論文の概要: MedRDF: A Robust and Retrain-Less Diagnostic Framework for Medical
Pretrained Models Against Adversarial Attack
- arxiv url: http://arxiv.org/abs/2111.14564v1
- Date: Mon, 29 Nov 2021 14:46:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 22:56:59.911532
- Title: MedRDF: A Robust and Retrain-Less Diagnostic Framework for Medical
Pretrained Models Against Adversarial Attack
- Title(参考訳): MedRDF: 対人攻撃に対する医学事前訓練モデルのためのロバスト・リトレーニングレス診断フレームワーク
- Authors: Mengting Xu, Tao Zhang, Daoqiang Zhang
- Abstract要約: 深いニューラルネットワークは、知覚不能な敵の例によって攻撃された場合、非破壊的であることが発見された。
本稿では, 対人攻撃に対する前訓練モデルに対するロバスト・リトレインレス診断フレームワークを提案する。
- 参考スコア(独自算出の注目度): 25.059360614824485
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks are discovered to be non-robust when attacked by
imperceptible adversarial examples, which is dangerous for it applied into
medical diagnostic system that requires high reliability. However, the defense
methods that have good effect in natural images may not be suitable for medical
diagnostic tasks. The preprocessing methods (e.g., random resizing,
compression) may lead to the loss of the small lesions feature in the medical
image. Retraining the network on the augmented data set is also not practical
for medical models that have already been deployed online. Accordingly, it is
necessary to design an easy-to-deploy and effective defense framework for
medical diagnostic tasks. In this paper, we propose a Robust and Retrain-Less
Diagnostic Framework for Medical pretrained models against adversarial attack
(i.e., MedRDF). It acts on the inference time of the pertained medical model.
Specifically, for each test image, MedRDF firstly creates a large number of
noisy copies of it, and obtains the output labels of these copies from the
pretrained medical diagnostic model. Then, based on the labels of these copies,
MedRDF outputs the final robust diagnostic result by majority voting. In
addition to the diagnostic result, MedRDF produces the Robust Metric (RM) as
the confidence of the result. Therefore, it is convenient and reliable to
utilize MedRDF to convert pre-trained non-robust diagnostic models into robust
ones. The experimental results on COVID-19 and DermaMNIST datasets verify the
effectiveness of our MedRDF in improving the robustness of medical diagnostic
models.
- Abstract(参考訳): 深層ニューラルネットワークは、不可避な敵の例に攻撃されると非ロバストであることが判明し、高い信頼性を必要とする医療診断システムに適用することは危険である。
しかし, 自然画像に優れた防御方法は, 医療診断に適していない可能性がある。
前処理法(例えば、ランダムリサイズ、圧縮)は、医療画像の小さな病変が失われる可能性がある。
拡張データセット上でネットワークを再トレーニングすることは、すでにオンラインにデプロイされている医療モデルにも実用的ではない。
したがって, 医療診断作業の容易かつ効果的な防御枠組みを設計する必要がある。
本稿では, 対人攻撃(MedRDF)に対する医学事前訓練モデルのためのロバスト・リトレイン・レス診断フレームワークを提案する。
それは関連する医療モデルの推測時間に作用する。
具体的には、各テスト画像に対して、medrdfはまず大量のノイズのコピーを作成し、事前訓練された医療診断モデルからこれらのコピーの出力ラベルを取得する。
そして、これらのコピーのラベルに基づいて、MedRDFは多数決によって最終的な堅牢な診断結果を出力する。
診断結果に加えて、MedRDFはロバスト計量(RM)を結果の信頼性として生成する。
したがって、MedRDFを用いて、事前訓練された非ロバスト診断モデルを堅牢なものに変換することは便利で信頼性が高い。
新型コロナウイルス(covid-19)およびdermamnist(dermamnist)データセットにおける実験結果は,医療診断モデルのロバスト性向上におけるmedrdfの有効性を検証する。
関連論文リスト
- PE-MVCNet: Multi-view and Cross-modal Fusion Network for Pulmonary
Embolism Prediction [4.835241621041882]
肺塞栓症(PE)の早期発見は、患者の生存率を高めるために重要である。
PE-MVCNetとよばれる多モード核融合法を提案する。
提案モデルは既存の手法より優れており, 単一のデータモダリティを用いたモデルと比較して, マルチモーダル融合モデルの方が優れていることを裏付けるものである。
論文 参考訳(メタデータ) (2024-02-27T03:53:27Z) - Diagnosis-oriented Medical Image Compression with Efficient Transfer
Learning [14.194618076689107]
本稿では,医療シナリオを対象とした特別な意味的圧縮タスクである診断指向の医用画像圧縮を提案する。
本研究では,診断指向の医用画像圧縮のための第1の効率的な転写学習アノテーションであるDMICを提案する。
実験の結果,我々のDMICはHEVCアンカーに比べて47.54%BD-Rate貯蓄が可能であった。
論文 参考訳(メタデータ) (2023-10-20T03:15:13Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - 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) - SPCXR: Self-supervised Pretraining using Chest X-rays Towards a Domain
Specific Foundation Model [4.397622801930704]
胸部X線(CXR)は肺疾患の診断と予後のための画像モダリティとして広く用いられている。
そこで我々は,グループメイドの自己教師型フレームワークを用いて,CXRからの一般的な表現を学習する,新たな自己教師型パラダイムを提案する。
事前訓練されたモデルは、コビッド19、肺炎の検出、一般的な健康スクリーニングといったドメイン固有のタスクのために微調整される。
論文 参考訳(メタデータ) (2022-11-23T13:38:16Z) - Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。
GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。
実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
論文 参考訳(メタデータ) (2022-02-21T04:37:25Z) - MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。
本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。
テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
論文 参考訳(メタデータ) (2022-02-09T04:12:30Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳(メタデータ) (2021-05-18T11:37:57Z) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z)
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。