論文の概要: Less Is More: A Leakage-Controlled Study of Dermoscopic Preprocessing for Joint Skin Lesion Classification and Segmentation with YOLO26

• arxiv url: http://arxiv.org/abs/2610.08570v1
• Date: Tue, 06 Oct 2026 15:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.093089
• Title: Less Is More: A Leakage-Controlled Study of Dermoscopic Preprocessing for Joint Skin Lesion Classification and Segmentation with YOLO26
• Title（参考訳）: 小さすぎる: YOLO26による関節損傷の分類と分別のための鏡視下前処理のリーク解析
• Abstract要約: 本研究は,皮膚鏡視下前処理と拡張のリーク制御,病変結合性評価について述べる。 HAM10000 (10,015画像) から、7,468のユニークな病変から10,013の有効画像マスク対が得られる。 オフラインのクラスバランシング、DullRazor-CLAHE前処理、生処理されたハイブリッドビューに対して、最小限の処理された画像とオンライン拡張を比較した。
• 参考スコア（独自算出の注目度）: 2.041172405008254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Handcrafted preprocessing is widely employed in automated dermoscopic analysis to suppress imaging artifacts and enhance lesion visibility. Nevertheless, its actual contribution to modern real-time models remains unclear, particularly when evaluation protocols do not adequately control correlations among images of the same lesion. This study presents a leakage-controlled, lesion-disjoint evaluation of dermoscopic preprocessing and augmentation for joint multi-class lesion classification and instance segmentation using a fixed nano-scale YOLO26 segmentation model (YOLO26n-seg). From HAM10000 (10,015 images), quality control yields 10,013 valid image-mask pairs from 7,468 unique lesions, partitioned into mutually exclusive sets by lesion identity. With the architecture, resolution, training budget, and evaluation protocol held fixed, we compare minimally processed images plus online augmentation against offline class balancing, DullRazor-CLAHE preprocessing, and raw-processed hybrid views, over three random seeds. On the lesion-disjoint test set, the raw baseline achieves a mask mAP$_{50:95}$ of $0.5636 \pm 0.0234$, a Dice score of $0.9356 \pm 0.0024$, and a macro-F1 score of $0.6917 \pm 0.0202$. Offline augmentation does not improve the mean performance, while the combined and hybrid strategies reduce both class-aware segmentation and classification accuracy. At only 2.69 million parameters, the model runs at approximately 50 frames per second. Under a leakage-controlled, lesion-disjoint protocol with all non-input factors held fixed, minimally processed dermoscopic images combined with standard online augmentation deliver a better accuracy-efficiency trade-off than increasingly complex deterministic preprocessing, which yields no consistent joint benefit across three seeds on HAM10000.
• Abstract（参考訳）: 手技による前処理は、画像アーティファクトの抑制と病変の視認性の向上のために、自動皮膚内視鏡解析に広く用いられている。 それにもかかわらず、現代のリアルタイムモデルへの実際の貢献は、特に評価プロトコルが同一病変の画像間の相関を適切に制御していない場合、不明である。 本研究は, ナノスケールYOLO26セグメンテーションモデル(YOLO26n-seg)を用いて, 関節多型病変分類とインスタンスセグメンテーションのための内視鏡的前処理と拡張のリーク制御, 病変結合性の評価を行った。 HAM10000 (10,015画像)から、品質管理は7,468のユニークな病変から10,013の有効画像マスク対を生成し、病変の同一性によって互いに排他的なセットに分割する。 アーキテクチャ, 解像度, トレーニング予算, 評価プロトコルを固定した上で, 3つのランダムなシードに対して, オフラインクラスバランス, DullRazor-CLAHE前処理, および生処理されたハイブリッドビューに対して, 最小処理された画像とオンライン拡張を比較した。 病変分離テストセットでは、原ベースラインはマスクmAP$_{50:95}$が0.5636 \pm 0.0234$、Diceスコアが0.9356 \pm 0.0024$、マクロF1スコアが0.6917 \pm 0.0202$となる。 オフライン拡張では平均性能は向上しないが,ハイブリッド戦略と組み合わせることで,クラス認識のセグメンテーションと分類精度が低下する。 わずか269万のパラメータで、そのモデルは毎秒約50フレームで動作する。 HAM10000の3つの種子に一貫した共同利益をもたらすような複雑な決定前処理よりも、標準的なオンライン拡張と組み合わせて、最小限に処理された皮膚鏡画像が、リーク制御された全ての非入力因子を持つ病変結合プロトコルの下で、精度と効率のトレードオフをもたらす。

関連論文リスト

• Cross-Dataset Generalization of Bangladeshi Rice Leaf Disease Classifiers: Benchmark, Diagnosis, and Mitigation [0.0]
  イネ葉病分類におけるデータセット間移動は依然として重要な課題である。 バングラデシュの3つのイネ病データセットに対して,系統的なベンチマークを行った。 強い拡張は、平均的なデータセットのマクロF1の改善+0.070を回復する。 自己教師型 ViT コントロールは、CNN に等価なデータセットの崩壊を示す。
  論文  参考訳（メタデータ） (2026-09-20T16:56:51Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans [0.39998518782208775]
  3つの推論パラダイムにまたがる9つのモデルの異種アンサンブルを示す。 アンサンブルは4つの病院センターで平均0.9280のマクロF1を達成し、最高のシングルモデルを上回っている。
  論文  参考訳（メタデータ） (2026-03-15T21:34:59Z)
• SkinGenBench: Generative Model and Preprocessing Effects for Synthetic Dermoscopic Augmentation in Melanoma Diagnosis [0.0]
  生成的アーキテクチャの選択は、前処理の複雑さよりも画像の忠実さと診断ユーティリティの両方に強い影響を与える。 メラノーマF1スコアは8～15%増加し, メラノーマ検出は有意に改善した。
  論文  参考訳（メタデータ） (2025-12-19T13:52:11Z)
• AortaDiff: A Unified Multitask Diffusion Framework For Contrast-Free AAA Imaging [7.769952833857425]
  非コントラストCTスキャンから合成CECT画像を生成する統合ディープラーニングフレームワークを提案する。 本研究では,条件拡散モデル(CDM)とマルチタスク学習を統合し,画像合成と解剖学的セグメンテーションのエンドツーエンド共同最適化を実現する。
  論文  参考訳（メタデータ） (2025-10-01T22:19:27Z)
• A Comprehensive Framework for Automated Segmentation of Perivascular Spaces in Brain MRI with the nnU-Net [37.179674347248266]
  神経変性疾患では、PVS(perivascular space)の増大が一般的である。 現在不足している信頼性の高いPVS検出方法が必要である。
  論文  参考訳（メタデータ） (2024-11-29T09:19:57Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Segmentation of Cellular Patterns in Confocal Images of Melanocytic Lesions in vivo via a Multiscale Encoder-Decoder Network (MED-Net) [2.0487455621441377]
  マルチスケールデコーダネットワーク(MED-Net)は,パターンのクラスに定量的なラベル付けを行う。 メラノサイト病変の117個の反射共焦点顕微鏡(RCM)モザイクの非重畳分割について,本モデルを訓練・試験した。
  論文  参考訳（メタデータ） (2020-01-03T22:34:52Z)

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。