermatological Imagery for Fair and Efficient Malignancy Classification
• Title（参考訳）: 公平かつ効率的な悪性度分類のための異種皮膚画像の制御可能生成
• Abstract要約: 我々は、他の入力特性を乱すことなく、現実的な健康な皮膚サンプルを合成するハイブリッドフレームワークであるcgDDI(Controllable Generation of Diverse Dermatological Imagery)を紹介する。 我々は656イメージのデータセットを400倍以上に成長させ、2つのデータセット(生検確認横皮膚画像(DDI)と専門家検証Fitzpatrick17k(F17k))にまたがって検証する。 DDIベンチマークでは, 合成専用トレーニングによる悪性度分類精度86.4%, 実データ微調整による最先端性能90.9%を実現した。
• 参考スコア（独自算出の注目度）: 5.316734431170194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate dermatological diagnosis naturally necessitates equitable performance across diverse populations, yet a systematic lack of expertly annotated images, especially for underrepresented skin tones and rare diseases, impedes progress toward measurably fair methods. We introduce cgDDI (Controllable Generation of Diverse Dermatological Imagery), a hybrid framework that (1) synthesizes realistic healthy skin samples without disturbing other input properties, (2) maps single-sample rare lesions onto novel skin-tones and locations non-parametrically, and (3) allows for efficient parametric generation with as few as 10 training samples. The framework supports both human and automated segmentation masking, enabling scalability to datasets without pre-made lesion masks. We grow a 656-image dataset by more than 400x and validate across two datasets: biopsy-confirmed Diverse Dermatology Images (DDI) and expert-verified Fitzpatrick17k (F17k). On the DDI benchmark, we achieve malignancy classification accuracy of 86.4% under synthetic-only training and 90.9% state-of-the-art performance with real data fine-tuning, alongside leading fairness metrics. Cross-dataset experiments show +13.9% accuracy improvements on unseen F17k data despite minimal disease overlap. We openly release 266k+ synthetic images, code, and generative models to further support fairness research at https://github.com/hectorcarrion/ControllableGenDDI.
• Abstract（参考訳）: 皮膚科の正確な診断は、様々な個体群で同等のパフォーマンスを必要とするが、特に低表現の皮膚のトーンや稀な疾患に対して、専門的な注釈画像の体系的な欠如は、測定可能な公正な方法への進歩を妨げている。 cgDDI (Controllable Generation of Diverse Dermatological Imagery) は,(1) 他の入力特性を乱さずに現実的な健康な皮膚サンプルを合成するハイブリッドフレームワークであり,(2) 単一サンプルの稀な病変を新しいスキントーンや非パラメトリックな位置へマッピングし,(3) 最大10個のトレーニングサンプルで効率的なパラメトリック生成を可能にする。 このフレームワークは人間のセグメンテーションマスクと自動セグメンテーションマスクの両方をサポートし、プリメードされた障害マスクなしでデータセットにスケーラビリティを実現する。 我々は656イメージのデータセットを400倍以上に成長させ、生検確認DDI(Diverse Dermatology Images)と専門家検証Fitzpatrick17k(F17k)の2つのデータセットで検証する。 DDIベンチマークでは、合成専用トレーニング下での悪性度分類精度が86.4%、実データ微調整による最先端性能が90.9%、フェアネス指標が先行する。 クロスデータセット実験では、病気の重複が最小限であるにもかかわらず、F17kデータの精度が+13.9%向上した。 我々は266k以上の合成画像、コード、生成モデルを公開し、https://github.com/hectorcarrion/ControllableGenDDIでフェアネス研究をさらに支援します。

関連論文リスト

• RDFace: A Benchmark Dataset for Rare Disease Facial Image Analysis under Extreme Data Scarcity and Phenotype-Aware Synthetic Generation [7.261858220545029]
  RDFaceは103の稀な遺伝状態にまたがる小児顔面画像のベンチマークデータセットである。 RDFaceは、まれな疾患診断のためのデータ効率の良いAIモデルの開発と評価を可能にする。
  論文  参考訳（メタデータ） (2026-04-03T20:56:30Z)
• DermaFlux: Synthetic Skin Lesion Generation with Rectified Flows for Enhanced Image Classification [72.0680382603686]
  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。
  論文  参考訳（メタデータ） (2026-03-17T11:25:46Z)
• Medical Image Classification on Imbalanced Data Using ProGAN and SMA-Optimized ResNet: Application to COVID-19 [1.270952934304684]
  本研究では, 合成データを生成し, 実際のデータを補うプログレッシブ・ジェネレーティブ・逆数ネットワークを提案する。 提案モデルでは,4クラスと2クラスの不均衡分類問題に対して,95.5%と98.5%の精度が得られた。
  論文  参考訳（メタデータ） (2025-12-30T13:26:01Z)
• 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)
• 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)
• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• PatchAlign:Fair and Accurate Skin Disease Image Classification by Alignment with Clinical Labels [0.12233362977312943]
  我々は,皮膚条件画像の分類精度と公平性を高めるために,新しいアプローチであるPatchAlignを導入する。 PatchAlignは、グラフ最適トランスポート(GOT)ロスを正規化子として、クロスドメインアライメントを実行する。 皮膚の音色間の正の正の比率の公平性は一貫して向上する。
  論文  参考訳（メタデータ） (2024-09-08T05:00:37Z)
• FEDD -- Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation and Malignancy Classification [2.076716889858164]
  皮膚病変の分類と悪性度分類のためのフェア,エフェクト,ディバース拡散に基づくフレームワークを提案する。 5%,10%,15%,20%のラベル付き試料を用いて,0.18,0.13,0.06,0.07の相互結合の改善を実現した。 Diverse Dermatology Imagesの10%で訓練されたFedは、悪性度分類の精度が最先端と比較して81%、14%高いことを示した。
  論文  参考訳（メタデータ） (2023-07-21T15:42:01Z)
• 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)

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。