PatchAlign：通过临床标签对皮肤病图像进行公平且准确的分类
计算机视觉与模式识别
2024-09-10 v1 机器学习
摘要
深度学习模型在自动化皮肤皮损诊断方面取得了巨大成功。然而，这些模型在预测中的种族差异在实际部署之前亟需解决。我们引入一种新方法，PatchAlign，通过与皮肤疾病的临床文本表示进行对齐来提高皮肤疾病图像分类的准确性和公平性。PatchAlign使用Graph Optimal Transport (GOT) Loss作为正则化器进行跨域对齐。获得的表征在皮肤色调之间具有鲁棒性和良好的概括能力，即使在样本有限的情况下也能做到这一点。为了减少临床皮肤科图像中噪声和伪影的影响，我们提出了一种可学习的Masked Graph Optimal Transport用于跨域对齐，以进一步提高公平性指标。我们将模型与最先进的FairDisCo进行比较，分别在两种不同皮肤类型的皮肤皮损数据集上进行测试：Fitzpatrick17k和Diverse Dermatology Images (DDI)。在Fitzpatrick17k上，PatchAlign在原位和外域分别提高了2.8%和6.2%的准确率；在DDI上提升了4.2%的原位准确率。此外，它在不同皮肤色调的真阳性率上始终提高了公平性。该实现的源代码可在以下GitHub存储库中获得：https://github.com/aayushmanace/PatchAlign24，便于轻松复现和进一步实验。
引用
@article{arxiv.2409.04975,
title = {PatchAlign:Fair and Accurate Skin Disease Image Classification by Alignment with Clinical Labels},
author = {Aayushman and Hemanth Gaddey and Vidhi Mittal and Manisha Chawla and Gagan Raj Gupta},
journal= {arXiv preprint arXiv:2409.04975},
year = {2024}
}
备注
MICCAI 2024. Early Accept Paper (amongst the top 11% of 2869 papers submitted)