Skin Deep Unlearning: Artefact and Instrument Debiasing in the Context of Melanoma Classification

要約

畳み込みニューラルネットワークは、皮膚病変画像からの黒色腫の分類において皮膚科医レベルのパフォーマンスを示しましたが、トレーニングデータ内に見られるバイアスによる予測の不規則性は、広範な展開が可能になる前に対処する必要がある問題です。
この作業では、2つの主要なバイアス非学習手法を使用して、自動化された黒色腫分類パイプラインからバイアスとスプリアス変動を確実に除去します。
以前の研究で提示された外科的マーキングと定規によって導入されたバイアスは、これらのバイアス除去方法を使用して合理的に軽減できることを示しています。
また、病変画像をキャプチャするために使用されるイメージング機器に関連するスプリアスバリエーションを学習しないことの一般化の利点を示します。
私たちの実験結果は、前述のバイアスのそれぞれの影響が著しく減少し、さまざまなタスクで優れたさまざまなバイアス除去手法を備えているという証拠を提供します。

要約(オリジナル)

Convolutional Neural Networks have demonstrated dermatologist-level performance in the classification of melanoma from skin lesion images, but prediction irregularities due to biases seen within the training data are an issue that should be addressed before widespread deployment is possible. In this work, we robustly remove bias and spurious variation from an automated melanoma classification pipeline using two leading bias unlearning techniques. We show that the biases introduced by surgical markings and rulers presented in previous studies can be reasonably mitigated using these bias removal methods. We also demonstrate the generalisation benefits of unlearning spurious variation relating to the imaging instrument used to capture lesion images. Our experimental results provide evidence that the effects of each of the aforementioned biases are notably reduced, with different debiasing techniques excelling at different tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google