論文の概要: Bias Field Poses a Threat to DNN-based X-Ray Recognition

• arxiv url: http://arxiv.org/abs/2009.09247v2
• Date: Mon, 3 May 2021 04:00:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 21:10:57.978458
• Title: Bias Field Poses a Threat to DNN-based X-Ray Recognition
• Title（参考訳）: バイアスフィールドはDNNに基づくX線認識の脅威となる
• Authors: Binyu Tian, Qing Guo, Felix Juefei-Xu, Wen Le Chan, Yupeng Cheng, Xiaohong Li, Xiaofei Xie, Shengchao Qin
• Abstract要約: 胸部X線画像には、不適切な医用画像取得プロセスによって引き起こされるバイアスフィールドが広く存在している。 本稿では,近年の敵攻撃をベースとしてこの問題を考察し,新たな攻撃法を提案する。 本手法は,DNNによるX線自動診断に対する潜在的な脅威を明らかにし,バイアスフィールド・ローバスト自動診断システムの開発に有効である。
• 参考スコア（独自算出の注目度）: 21.317001512826476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The chest X-ray plays a key role in screening and diagnosis of many lung diseases including the COVID-19. More recently, many works construct deep neural networks (DNNs) for chest X-ray images to realize automated and efficient diagnosis of lung diseases. However, bias field caused by the improper medical image acquisition process widely exists in the chest X-ray images while the robustness of DNNs to the bias field is rarely explored, which definitely poses a threat to the X-ray-based automated diagnosis system. In this paper, we study this problem based on the recent adversarial attack and propose a brand new attack, i.e., the adversarial bias field attack where the bias field instead of the additive noise works as the adversarial perturbations for fooling the DNNs. This novel attack posts a key problem: how to locally tune the bias field to realize high attack success rate while maintaining its spatial smoothness to guarantee high realisticity. These two goals contradict each other and thus has made the attack significantly challenging. To overcome this challenge, we propose the adversarial-smooth bias field attack that can locally tune the bias field with joint smooth & adversarial constraints. As a result, the adversarial X-ray images can not only fool the DNNs effectively but also retain very high level of realisticity. We validate our method on real chest X-ray datasets with powerful DNNs, e.g., ResNet50, DenseNet121, and MobileNet, and show different properties to the state-of-the-art attacks in both image realisticity and attack transferability. Our method reveals the potential threat to the DNN-based X-ray automated diagnosis and can definitely benefit the development of bias-field-robust automated diagnosis system.
• Abstract（参考訳）: 胸部X線は、新型コロナウイルスを含む多くの肺疾患のスクリーニングと診断に重要な役割を果たしている。 最近では、胸部X線画像のためのディープニューラルネットワーク(DNN)を構築し、肺疾患の自動化と効率的な診断を実現している。 しかし, 胸部X線画像には, 不適切な医用画像取得プロセスによって引き起こされるバイアス領域が広く存在し, バイアス領域に対するDNNの堅牢性は調査されることは稀であり, X線自動診断システムに対する脅威となる。 本稿では,近年の敵対的攻撃に基いてこの問題を考察し,新たな攻撃,すなわち,付加雑音の代わりにバイアス場が作用する対向バイアス場攻撃をDNNを騙すための対向的摂動として提案する。 バイアスフィールドを局所的に調整し、高い攻撃成功率を実現すると同時に、空間的な滑らかさを維持し、高い現実性を保証する。 この2つの目標が互いに矛盾しており、攻撃を著しく困難にしている。 この課題を克服するために,直交・直交の制約で局所的にバイアスフィールドを調整できる対向・平滑なバイアスフィールド攻撃を提案する。 その結果、逆X線画像はDNNを効果的に騙すだけでなく、非常に高い現実性を維持することができる。 我々は,ResNet50,DenseNet121,MobileNetなどの強力なDNNを用いた実胸X線データセットを用いて本手法の有効性を検証する。 本手法は,DNNによるX線自動診断に対する潜在的な脅威を明らかにし,バイアスフィールド・ローバスト自動診断システムの開発に有効である。

関連論文リスト

• X-Adv: Physical Adversarial Object Attacks against X-ray Prohibited Item Detection [113.10386151761682]
  テクスチャフリーなX線画像を対象とした敵攻撃は未発見である。 本稿では,X線禁止項目検出を目的とした敵攻撃の研究に向けて第一歩を踏み出す。 我々は,X線検出器を消毒できる対向剤として機能する物理的に印刷可能な金属を生成するために,X-Advを提案する。
  論文  参考訳（メタデータ） (2023-02-19T06:31:17Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Jekyll: Attacking Medical Image Diagnostics using Deep Generative Models [8.853343040790795]
  Jekyllは、患者のバイオメディカルイメージを入力として取得し、攻撃者選択病状態を示す新しい画像に変換する神経型転送フレームワークです。 これらの攻撃は、医療専門家とアルゴリズム検出スキームの両方を誤解させる結果となった。 また,jekyllが生成する画像を検出するための機械学習に基づく防御対策についても検討した。
  論文  参考訳（メタデータ） (2021-04-05T18:23:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Adversarial Exposure Attack on Diabetic Retinopathy Imagery Grading [75.73437831338907]
  糖尿病網膜症(DR)は、世界中の視覚障害の主要な原因である。 診断を助けるために、多くの最先端の作業が強力なディープニューラルネットワーク(DNN)を構築し、網膜基底画像(RFI)を介してDRを自動的にグレードする。 RFIは一般的に、不正グレードにつながる可能性のあるカメラ露出の問題によって影響を受ける。 本稿では,敵攻撃の観点からこの問題を考察する。
  論文  参考訳（メタデータ） (2020-09-19T13:47:33Z)
• Vulnerability of deep neural networks for detecting COVID-19 cases from chest X-ray images to universal adversarial attacks [0.0]
  ディープニューラルネットワーク(DNN)に基づくコンピュータ支援システムは、新型コロナウイルスの患者を迅速かつ正確に検出するために開発されている。 UAP(Universal adversarial perturbation)と呼ばれる単一摂動に対するDNNの脆弱性を評価する。 その結果,小型UAPであっても,非ターゲット型およびターゲット型UAPに対して脆弱なモデルであることが示唆された。
  論文  参考訳（メタデータ） (2020-05-22T08:54:41Z)
• SODA: Detecting Covid-19 in Chest X-rays with Semi-supervised Open Set Domain Adaptation [5.6070625920019825]
  半教師付きオープン・セット・ドメイン・アダプティブ・ネットワーク(SODA)を提案する。 SODAは、新型コロナウイルスと一般的な肺炎を分離する最近の最先端モデルと比較して、主要な分類性能を達成している。 また, 胸部X線像において, SODAによりより良質な病理組織像が得られた。
  論文  参考訳（メタデータ） (2020-05-22T04:58:28Z)
• A Thorough Comparison Study on Adversarial Attacks and Defenses for Common Thorax Disease Classification in Chest X-rays [63.675522663422896]
  胸部X線に対する各種対向攻撃法と防御法について検討した。 攻撃法と防御法は過度な反復と大きな摂動で性能が劣ることがわかった。 異なる摂動度に頑健な新しい防御法を提案する。
  論文  参考訳（メタデータ） (2020-03-31T06:21:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。