論文の概要: On Evaluating Adversarial Robustness of Chest X-ray Classification:
Pitfalls and Best Practices
- arxiv url: http://arxiv.org/abs/2212.08130v1
- Date: Thu, 15 Dec 2022 20:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 15:03:00.550945
- Title: On Evaluating Adversarial Robustness of Chest X-ray Classification:
Pitfalls and Best Practices
- Title(参考訳): 胸部X線分類における対向ロバスト性の評価について:落とし穴とベストプラクティス
- Authors: Salah Ghamizi, Maxime Cordy, Michail Papadakis, and Yves Le Traon
- Abstract要約: 胸部X線分類のロバスト性は自然画像よりも評価が難しい。
本研究は医学的診断の特異性を考慮していない。
胸部X線分類モデルのロバスト性評価としては,3つのデータセット,7つのモデル,18の疾患について検討した。
- 参考スコア(独自算出の注目度): 9.142684157074498
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Vulnerability to adversarial attacks is a well-known weakness of Deep Neural
Networks. While most of the studies focus on natural images with standardized
benchmarks like ImageNet and CIFAR, little research has considered real world
applications, in particular in the medical domain. Our research shows that,
contrary to previous claims, robustness of chest x-ray classification is much
harder to evaluate and leads to very different assessments based on the
dataset, the architecture and robustness metric. We argue that previous studies
did not take into account the peculiarity of medical diagnosis, like the
co-occurrence of diseases, the disagreement of labellers (domain experts), the
threat model of the attacks and the risk implications for each successful
attack.
In this paper, we discuss the methodological foundations, review the pitfalls
and best practices, and suggest new methodological considerations for
evaluating the robustness of chest xray classification models. Our evaluation
on 3 datasets, 7 models, and 18 diseases is the largest evaluation of
robustness of chest x-ray classification models.
- Abstract(参考訳): 敵攻撃に対する脆弱性は、Deep Neural Networksのよく知られた弱点である。
研究の大半は、ImageNetやCIFARのような標準化されたベンチマークによる自然画像に焦点を当てているが、実際の応用、特に医学領域における研究はほとんどない。
これまでの主張とは対照的に,胸部x線分類のロバスト性は評価が極めて困難であり,データセットやアーキテクチャ,ロバストネス指標に基づく評価が極めて異なっていた。
これまでの研究では、疾患の同時発生、ラベルラー(ドメインの専門家)の不一致、攻撃の脅威モデル、各攻撃の成功に対するリスクの影響など、医療診断の特異性は考慮されていない。
本稿では,胸部x線分類モデルのロバスト性を評価するために,方法論の基礎を議論し,落とし穴とベストプラクティスを考察し,新しい方法論的考察を提案する。
胸部X線分類モデルのロバスト性評価としては,3つのデータセット,7つのモデル,18の疾患について検討した。
関連論文リスト
- Robust and Interpretable COVID-19 Diagnosis on Chest X-ray Images using
Adversarial Training [0.8287206589886881]
我々は、33,000以上の胸部X線画像(CXR)で21の畳み込みニューラルネットワーク(CNN)モデルを訓練し、健康、新型コロナウイルス、非新型コロナウイルスの肺炎CXRを分類した。
得られたモデルは、それぞれ97.03%、97.97%、99.95%の3方向の分類精度、リコール、精度を達成した。
論文 参考訳(メタデータ) (2023-11-23T23:40:01Z) - Adversarial Attack and Defense for Medical Image Analysis: Methods and
Applications [57.206139366029646]
医用画像解析における対人攻撃と防御の進歩に関する総合的な調査を報告する。
医療画像解析のための異なる種類の敵攻撃のための統一的理論的枠組みと防衛方法を提供する。
公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
論文 参考訳(メタデータ) (2023-03-24T16:38:58Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - Failure Detection in Medical Image Classification: A Reality Check and
Benchmarking Testbed [23.25084022554028]
自動画像分類における故障検出は、臨床展開にとって重要な安全策である。
その最重要さにもかかわらず、テストタイムの失敗を検出する最先端の信頼度評価手法の能力に関する証拠は不十分である。
本稿では,ドメイン内誤分類検出手法の性能を実証する現実チェックを提案する。
論文 参考訳(メタデータ) (2022-05-27T16:50:48Z) - POTHER: Patch-Voted Deep Learning-based Chest X-ray Bias Analysis for
COVID-19 Detection [10.516962652888989]
多くの研究が、深層学習を用いて胸部X線で新型コロナウイルスを正確に検出したと報告している。
モデル決定は、医学的病理学ではなく、相反する要因に依存する可能性があることを実証する。
負の影響を最小限に抑える新しい方法を提案する。
論文 参考訳(メタデータ) (2022-01-23T20:35:45Z) - Knee Osteoarthritis Severity Prediction using an Attentive Multi-Scale
Deep Convolutional Neural Network [8.950918531231158]
本稿では,KellgrenおよびLawrenceグレードの分類をX線から自動的に評価する,深層学習ベースのフレームワークであるOsteHRNetを提案する。
提案モデルでは,OAIデータセットのベースラインコホートにおいて,71.74%,0.311のMAEが最良である。
論文 参考訳(メタデータ) (2021-06-27T17:29:46Z) - 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) - Towards Evaluating the Robustness of Deep Diagnostic Models by
Adversarial Attack [38.480886577088384]
近年の研究では、深部診断モデルは推論過程において堅牢でないことが示されている。
逆の例は、人間に容易に認識されないよく設計された摂動です。
我々は,深部診断モデルの逆行例を扱うための2つの新しい防御法を考案した。
論文 参考訳(メタデータ) (2021-03-05T02:24:47Z) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - 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。