Fugu-MT 論文翻訳(概要): Evaluating Adversarial Robustness of Low dose CT Recovery

論文の概要: Evaluating Adversarial Robustness of Low dose CT Recovery

arxiv url: http://arxiv.org/abs/2402.11557v1
Date: Sun, 18 Feb 2024 11:57:01 GMT
ステータス: 処理完了
システム内更新日: 2024-02-20 20:18:50.388341
Title: Evaluating Adversarial Robustness of Low dose CT Recovery
Title（参考訳）: 低線量ctリカバリの対向的ロバスト性評価
Authors: Kanchana Vaishnavi Gandikota, Paramanand Chandramouli, Hannah Droege, Michael Moeller
Abstract要約: 低線量CT回復のための異なる深層学習手法と古典的手法のロバスト性を評価する。データ一貫性を奨励するモデルベースネットワークを含むディープネットワークは、未ターゲティング攻撃の影響を受けやすいことを示す。結果として得られた再構成は、元の測定値と高いデータ整合性を持つため、これらの局所攻撃は、CT回復問題の解空間を探索するために使用できる。
参考スコア（独自算出の注目度）: 15.436044993406966
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Low dose computed tomography (CT) acquisition using reduced radiation or sparse angle measurements is recommended to decrease the harmful effects of X-ray radiation. Recent works successfully apply deep networks to the problem of low dose CT recovery on bench-mark datasets. However, their robustness needs a thorough evaluation before use in clinical settings. In this work, we evaluate the robustness of different deep learning approaches and classical methods for CT recovery. We show that deep networks, including model-based networks encouraging data consistency, are more susceptible to untargeted attacks. Surprisingly, we observe that data consistency is not heavily affected even for these poor quality reconstructions, motivating the need for better regularization for the networks. We demonstrate the feasibility of universal attacks and study attack transferability across different methods. We analyze robustness to attacks causing localized changes in clinically relevant regions. Both classical approaches and deep networks are affected by such attacks leading to changes in the visual appearance of localized lesions, for extremely small perturbations. As the resulting reconstructions have high data consistency with the original measurements, these localized attacks can be used to explore the solution space of the CT recovery problem.
Abstract（参考訳）: 低線量CT (low dose Computed tomography) 取得は, X線照射による有害な影響を低減するために推奨される。最近の研究は、ベンチマークデータセットの低線量CT回復問題にディープネットワークをうまく応用している。しかし、その堅牢性は臨床での使用前に徹底的な評価が必要である。本研究では,異なる深層学習手法と古典的CT回復手法の堅牢性を評価する。我々は,データ一貫性を促進するモデルベースネットワークを含むディープネットワークが,非標的攻撃の影響を受けやすいことを示した。驚いたことに、これらの品質の悪い再構築であっても、データの一貫性は大きな影響を受けず、ネットワークのより優れた正規化の必要性を動機付けている。ユニバーサルアタックの実現可能性を示し、異なる手法による攻撃伝達性について検討する。臨床領域の局所的な変化を引き起こす攻撃に対するロバスト性を分析した。古典的アプローチとディープネットワークの両方がそのような攻撃の影響を受け、局所的な病変の視覚的外観が変化し、非常に小さな摂動が生じる。結果として得られた再構成は、元の測定値と高いデータ整合性を持つため、これらの局所攻撃は、CT回復問題の解空間を探索するために使用できる。

関連論文リスト

A Geometrical Approach to Evaluate the Adversarial Robustness of Deep Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文参考訳（メタデータ） (2023-10-10T09:39:38Z)
Solving Low-Dose CT Reconstruction via GAN with Local Coherence [2.325977856241404]
本稿では,局所コヒーレンスを向上したGANを用いた新しい手法を提案する。提案手法は, 近接画像の局所的コヒーレンスを光学的流れにより捕捉し, 構築した画像の精度と安定性を著しく向上させる。
論文参考訳（メタデータ） (2023-09-24T08:55:42Z)
SNAF: Sparse-view CBCT Reconstruction with Neural Attenuation Fields [71.84366290195487]
神経減衰場を学習し,スパースビューCBCT再構成のためのSNAFを提案する。提案手法は,入力ビューが20程度しかなく,高再生品質(30以上のPSNR)で優れた性能を実現する。
論文参考訳（メタデータ） (2022-11-30T14:51:14Z)
Adversarial Robustness of MR Image Reconstruction under Realistic Perturbations [40.35796592557175]
敵攻撃は、DLベースの再構築アルゴリズムの可能な障害モードと最悪のケースパフォーマンスを理解するための貴重なツールを提供する。我々は,現在最先端のDLベースの再構築アルゴリズムが,関連する診断情報が失われる程度に,そのような摂動に非常に敏感であることを示す。
論文参考訳（メタデータ） (2022-08-05T13:39:40Z)
Meta Adversarial Perturbations [66.43754467275967]
メタ逆境摂動(MAP)の存在を示す。 MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
論文参考訳（メタデータ） (2021-11-19T16:01:45Z)
Universal Lesion Detection in CT Scans using Neural Network Ensembles [5.341593824515018]
腫瘍の拡がりの下流評価を促進するため、病変の縮小の前提条件は、その検出である。我々は,NIH DeepLesionデータセットに存在する疑わしい病変を識別するために,最先端検出ニューラルネットワークを提案する。画像あたり65.17%の精度と91.67%の感度で1枚あたり4FPの精度で、病変を局在させる最良の検出モデルのアンサンブルを構築した。
論文参考訳（メタデータ） (2021-11-09T00:11:01Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
論文参考訳（メタデータ） (2021-06-18T16:34:23Z)
Self-Supervised Training For Low Dose CT Reconstruction [0.0]
本研究は,低線量シノグラムを自身のトレーニングターゲットとして用いるためのトレーニングスキームを定義する。ノイズが要素的に独立な射影領域に自己超越原理を適用する。提案手法は,従来手法と圧縮方式の両方において,反復的再構成法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-10-25T22:02:14Z)
Cascaded Convolutional Neural Networks with Perceptual Loss for Low Dose CT Denoising [0.0]
低線量CT(low Dose CT Denoising)研究は、患者への放射線曝露のリスクを低減することを目的としている。平均二乗誤差(MSE)を用いた最近のアプローチでは、画像の低コントラスト領域における微細構造の詳細が失われる傾向にある。提案手法は,画像の低コントラスト領域における細かな構造的細部をより効果的に再構築する。
論文参考訳（メタデータ） (2020-06-26T00:35:26Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。