メラノーマ検出のためのスーパーピクセル・アンサンブルおよび階層グラフの学習
arXiv cs.CV / 2026/4/7
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、皮膚鏡画像におけるメラノーマ検出のためのグラフ学習手法を提案し、複数のスーパーピクセル解像度（20〜100ノード）上に構築した2種類のグラフ表現であるスーパーピクセル・アンサンブル・グラフ（SEG）とスーパーピクセル階層グラフ（SHG）を用いる。
- エッジ重みの2つのアプローチ、すなわち手作業によるガウス重みと、タスクに最適化して学習する重みを比較し、ノード信号としてテクスチャ、幾何、色のスーパーピクセル特徴を使用する。
- 本手法は、隣接するスーパーピクセル階層レベル間でSHGに対して親子（パレント—チャイルド）制約を組み込み、多スケールの病変構造をより適切に捉えることを目指す。
- エッジ閾値による枝刈り（25%、50%、75%）が弱い結合を除去することで検出性能にどのように影響するかを検証する。
- ISIC2017データセットでの実験（クラス不均衡に対処するためのデータ拡張を実施）では、テクスチャのノード信号を用いた学習済みSEGが最良の結果を示し、精度99.00%、AUC 99.59%を達成する。
