論文の概要: Synthetic Image Oversampling for Rare-Class Representation Learning in Deep Facial Phenotyping

• arxiv url: http://arxiv.org/abs/2610.23730v1
• Date: Fri, 16 Oct 2026 16:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.025965
• Title: Synthetic Image Oversampling for Rare-Class Representation Learning in Deep Facial Phenotyping
• Title（参考訳）: 顔深部表現におけるレアクラスの表現学習のための合成画像オーバーサンプリング
• Abstract要約: Phenotype Disease Image Databaseの画像を用いて, 疾患特異的な合成オーバーサンプリングについて検討した。 画像ベースモデルとマルチモーダルモデルにおける増量レベルの比較を行い,実際のトレーニングと患者不随意評価のパーティションを固定した上で比較した。 反復トレーニングは、総合的および疾患特異的な精度を評価し、探索的な埋め込み分析は、クラスコンパクト性と分離の変化を調べる。
• 参考スコア（独自算出の注目度）: 3.3959229375624234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent deep facial phenotyping methods can support the recognition of genetic syndromes, but patient images are often scarce and unevenly distributed across disorders. Synthetic facial images offer a way to supplement the training data without collecting additional patient photographs. Their usefulness, however, depends on whether they improve recognition of real patients: generated images may introduce artifacts or repeat features already represented in the training set. It is therefore necessary to examine both how much synthetic augmentation to use and which disorders benefit. We investigate disease-specific synthetic oversampling using images from the Phenotypic Disease Image Database to augment a subset of the GestaltMatcher Database. We compare increasing augmentation levels in an image-based model, GestaltMatcher-Arc, and a multimodal model, GestaltMML, while keeping the real training and patient-disjoint evaluation partitions fixed. Repeated training runs assess overall and disease-specific accuracy, and an exploratory embedding analysis examines changes in class compactness and separation. Augmentation improves mean recognition accuracy in both training setups, although gains remain modest in GestaltMatcher-Arc and continue across the tested levels in GestaltMML. These aggregate improvements are accompanied by uneven disease-level responses, including reduced accuracy for some disorders. In the embedding analysis, disorders with fewer real training images tend to gain more class separation, but geometric changes do not consistently track classification performance. Together, the findings support synthetic oversampling for limited-data facial phenotyping and emphasize the need to assess its amount and benefit for individual disorders within each training setup.
• Abstract（参考訳）: 最近のディープ・フェイス・フェノタイピング法は、遺伝性症候群の認識を支援することができるが、患者像は希少であり、障害全体にわたって不均一に分布することが多い。 合成顔画像は、追加の患者写真を集めることなく、トレーニングデータを補完する方法を提供する。 生成された画像は、トレーニングセットにすでに表示されているアーティファクトやリピート機能を導入します。 したがって、どの程度の合成増強が有用か、どの障害が有用かを調べる必要がある。 本稿では, 病原性画像データベースのイメージを用いて, GestaltMatcher Databaseのサブセットを増強する, 疾患特異的な合成オーバーサンプリングについて検討する。 画像ベースモデルであるGestaltMatcher-ArcとマルチモーダルモデルであるGestaltMMLの比較を行った。 反復トレーニングは、総合的および疾患特異的な精度を評価し、探索的な埋め込み分析は、クラスコンパクト性と分離の変化を調べる。 Augmentationは、両方のトレーニング設定で平均認識精度を向上させるが、GestaltMatcher-Arcでは依然として適度であり、GestaltMMLではテストレベルを越えて継続する。 これらの総合的な改善には、いくつかの障害に対する精度の低下を含む、不均一な疾患レベルの反応が伴う。 埋め込み解析では、実際の訓練画像が少ない障害は、より多くのクラス分離をもたらす傾向にあるが、幾何学的変化は、常に分類性能を追跡するわけではない。 この研究は、限られたデータの顔の表現型化のための合成オーバーサンプリングをサポートし、各トレーニング設定内の個々の障害に対するその量と利益を評価する必要性を強調した。

関連論文リスト

• 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)
• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• Contrast Adaptive Tissue Classification by Alternating Segmentation and Synthesis [0.21111026813272174]
  本稿では,訓練データのコントラスト特性を入力画像に適応する交互セグメンテーションと合成ステップを用いたアプローチについて述べる。 このアプローチの顕著な利点は、そのコントラスト特性に適応するために取得プロトコルの1つの例だけが必要であることである。
  論文  参考訳（メタデータ） (2021-03-04T00:25:24Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
  皮膚病変画像の自動分類のための2段階の枠組みを提案する。 第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。 第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-04-14T22:46:20Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Synergic Adversarial Label Learning for Grading Retinal Diseases via Knowledge Distillation and Multi-task Learning [29.46896757506273]
  良質な医師のアノテート画像は非常に高価であり、様々な網膜疾患に対して限られた量のデータしか利用できない。 一部の研究では、AMDとDRは出血点や吐出などの一般的な特徴を共有しているが、ほとんどの分類アルゴリズムはこれらの疾患モデルを個別に訓練するだけである。 本稿では,関連網膜疾患ラベルを意味的および特徴空間の両方で付加的な信号として活用し,協調的にモデルを訓練するSALL法を提案する。
  論文  参考訳（メタデータ） (2020-03-24T01:32:04Z)

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。