論文の概要: Does Proprietary Software Still Offer Protection of Intellectual
Property in the Age of Machine Learning? -- A Case Study using Dual Energy CT
Data
- arxiv url: http://arxiv.org/abs/2112.03678v1
- Date: Mon, 6 Dec 2021 17:31:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-09 08:01:02.499298
- Title: Does Proprietary Software Still Offer Protection of Intellectual
Property in the Age of Machine Learning? -- A Case Study using Dual Energy CT
Data
- Title(参考訳): プロプライエタリソフトウェアは、マシンラーニング時代の知的財産権保護をまだ提供しているか?
--デュアルエネルギーCTデータを用いたケーススタディ
- Authors: Andreas Maier, Seung Hee Yang, Farhad Maleki, Nikesh Muthukrishnan,
Reza Forghani
- Abstract要約: 本稿では, 単エネルギー画像と2重エネルギーCTデータからのヨウ素マップの計算が, 機械学習によって逆エンジニアリング可能かどうかを考察する。
以上の結果から,1枚のスライス画像のみを訓練データとして,0.98以上の構造的類似性を持つ非常に高精度に近似できることが示唆された。
- 参考スコア(独自算出の注目度): 6.654648671169403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the domain of medical image processing, medical device manufacturers
protect their intellectual property in many cases by shipping only compiled
software, i.e. binary code which can be executed but is difficult to be
understood by a potential attacker. In this paper, we investigate how well this
procedure is able to protect image processing algorithms. In particular, we
investigate whether the computation of mono-energetic images and iodine maps
from dual energy CT data can be reverse-engineered by machine learning methods.
Our results indicate that both can be approximated using only one single slice
image as training data at a very high accuracy with structural similarity
greater than 0.98 in all investigated cases.
- Abstract(参考訳): 医療画像処理の分野では、医療機器メーカーは、コンパイル済みのソフトウェア、すなわち実行可能であるが潜在的な攻撃者によって理解できないバイナリコードのみを出荷することで、多くの場合、知的財産を保護している。
本稿では,このプロシージャが画像処理アルゴリズムをどの程度有効に保護できるかを検討する。
特に,デュアルエネルギーCTデータからの単エネルギー画像とヨウ素マップの計算が,機械学習によって逆エンジニアリング可能かどうかを検討する。
以上の結果から,1枚の1枚のスライス画像のみを非常に高精度なトレーニングデータとして用いた場合,構造的類似度は0.98以上であった。
関連論文リスト
- Detecting Brain Tumors through Multimodal Neural Networks [0.0]
本研究の目的は、グレースケール画像として処理されたMRIスキャンの分類のためのマルチモーダルモデルの性能を評価することである。
結果は有望であり、モデルが約98%の精度に達すると、同様の結果が得られる。
論文 参考訳(メタデータ) (2024-01-10T13:06:52Z) - Benchmarking Pretrained Vision Embeddings for Near- and Duplicate
Detection in Medical Images [0.7673339435080445]
本稿では,2次元コンピュータビジョンの埋め込みを利用した近距離・重複3次元医用画像の同定手法を提案する。
公開されているメディカルデスロンデータセットに基づいて,実験的なベンチマークを生成する。
論文 参考訳(メタデータ) (2023-12-12T13:52:55Z) - Multi-scale Transformer Network with Edge-aware Pre-training for
Cross-Modality MR Image Synthesis [52.41439725865149]
クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。
既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。
マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
論文 参考訳(メタデータ) (2022-12-02T11:40:40Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。
機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。
本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文 参考訳(メタデータ) (2022-07-26T02:10:15Z) - CapillaryX: A Software Design Pattern for Analyzing Medical Images in
Real-time using Deep Learning [0.688204255655161]
本稿では,医療画像のリアルタイム解析をローカルかつ並列に行うことができる計算アーキテクチャを提案する。
我々は,微小循環画像中の血管の定量化という,特定の医学・工業ケーススタディに焦点を当てた。
その結果,本システムはシリアルシステムに比べて約78%高速であり,マスタスレーブ並列システムアーキテクチャよりも12%高速であることがわかった。
論文 参考訳(メタデータ) (2022-04-13T18:47:04Z) - 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) - Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。
マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。
適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
論文 参考訳(メタデータ) (2021-07-14T12:35:05Z) - EEG to fMRI Synthesis: Is Deep Learning a candidate? [0.913755431537592]
この研究は、脳波(EEG)ビューデータからfMRIデータを合成するために、Neural Processingから最先端の原理を使用する方法について、初めて包括的な情報を提供する。
オートエンコーダ,ジェネレータネットワーク,ペアワイズラーニングなど,最先端の合成手法の比較を行った。
結果は、fMRI脳画像マッピングに対する脳波の実現可能性を強調し、機械学習における現在の進歩の役割を指摘し、パフォーマンスをさらに向上するために、今後のコントリビューションの関連性を示す。
論文 参考訳(メタデータ) (2020-09-29T16:29:20Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳(メタデータ) (2020-09-01T19:17:46Z)
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。