論文の概要: Comparative Analysis of Deep Convolutional Neural Networks for Detecting Medical Image Deepfakes
- arxiv url: http://arxiv.org/abs/2406.08758v1
- Date: Mon, 8 Jan 2024 16:37:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 07:50:27.606938
- Title: Comparative Analysis of Deep Convolutional Neural Networks for Detecting Medical Image Deepfakes
- Title（参考訳）: 医用画像ディープフェイク検出のための深部畳み込みニューラルネットワークの比較解析
- Authors: Abdel Rahman Alsabbagh, Omar Al-Kadi,
- Abstract要約: 本稿では,13種類の最新のDeep Convolutional Neural Network(DCNN)モデルについて総合評価を行った。
ResNet50V2は精度と特異性に優れており、DenseNet169はその正確さ、リコール、F1スコアで区別されている。
また,DenseNetモデルとEfficientNetモデルの両方において,検討対象のDCNN間の遅延空間分離性の評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative Adversarial Networks (GANs) have exhibited noteworthy advancements across various applications, including medical imaging. While numerous state-of-the-art Deep Convolutional Neural Network (DCNN) architectures are renowned for their proficient feature extraction, this paper investigates their efficacy in the context of medical image deepfake detection. The primary objective is to effectively distinguish real from tampered or manipulated medical images by employing a comprehensive evaluation of 13 state-of-the-art DCNNs. Performance is assessed across diverse evaluation metrics, encompassing considerations of time efficiency and computational resource requirements. Our findings reveal that ResNet50V2 excels in precision and specificity, whereas DenseNet169 is distinguished by its accuracy, recall, and F1-score. We investigate the specific scenarios in which one model would be more favorable than another. Additionally, MobileNetV3Large offers competitive performance, emerging as the swiftest among the considered DCNN models while maintaining a relatively small parameter count. We also assess the latent space separability quality across the examined DCNNs, showing superiority in both the DenseNet and EfficientNet model families and entailing a higher understanding of medical image deepfakes. The experimental analysis in this research contributes valuable insights to the field of deepfake image detection in the medical imaging domain.
- Abstract（参考訳）: GAN(Generative Adversarial Networks)は、医療画像など、様々な分野で注目に値する進歩を見せている。
最先端のDeep Convolutional Neural Network(DCNN)アーキテクチャは,その優れた特徴抽出で有名だが,医用画像のディープフェイク検出における有効性について検討する。
主な目的は、13の最先端DCNNを総合的に評価することにより、改ざんまたは操作された医療画像と現実を効果的に区別することである。
性能は様々な評価指標で評価され、時間効率と計算資源の要求を考慮に入れている。
以上の結果から,ResNet50V2は精度と特異性に優れており,DenseNet169はその精度,リコール,F1スコアで区別できることがわかった。
一つのモデルが他のモデルよりも好都合なシナリオについて検討する。
さらにMobileNetV3Largeは、比較的小さなパラメータ数を維持しながら、検討中のDCNNモデルの中で最も高速な競合性能を提供する。
また,DenseNetモデルとEfficientNetモデルの両方において,潜時空間分離性の評価を行い,医用画像の深層部への理解を深めた。
本研究の実験的分析は,医用画像領域におけるディープフェイク画像検出の分野での貴重な洞察に寄与する。
関連論文リスト
- Explainable Convolutional Neural Networks for Retinal Fundus Classification and Cutting-Edge Segmentation Models for Retinal Blood Vessels from Fundus Images [0.0]
眼底画像における網膜血管の検査による早期診断の重要領域に焦点を当てた研究。
基礎画像解析の研究は,8つの事前学習CNNモデルを用いたディープラーニングに基づく分類を進歩させる。
本研究では,Grad-CAM,Grad-CAM++,Score-CAM,Faster Score-CAM,Layer CAMなどの説明可能なAI技術を利用する。
論文 参考訳（メタデータ） (2024-05-12T17:21:57Z) - INCEPTNET: Precise And Early Disease Detection Application For Medical
Images Analyses [0.5439020425818999]
本稿では,医療画像の早期検出とセグメント化のための新しいディープニューラルネットワークInceptNetを提案する。
Fast InceptNetは、著名なUnetアーキテクチャによって形成され、Inceptionモジュールのパワーを、高速で費用対効果のあるものにします。
この改良は、小さな構造を持つ画像においてより重要であった。
論文 参考訳（メタデータ） (2023-09-05T11:39:29Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳（メタデータ） (2022-01-04T03:09:40Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - CNNs and GANs in MRI-based cross-modality medical image estimation [1.5469452301122177]
クロスモダリティ画像推定では、別のモダリティの画像から1つの医療画像モダリティの画像を生成する。
CNNは画像パターンの識別、特徴付け、抽出に有用であることが示されている。
生成敵対ネットワーク(GAN)は、CNNをジェネレータとして使用し、推定画像は追加ネットワークに基づいて真または偽と判別される。
論文 参考訳（メタデータ） (2021-06-04T01:27:57Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Comparison of Convolutional neural network training parameters for
detecting Alzheimers disease and effect on visualization [0.0]
畳み込みニューラルネットワーク(CNN)は、画像データのパターンを検出する強力なツールとなっている。
これまでMRIデータのCNNモデルから得られた精度にもかかわらず、この精度を駆動する特徴や画像領域に関する情報を提供する論文はほとんどなかった。
論文 参考訳（メタデータ） (2020-08-18T15:21:50Z) - The efficiency of deep learning algorithms for detecting anatomical
reference points on radiological images of the head profile [55.41644538483948]
U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。
U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
論文 参考訳（メタデータ） (2020-05-25T13:51:03Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z)
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。