概要: 医用画像データセットは、多くの場合、極端なクラス不均衡によって特徴づけられます。そこでは、稀な病理が一般的な状態に比べて大幅に過小に表れているのです。この不均衡は、オープンセット認識（OSR）に対して二重の課題をもたらします。すなわち、モデルは既知クラスに対して高い分類精度を維持しつつ、臨床現場で学習時に見たことのない未知サンプルを確実に拒否できなければなりません。近年提案されたDeep Simplex Classifier（DSC）~\cite{cevikalp2024reaching} および不確実性を意識したUnCertainty-aware Deep Simplex Classifier（UCDSC）~\cite{Aditya_2026_WACV} は、Neural Collapse を活用してクラス間の最大限の分離を保証することに成功していますが、医用クラスの密度のばらつきを考慮しない一様マージンに依存しています。
本論文では、動的マージン手法を特徴とする拡張フレームワークDMDSCを提案します。提案手法は、ラベル頻度に基づいてクラス固有のマージンを自動的に適応させ、データ不均衡の影響に対抗するために、稀な病理に対してより大きなペナルティとより緊密な特徴クラスタリングを強制します。BloodMNIST\cite{medmnistv2}、OCTMNIST\cite{medmnistv2}、DermaMNIST\cite{medmnistv2}、およびBreaKHis~\cite{spanhol2015dataset} の各データセットを用いた多様な医用ベンチマークに対する大規模な実験の結果、我々のフレームワークは最先端の手法を上回ることが示されました。
DMDSC：医療画像データセットにおけるオープンセット認識のための動的マージン・ディープ・シンプレックス分類器
arXiv cs.CV / 2026/5/4
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- この論文は、医療画像における重度のクラス不均衡により、既知クラスの高精度な分類と、臨床現場で遭遇する学習未見の未知サンプルの確実な拒否の両立が難しいという課題に取り組みます。
- 提案手法は、Neural Collapse を活用してクラス間の分離を強める Deep Simplex Classifier（DSC）や、不確実性を考慮した UCDSC を踏まえつつ、一様なマージンに依存している点を課題として挙げています。
- DMDSC では、ラベル頻度に応じてクラスごとのマージンを自動調整し、希少な病理に対してより強いペナルティとよりタイトな特徴クラスタリングを強制します。
- BloodMNIST、OCTMNIST、DermaMNIST、BreaKHis といった複数の医療ベンチマークでの実験により、DMDSC が最先端のオープンセット認識手法より優れた性能を示すことが報告されています。
- 全体として、データ不均衡に応じたマージン設計を取り入れることで、低頻度クラスの臨床的な頑健性と未知拒否能力の両立を改善できることを示しています。
