論文の概要: Searching for Robust Augmentations to Improve Out-of-Domain Generalization in Dermoscopic Skin Cancer Classification

• arxiv url: http://arxiv.org/abs/2607.26765v1
• Date: Wed, 29 Jul 2026 11:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.646649
• Title: Searching for Robust Augmentations to Improve Out-of-Domain Generalization in Dermoscopic Skin Cancer Classification
• Title（参考訳）: 皮膚内視鏡検査におけるロバスト増強法の検討
• Abstract要約: 悪性二分数非悪性一般化のロバスト性を改善するためのデータ拡張法について検討した。 データ拡張は、マルチソースISICアーカイブコレクションで検索された。
• 参考スコア（独自算出の注目度）: 35.18016233072556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background/Objectives: Dermoscopic skin lesion classifiers often lose accuracy under domain shift across imaging devices, illumination, and capture artifacts. We study how data augmentation improves the robustness of a binary malignant-versus-non-malignant classifier, with emphasis on out-of-domain (OOD) generalization. Methods: Single augmentations, photometric combinations, and composite policies were searched on a multi-source ISIC Archive collection with Derm7pt, using a ConvNeXt-Large backbone and ROC-AUC. Splits were made at the lesion-ID level, and HAM10000 and ISIC 2019-2020 were held out as a predominantly source-disjoint OOD test. Results: The largest OOD gain came from the mix policy, and photometric transformations dominated the most useful OOD operations. On an expanded pool from the same held-out sources the gain was +0.053 (95% CI +0.045 to +0.061, p<0.001), consistent across four training seeds (per-seed ROC-AUC: baseline 0.761-0.775, mix 0.806-0.829). On a small independent clinical collection, single-checkpoint sensitivity rose from 0.591 to 0.818, but this rested on 22 malignant cases and did not persist across seeds. Conclusions: Augmentations modelling real sources of domain shift can matter more than maximizing in-domain accuracy. Because the policy was selected on the same sources used to evaluate it, a source-disjoint selection protocol is needed before this effect size can be read as unbiased.
• Abstract（参考訳）: 背景/対象:皮膚の皮膚病変分類器は、画像装置、照明、アーティファクトを横断する領域シフトで精度が低下することが多い。 本研究では,データ拡張により悪性度非悪性度分類器の堅牢性が向上し,領域外一般化(OOD)が重視されることを示す。 方法: ConvNeXt-Large バックボーンとROC-AUC を用いて,Derm7pt を用いたマルチソースISICアーカイブコレクション上で,単一拡張,光度の組み合わせ,複合ポリシーを検索した。 HAM10000とISIC 2019-2020は、主にソース非結合のOOD試験として実施された。 結果:OODの最大利得は混合政策によるものであり,光度変換は最も有用なOOD操作を支配した。 同じ保持源から拡張されたプールでは、増加率は+0.053 (95% CI +0.045 から +0.061, p<0.001) で、4つの訓練種(LOC-AUC:0.761-0.775, mix 0.806-0.829)で一致した。 独立した臨床コレクションでは, 単点感度は0.591から0.818まで上昇したが, 悪性22例に留まり, 種子間では持続しなかった。 結論: ドメインシフトの実際のソースをモデル化する拡張は、ドメイン内の精度を最大化すること以上の意味を持つ。 このポリシーは、評価に使用されるのと同じソースで選択されたため、この効果サイズをバイアスのないものとして読む前に、ソース不一致の選択プロトコルが必要である。

関連論文リスト

• MagViT: Interpretable Multi-Magnification Transformers with Patient-Level Model Selection for Breast Histopathology [0.0]
  MagViTは、スケールゲート融合と患者レベルのモデル選択を備えた、解釈可能な多機能トランスフォーマーフレームワークである。 BreakHisでは, 平均画像精度0.9191, 平均患者精度0.9643, 平均マクロF1.9042を実現している。
  論文  参考訳（メタデータ） (2026-08-16T18:20:40Z)
• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Focus on What Matters: Two-Stage ROI-Aware Refinement for Anatomy-Preserving Fetal Ultrasound Reconstruction [6.884711449184333]
  測定クリティカル超音波タスクは、しばしば小さな解剖学的領域に依存するため、臨床像に対する信頼性の低い指標となる。 我々はROIを意識した表現学習フレームワークを提案し、マルチホスピタルドメインシフトの下で第1三次ヌーカル透明度(NT)スクリーニングを行う。 2相畳み込みオートエンコーダ(CAE)は、まずMS-SSIMを介してグローバルに忠実な128次元潜伏符号を学習し、次に強度(L1)と正規化されたソベルエッジ制約を用いてNTROIを洗練する。
  論文  参考訳（メタデータ） (2026-04-26T18:47:17Z)
• A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
  PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。 本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。 提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
  論文  参考訳（メタデータ） (2026-04-02T09:13:24Z)
• Performance of a Deep Learning-Based Segmentation Model for Pancreatic Tumors on Public Endoscopic Ultrasound Datasets [2.925528117330222]
  膵癌は最も攻撃的ながんの1つであり、生存率も低い。 本研究では, 膵腫瘍に対するVision Transformerを用いたディープラーニングセグメンテーションモデルについて検討した。
  論文  参考訳（メタデータ） (2026-01-09T16:48:50Z)
• MSRANetV2: An Explainable Deep Learning Architecture for Multi-class Classification of Colorectal Histopathological Images [3.4859776888706233]
  大腸癌(CRC)は、世界中のがん関連死亡率の高い疾患である。 ディープラーニングアルゴリズムは、診断精度と効率を高めるための強力なアプローチとなっている。 大腸組織像の分類に最適化されたMSRANetV2という畳み込みニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-28T07:22:34Z)
• Enhancement Without Contrast: Stability-Aware Multicenter Machine Learning for Glioma MRI Imaging [2.5012408467295555]
  機械学習(ML)を用いた非コントラストMRIからのコントラスト強調予測は、ガドリニウムベースのコントラストエージェント(GBCA)のより安全な代替手段を提供する グリオーマMRIコントラスト強調のマルチセンター予測のための再現可能なMLパイプラインを同定するための安定性を考慮したフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T00:47:07Z)
• Correcting Class Imbalances with Self-Training for Improved Universal Lesion Detection and Tagging [43.06199185109424]
  CT研究におけるユニバーサル病変検出・タグング(ULDT)は,腫瘍の負担評価と経過に伴う病変の進行(成長・収縮)の追跡に重要である。 以前の研究では、DeepLesionデータセット(4,427人、研究10,594人、CTスライス32,120人、病変32,735人、体の一部のラベル8人)をアルゴリズム開発に使用していたが、このデータセットは完全に注釈付けされておらず、クラス不均衡を含んでいる。 我々は,DeepLesionの11.5%のサブセットを限定的に使用して,ULDTのための自己学習パイプラインを開発した。
  論文  参考訳（メタデータ） (2025-04-07T15:57:03Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。