From Majority to Minority: A Diffusion-based Augmentation for Underrepresented Groups in Skin Lesion Analysis

要約

AI ベースの診断は、皮膚がんの分類において皮膚科医レベルのパフォーマンスを実証しました。
ただし、このようなシステムは、トレーニング セット内で十分な表現が欠如している少数派グループからのデータに対してテストすると、パフォーマンスが低下する傾向があります。
データ収集と注釈は少数派グループを促進するための最良の手段となりますが、これらのプロセスにはコストと時間がかかります。
これまでの研究では、多数派グループからのデータが少数派グループの診断ツールのトレーニングを補う貴重な情報源として機能する可能性があることが示唆されています。
この研究では、多数派グループからの豊富な情報を最大限に利用して少数派グループに利益をもたらす効果的な拡散ベースの増強フレームワークを提案します。
ケーススタディとして異なる肌タイプのグループを使用した我々の結果は、提案されたフレームワークが、これらのターゲットグループからの参照データがほとんどまたはまったくない場合でも、少数派の診断結果を向上させる合成画像を生成できることを示しています。
私たちの研究の実際的な価値は、医療画像解析において明らかです。医療画像解析では、表現力が不十分であるため、特定のグループで過少診断が問題として残っています。

要約(オリジナル)

AI-based diagnoses have demonstrated dermatologist-level performance in classifying skin cancer. However, such systems are prone to under-performing when tested on data from minority groups that lack sufficient representation in the training sets. Although data collection and annotation offer the best means for promoting minority groups, these processes are costly and time-consuming. Prior works have suggested that data from majority groups may serve as a valuable information source to supplement the training of diagnosis tools for minority groups. In this work, we propose an effective diffusion-based augmentation framework that maximizes the use of rich information from majority groups to benefit minority groups. Using groups with different skin types as a case study, our results show that the proposed framework can generate synthetic images that improve diagnostic results for the minority groups, even when there is little or no reference data from these target groups. The practical value of our work is evident in medical imaging analysis, where under-diagnosis persists as a problem for certain groups due to insufficient representation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google