FairSkin: Fair Diffusion for Skin Disease Image Generation

要約

画像生成は、診断の精度を向上させ、医療格差を縮小するための臨床データ拡張の一般的な技術です。
拡散モデル (DM) は、合成医用画像を生成する際の主要な方法となっていますが、重大な 2 つのバイアスに悩まされています: (1) フレシェ開始距離 (FID) で測定されるように、白人向けに生成された画像の品質は大幅に高くなっています。
。
(2) 下流のタスク学習者が疾患画像から重要な特徴を学習する能力は、肌の色によって異なります。
これらのバイアスは、特に皮膚疾患の検出において重大なリスクをもたらします。特定の肌の色調が過小評価されると、誤診や特定の状態の無視につながる可能性があります。
これらの課題に対処するために、私たちは、3 レベルのリサンプリング メカニズムを通じてこれらのバイアスを軽減し、人種や疾患のカテゴリ全体でより公平な表現を保証する新しい DM フレームワークである FairSkin を提案します。
私たちのアプローチは、生成される画像の多様性と品質を大幅に向上させ、臨床現場でのより公平な皮膚疾患の検出に貢献します。

要約(オリジナル)

Image generation is a prevailing technique for clinical data augmentation for advancing diagnostic accuracy and reducing healthcare disparities. Diffusion Model (DM) has become a leading method in generating synthetic medical images, but it suffers from a critical twofold bias: (1) The quality of images generated for Caucasian individuals is significantly higher, as measured by the Frechet Inception Distance (FID). (2) The ability of the downstream-task learner to learn critical features from disease images varies across different skin tones. These biases pose significant risks, particularly in skin disease detection, where underrepresentation of certain skin tones can lead to misdiagnosis or neglect of specific conditions. To address these challenges, we propose FairSkin, a novel DM framework that mitigates these biases through a three-level resampling mechanism, ensuring fairer representation across racial and disease categories. Our approach significantly improves the diversity and quality of generated images, contributing to more equitable skin disease detection in clinical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google