論文の概要: Evaluating Synthetic Skin Lesion Images for Classifier Training: A Safety-Aware Algorithm

• arxiv url: http://arxiv.org/abs/2611.02437v1
• Date: Mon, 02 Nov 2026 02:59:43 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:11:58.221992
• Title: Evaluating Synthetic Skin Lesion Images for Classifier Training: A Safety-Aware Algorithm
• Title（参考訳）: 分類器訓練のための合成皮膚病変画像の評価 : 安全性を考慮したアルゴリズム
• Abstract要約: われわれは16種類の品質指標を用いて、皮膚がん画像の分類の実践をテストする。 各クラスで測定値によって各メトリックを重み付けし、実際のトレーニング画像に近すぎる画像を除去する安全対応評価アルゴリズムを開発した。 その結果, 一次分類器の精度はやや低いものの, 統計的に有意な向上を示し, 合成データの評価・利用のための実用的, 安全性に配慮した手順を提供することができた。
• 参考スコア（独自算出の注目度）: 1.1240669509034298
• License:
• Abstract: Skin cancer classifiers need large sets of annotated images, which are scarce, especially for rare lesion types. AI-generated images can fill the gap, but a generator produces images of widely varying quality, so selecting which images to retain is important. That choice usually rests on a single quality score, most often the Fréchet Inception Distance (FID), which has not been tested against what a classifier needs and cannot tell whether the generator memorizes its training photographs. We test that practice with a tournament of 16 quality metrics. Each metric alone selects a training subset from a pool of 275,472 images generated by a diffusion model (EDM2), and a classifier trained on each subset scores the metric per class. The tournament shows that no single metric serves every class: FID computed on Inception features gives the best classifier for one lesion type and no measurable advantage over random sampling for another, and the generation setting it prefers is also the one closest to the training images. We turn these per-class measurements into a safety-aware evaluation algorithm that weights each metric by its measured value in each class and removes images too close to a real training image. On the held-out ISIC-2018 test set, the algorithm improves Macro-$F_2$, a recall-weighted measure of classification performance, over the FID baseline for a Swin-B classifier by +0.0136 to +0.0164 across four safety thresholds (Bonferroni-corrected $p < 0.02$) and over random sampling by about +0.03, though not for ResNet-50. Tightening the threshold improves a memorization-safety score with no measurable change in utility, but every curated set remains less safe than random sampling. The results show a modest but statistically significant gain on the primary classifier, and offer a practical, safety-aware procedure for evaluating and using synthetic data.
• Abstract（参考訳）: 皮膚がん分類器は、特にまれな病変に対して、少ない大量の注釈画像を必要とする。 AI生成画像はギャップを埋めることができるが、生成元は様々な品質の画像を生成するため、保持する画像を選択することが重要である。 たいていの場合、Fréchet Inception Distance (FID)は分類器が必要とするものに対してテストされておらず、発電機がその訓練写真を記憶しているかどうかを判断できない。 このプラクティスを16のクオリティメトリクスのトーナメントでテストしています。 各メトリックは拡散モデル(EDM2)によって生成された275,472の画像のプールからトレーニングサブセットのみを選択し、各サブセットでトレーニングされた分類器はクラスごとにメトリックをスコアする。 インセプションで計算されたFIDは、ある病変に対して最高の分類器を与え、別の病変に対してランダムサンプリングよりも測定可能な優位性を持たず、それが好む生成設定もトレーニング画像に最も近いものである。 クラス毎の測定結果を,各クラスの計測値で重み付けし,実際のトレーニング画像に近すぎる画像を削除する安全意識評価アルゴリズムに変換する。 保持されたISIC-2018テストセットでは、Swin-B分類器のFIDベースラインの+0.0136から+0.0164の4しきい値(Bonferroni-corrected $p < 0.02$)と、ResNet-50では+0.03のランダムサンプリングを含む、分類性能のリコール重み付き尺度であるMacro-$F_2$を改良した。 しきい値の調整は、実用性に測定可能な変更を加えることなく、暗記安全スコアを改善するが、全てのキュレートされたセットは、ランダムサンプリングよりも安全ではない。 その結果, 一次分類器の精度はやや低いものの, 統計的に有意な向上を示し, 合成データの評価・利用のための実用的, 安全性に配慮した手順を提供することができた。

関連論文リスト

• Dirty and Clean-Label attack detection using GAN discriminators [0.0]
  本研究は、GAN識別器を用いて、異なるレベルの修正画像に対して単一のクラスを保護する。 その結果, 単一クラスでのトレーニング後, GAN識別器の信頼度スコアは, ラベルの誤りを識別するための閾値を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-06-02T00:32:07Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• Cap2Aug: Caption guided Image to Image data Augmentation [41.53127698828463]
  Cap2Augは、画像キャプションをテキストプロンプトとして使用する画像から画像への拡散モデルに基づくデータ拡張戦略である。 限られた訓練画像からキャプションを生成し,これらのキャプションを用いて画像間安定拡散モデルを用いてトレーニング画像を編集する。 この戦略は、トレーニング画像に似た画像の拡張バージョンを生成するが、サンプル全体にわたって意味的な多様性を提供する。
  論文  参考訳（メタデータ） (2022-12-11T04:37:43Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• mc-BEiT: Multi-choice Discretization for Image BERT Pre-training [52.04866462439979]
  Image BERT pre-training with masked image modeling (MIM)は、自己教師付き表現学習に対処する一般的な実践である。 改良されたBERTスタイルの画像事前学習手法であるmc-BEiTを導入する。
  論文  参考訳（メタデータ） (2022-03-29T09:08:18Z)
• Weakly-supervised Generative Adversarial Networks for medical image classification [1.479639149658596]
  Weakly-Supervised Generative Adversarial Networks (WSGAN) と呼ばれる新しい医用画像分類アルゴリズムを提案する。 WSGANは、ラベルのない少数の実画像のみを使用して、偽画像やマスク画像を生成し、トレーニングセットのサンプルサイズを拡大する。 ラベル付きデータやラベルなしデータの少ない使用により,WSGANは比較的高い学習性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:38:48Z)
• Virus-MNIST: Machine Learning Baseline Calculations for Image Classification [0.0]
  Virus-MNISTデータセットは、ユビキタスなMNISTの手書き桁に類似したサムネイル画像の集合である。 ウイルスモデルトレーニングの進捗をベンチマークする役割を担っている。
  論文  参考訳（メタデータ） (2021-11-03T17:44:23Z)
• I Am Going MAD: Maximum Discrepancy Competition for Comparing Classifiers Adaptively [135.7695909882746]
  我々は、MAD(Maximum Discrepancy)コンペティションを命名する。 任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。 結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
  論文  参考訳（メタデータ） (2020-02-25T03:32:29Z)

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。