FEDD — Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation and Malignancy Classification

要約

皮膚疾患は、世界中のあらゆる民族の何百万人もの人々に影響を与えています。
診断のアクセシビリティを高めるには、皮膚科画像の公平かつ正確なセグメンテーションと分類が必要です。
しかし、特に希少疾患や過小評価されている肌の色調など、注釈付きの医療画像が不足しているため、公平で正確なモデルの開発が困難になっています。
この研究では、皮膚病変のセグメンテーションと悪性腫瘍分類のための、公正、効率的、多様な拡散ベースのフレームワークを導入します。
FEDD は、ノイズ除去拡散確率バックボーンを通じて学習された意味的に意味のある特徴埋め込みを活用し、線形プローブ経由で処理して、Diverse Dermatology Images (DDI) で最先端のパフォーマンスを実現します。
標識サンプルをそれぞれ 5%、10%、15%、20% のみ使用しながら、交差対和集合の 0.18、0.13、0.06、0.07 の改善を達成しました。
さらに、10% の DDI でトレーニングされた FEDD は、悪性腫瘍分類精度が 81% であり、最先端のものと比較して 14% 高いことが実証されています。
当社は、データに制約のあるシナリオで高い効率を発揮しながら、多様な肌の色調やまれな悪性腫瘍に対しても公正なパフォーマンスを提供します。
新しく注釈が付けられた DDI セグメンテーション マスクとトレーニング コードは、https://github.com/hectorcarrion/fedd にあります。

要約(オリジナル)

Skin diseases affect millions of people worldwide, across all ethnicities. Increasing diagnosis accessibility requires fair and accurate segmentation and classification of dermatology images. However, the scarcity of annotated medical images, especially for rare diseases and underrepresented skin tones, poses a challenge to the development of fair and accurate models. In this study, we introduce a Fair, Efficient, and Diverse Diffusion-based framework for skin lesion segmentation and malignancy classification. FEDD leverages semantically meaningful feature embeddings learned through a denoising diffusion probabilistic backbone and processes them via linear probes to achieve state-of-the-art performance on Diverse Dermatology Images (DDI). We achieve an improvement in intersection over union of 0.18, 0.13, 0.06, and 0.07 while using only 5%, 10%, 15%, and 20% labeled samples, respectively. Additionally, FEDD trained on 10% of DDI demonstrates malignancy classification accuracy of 81%, 14% higher compared to the state-of-the-art. We showcase high efficiency in data-constrained scenarios while providing fair performance for diverse skin tones and rare malignancy conditions. Our newly annotated DDI segmentation masks and training code can be found on https://github.com/hectorcarrion/fedd.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google