論文の概要: Generative AI-Based Data Augmentation for Oral Lesion Classification: The PhotoMOCI Dataset and Benchmark
- arxiv url: http://arxiv.org/abs/2609.35226v1
- Date: Mon, 28 Sep 2026 14:09:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 15:56:22.926413
- Title: Generative AI-Based Data Augmentation for Oral Lesion Classification: The PhotoMOCI Dataset and Benchmark
- Title（参考訳）: 口腔病変分類のためのAIベースの生成データ拡張:PhotoMOCIデータセットとベンチマーク
- Abstract要約: 画像撮影による早期口腔癌の診断は,大規模な口腔検診の道として有望なものである。
これを解決するために, 口腔腫瘍学における複数の診断タスクにまたがるモデルを開発するために, 写真多目的口腔癌画像データセット(Photoic Multi-purpose Oral Cancer Imaging dataset)が導入された。
- 参考スコア（独自算出の注目度）: 0.6780086370528623
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Early detection of oral cancer via photographic imaging presents a promising avenue for large-scale oral cavity screening. However, the development of robust deep learning models is frequently hampered by the scarcity of high-quality, annotated datasets. To address this limitation, a novel and well-curated resource, the Photographic Multi-purpose Oral Cancer Imaging (PhotoMOCI) dataset, is introduced for developing models across multiple diagnostic tasks in oral oncology. Then, a comprehensive benchmark study was conducted to investigate how various data augmentation strategies influence the performance of image classifiers. Our analysis spans different generative AI frameworks, evaluating the efficacy of traditional methods against advanced generative approaches, including Generative Adversarial Networks (GANs) and Diffusion Models (DMs). Additionally, we propose the Synthetic Image Filter (SIF), a mechanism to select specific samples based on two auxiliary models: Synthetic Proxy Classifier to ensure samples are representative of the target class and Synthetic Image Detector to verify they appear realistic, thereby selecting only the high-utility images that contribute to improving downstream performance. Across the evaluated datasets and classifiers, the best SIF-filtered setup improves accuracy over traditional augmentation in all cases, with gains of +1.73% and +2.35% on PhotoMOCI and +2.38% and +2.08% on KOCD for ResNet50 and ViT, respectively. Our findings reveal that while the direct application of generative data augmentation may yield performance drops, the integration of SIF, considering (i) how synthetic data looks real and (ii) how it reflects the discriminative features of the belonging class, provides a simple yet effective mechanism to filter out synthetic samples that confuse the classifier during training.
- Abstract（参考訳）: 画像撮影による早期口腔癌の診断は,大規模な口腔検診の道として有望なものである。
しかし、堅牢なディープラーニングモデルの開発は、高品質な注釈付きデータセットの不足によって、しばしば妨げられている。
この制限に対処するため、写真多目的口腔癌イメージング(PhotoMOCI)データセットは、口腔腫瘍学における複数の診断タスクのモデルを開発するために導入された。
そこで,様々なデータ拡張戦略が画像分類器の性能に与える影響について,総合的なベンチマーク研究を行った。
我々の分析は、GAN(Generative Adversarial Networks)やDM(Diffusion Models)など、先進的なジェネレーティブアプローチに対する従来の手法の有効性を評価する、さまざまな生成AIフレームワークにまたがる。
さらに,SIF(Synthetic Image Filter)を提案する。SIF(Synthetic Proxy Classifier)とSIF(Synthetic Image Detector)という,2つの補助モデルに基づいて特定のサンプルを選択する機構により,サンプルが現実的に見えることを確認する。
評価されたデータセットと分類器全体で、最高のSIFフィルタリング設定は、すべてのケースにおいて従来の拡張よりも精度が向上し、PhotoMOCIでは+1.73%、PhotoMOCIでは+2.35%、KoCDでは+2.38%、ViTでは+2.08%となっている。
以上の結果から, 生成データ拡張の直接適用は性能低下をもたらすが, SIFの統合を考慮に入れた。
i)合成データがいかに本物か、そしてどのように見えるか
二 属クラスの識別的特徴をどう反映し、訓練中に分類器を混乱させる合成サンプルをろ過する簡易かつ効果的なメカニズムを提供する。
関連論文リスト
- 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) - Perceptual Evaluation of GANs and Diffusion Models for Generating X-rays [0.7578439720012189]
生成画像モデルは、自然画像と医療画像の両方において顕著な進歩を遂げている。
4つの異常を条件に胸部X線を合成するための最先端生成モデル-GAN(Generative Adversarial Networks)と拡散モデル(Diffusion Models)の有効性を評価する。
論文 参考訳（メタデータ） (2025-08-10T00:32:18Z) - 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) - DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。
我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。
次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
論文 参考訳（メタデータ） (2025-01-21T18:56:41Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
病理組織像分類は様々な疾患の正確な同定と診断に重要である。
合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2024-09-24T12:02:55Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳（メタデータ） (2024-03-20T04:58:03Z) - DiffBoost: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [3.890243179348094]
医療応用のための堅牢で成功したディープラーニングモデルを開発するためには、大規模で大きな変動のある高品質なデータが不可欠である。
本稿では,DiffBoostと呼ばれる医用画像合成のための制御可能な拡散モデルを提案する。
近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。
論文 参考訳（メタデータ） (2023-10-19T16:18:02Z) - Unified Framework for Histopathology Image Augmentation and Classification via Generative Models [6.404713841079193]
本稿では,データ生成とモデルトレーニングの段階を統一プロセスに統合する,革新的な統一フレームワークを提案する。
提案手法では、画像合成と分類の両方を同時に扱うために、純粋視覚変換器(ViT)ベースの条件付き生成適応ネットワーク(cGAN)モデルを用いる。
本実験により,我々の統合合成増強フレームワークは,病理組織像分類モデルの性能を一貫して向上させることが示された。
論文 参考訳（メタデータ） (2022-12-20T03:40:44Z)
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。