論文の概要: Reversing Skin Cancer Adversarial Examples by Multiscale Diffusive and
Denoising Aggregation Mechanism
- arxiv url: http://arxiv.org/abs/2208.10373v3
- Date: Tue, 6 Feb 2024 04:11:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 21:25:48.226246
- Title: Reversing Skin Cancer Adversarial Examples by Multiscale Diffusive and
Denoising Aggregation Mechanism
- Title(参考訳): 多変量拡散・分別凝集機構による皮膚癌逆行例の検討
- Authors: Yongwei Wang, Yuan Li, Zhiqi Shen, Yuhui Qiao
- Abstract要約: 皮膚癌診断モデルが早期スクリーニングや医療介入において重要な役割を担っている。
最近の研究では、敵の攻撃に対する極端な脆弱性が明らかにされている。
この作業は、シンプルで、効果的で、リソース効率の良い防御フレームワークを提供する。
- 参考スコア(独自算出の注目度): 12.741866542915346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable skin cancer diagnosis models play an essential role in early
screening and medical intervention. Prevailing computer-aided skin cancer
classification systems employ deep learning approaches. However, recent studies
reveal their extreme vulnerability to adversarial attacks -- often
imperceptible perturbations to significantly reduce the performances of skin
cancer diagnosis models. To mitigate these threats, this work presents a
simple, effective, and resource-efficient defense framework by reverse
engineering adversarial perturbations in skin cancer images. Specifically, a
multiscale image pyramid is first established to better preserve discriminative
structures in the medical imaging domain. To neutralize adversarial effects,
skin images at different scales are then progressively diffused by injecting
isotropic Gaussian noises to move the adversarial examples to the clean image
manifold. Crucially, to further reverse adversarial noises and suppress
redundant injected noises, a novel multiscale denoising mechanism is carefully
designed that aggregates image information from neighboring scales. We
evaluated the defensive effectiveness of our method on ISIC 2019, a largest
skin cancer multiclass classification dataset. Experimental results demonstrate
that the proposed method can successfully reverse adversarial perturbations
from different attacks and significantly outperform some state-of-the-art
methods in defending skin cancer diagnosis models.
- Abstract(参考訳): 皮膚癌診断モデルが早期スクリーニングや医療介入において重要な役割を担っている。
コンピュータ支援型皮膚がん分類システムでは、ディープラーニングアプローチを採用している。
しかし、近年の研究では、皮膚がんの診断モデルの性能を著しく低下させるために、逆境攻撃に対する極端な脆弱性が明らかにされている。
これらの脅威を軽減するため,本研究は,皮膚がん画像におけるリバースエンジニアリング逆転による,シンプルで効果的で資源効率のよい防御枠組みを示す。
具体的には、医療画像領域の識別構造をより良く保存するために、まず、多スケール画像ピラミッドが確立される。
逆効果を中和するために、異方性ガウス雑音を注入して異なるスケールの皮膚画像を徐々に拡散させ、逆効果例をクリーン画像多様体に移動させる。
さらに、逆方向のノイズを逆転させ、冗長なノイズを抑えるため、隣接するスケールの画像情報を集約する新しいマルチスケールデノナイズ機構を慎重に設計する。
皮膚がんの多クラス分類データセットであるISIC 2019において,本手法の防御効果を評価した。
実験の結果,本手法は異なる攻撃による逆向きの摂動を効果的に回避し,皮膚がんの診断モデルにおいて最先端の手法を著しく上回ることがわかった。
関連論文リスト
- Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2024-03-06T08:35:29Z) - MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised
Anomaly Detection in Brain Images [40.89943932086941]
脳画像における教師なし異常検出のためのMasked Autoencoder-enhanced Diffusion Model (MAEDiff)を提案する。
MAEDiffは、階層的なパッチ分割を含む。上層パッチを重畳して健全なイメージを生成し、サブレベルパッチで動作するマスク付きオートエンコーダに基づくメカニズムを実装し、未通知領域の状態を高める。
論文 参考訳(メタデータ) (2024-01-19T08:54:54Z) - MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative
Adversarial Networks [52.233065714716886]
本研究では,医療画像の改ざんを防止する新しいアプローチであるMITS-GANを紹介する。
このアプローチは攻撃者のCT-GANアーキテクチャの出力を妨害する。
CTスキャンデータセットの実験結果は、MITS-GANの優れた性能を示している。
論文 参考訳(メタデータ) (2024-01-17T22:30:41Z) - Hybrid Whale-Mud-Ring Optimization for Precise Color Skin Cancer Image
Segmentation [2.674706888799469]
皮膚内視鏡は皮膚がんの早期発見において重要な役割を担っている。
皮膚癌診断の精度を高めるためには,デジタル皮膚内視鏡画像の効果的な処理が重要である。
本稿では,WMRA と呼ばれる Whale Optimization Algorithm とハイブリッド化された Mud Ring Algorithm の強化版を提案する。
論文 参考訳(メタデータ) (2023-11-22T16:35:43Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Visualizing CoAtNet Predictions for Aiding Melanoma Detection [0.0]
本稿では,CoAtNetアーキテクチャを用いたマルチクラス分類タスクを提案する。
全体的な精度は0.901, 0.895, AP 0.923で、他の最先端ネットワークと比較して高い性能を示している。
論文 参考訳(メタデータ) (2022-05-21T06:41:52Z) - Salient Skin Lesion Segmentation via Dilated Scale-Wise Feature Fusion
Network [28.709314434820953]
現在の皮膚病変のセグメンテーションアプローチは、困難な状況下ではパフォーマンスが悪くなっている。
畳み込み分解に基づく拡張スケールワイド機能融合ネットワークを提案する。
提案手法は, 常に最先端の結果を示す。
論文 参考訳(メタデータ) (2022-05-20T16:08:37Z) - Noise-reducing attention cross fusion learning transformer for
histological image classification of osteosarcoma [2.8265965924600276]
本研究の目的は,人工知能を用いて骨肉腫の組織像を分類し,腫瘍の生存と壊死を評価することである。
本稿では,ノイズ低減畳み込みオートエンコーダと特徴融合学習を統合した典型的なトランスフォーマー画像分類フレームワークを提案する。
本手法は, 骨肉腫の診断を支援するため, 各種評価指標における従来型および深層学習法よりも99.17%の精度で優れていた。
論文 参考訳(メタデータ) (2022-04-29T00:57:39Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T06:54:29Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z)
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。