論文の概要: Privacy-preserving Machine Learning for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2108.12816v1
• Date: Sun, 29 Aug 2021 10:50:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 04:13:42.934291
• Title: Privacy-preserving Machine Learning for Medical Image Classification
• Title（参考訳）: 医用画像分類のためのプライバシー保護機械学習
• Authors: Shreyansh Singh and K.K. Shukla
• Abstract要約: 画像分類は、医療産業における機械学習(ML)の重要なユースケースである。 このような自動化システムを使用する場合、プライバシー上の懸念がある。 本研究では,胸部X線画像から肺炎の診断を行う医療画像分類問題の文脈において,これらの課題を解決することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rising use of Machine Learning (ML) and Deep Learning (DL) in various industries, the medical industry is also not far behind. A very simple yet extremely important use case of ML in this industry is for image classification. This is important for doctors to help them detect certain diseases timely, thereby acting as an aid to reduce chances of human judgement error. However, when using automated systems like these, there is a privacy concern as well. Attackers should not be able to get access to the medical records and images of the patients. It is also required that the model be secure, and that the data that is sent to the model and the predictions that are received both should not be revealed to the model in clear text. In this study, we aim to solve these problems in the context of a medical image classification problem of detection of pneumonia by examining chest x-ray images.
• Abstract（参考訳）: さまざまな産業で機械学習(ML)とディープラーニング(DL)の利用が増加しているため、医療産業もそれほど遅れていない。 この業界におけるMLの非常に単純なユースケースは、画像分類である。 これは、医師が特定の疾患をタイムリーに検出するのを助けるために重要であり、それによって人間の判断ミスの可能性を減少させる助けとなる。 しかし、このような自動化システムを使用する場合、プライバシーに関する懸念もある。 攻撃者は患者の医療記録や画像にアクセスできなければならない。 また、モデルがセキュアであること、モデルに送信されるデータと、受信される予測の両方を、明確なテキストでモデルに公開しないことも要求される。 本研究では,胸部X線画像から肺炎の診断を行う医療画像分類問題の文脈において,これらの課題を解決することを目的とする。

関連論文リスト

• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Few Shot Learning for Medical Imaging: A Comparative Analysis of Methodologies and Formal Mathematical Framework [0.0]
  医療分野におけるディープラーニングの活用方法において、問題に依存したトレーニングデータの不足が大きな問題となっている。 ホットラーニングアルゴリズムはほとんどなく、小さなデータセットから特徴を抽出することで、データ制限問題を解決する。 医療分野では、いくつかの機密疾患に関して利用可能なデータセットがしばしば不足している。
  論文  参考訳（メタデータ） (2023-05-08T01:05:22Z)
• A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
  TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。 新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
  論文  参考訳（メタデータ） (2022-12-06T05:30:22Z)
• Multi-Label Chest X-Ray Classification via Deep Learning [0.0]
  本研究の目的は,X線画像から14種類の胸部状態を検出する軽量なソリューションを開発することである。 画像機能に加えて、X線ビュータイプ、年齢、性別などのデータで利用可能な非画像機能も使用します。 本研究の目的は, これまでの研究を改良し, 予測を14疾患に拡張し, 将来の胸部X線撮影研究への洞察を提供することである。
  論文  参考訳（メタデータ） (2022-11-27T20:27:55Z)
• FIBA: Frequency-Injection based Backdoor Attack in Medical Image Analysis [82.2511780233828]
  本稿では,様々な医療画像解析タスクにおいて,攻撃を行うことのできる新しい周波数注入型バックドアアタック法(FIBA)を提案する。 具体的には、FIBAは、両方の画像のスペクトル振幅を線形に組み合わせることで、トリガー画像の低周波情報を有毒画像に注入できる周波数領域のトリガー関数を利用する。
  論文  参考訳（メタデータ） (2021-12-02T11:52:17Z)
• Application of Homomorphic Encryption in Medical Imaging [60.51436886110803]
  医療画像の予測にHEを用いて,不正な二次的データの使用を防止できることを示す。 結節検出に3次元胸部CT-Scansを用いた実験を行った。
  論文  参考訳（メタデータ） (2021-10-12T19:57:12Z)
• Anomaly Detection in Medical Imaging -- A Mini Review [0.8122270502556374]
  本稿では,医療画像における関連異常検出論文の半発掘文献レビューを用いて,アプリケーションをクラスタリングする。 主な結果は、ラベル付きデータの必要性を減らすことで、現在の研究が主に動機付けされていることを示している。 また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。
  論文  参考訳（メタデータ） (2021-08-25T11:45:40Z)
• 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)
• IAIA-BL: A Case-based Interpretable Deep Learning Model for Classification of Mass Lesions in Digital Mammography [20.665935997959025]
  機械学習モデルの解釈性は、高リスク決定において重要である。 機械学習に基づくマンモグラフィを解釈可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-23T05:00:21Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)

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。