論文の概要: Longitudinal Mammogram Exam-based Breast Cancer Diagnosis Models: Vulnerability to Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2411.00837v1
• Date: Tue, 29 Oct 2024 18:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:28:26.068776
• Title: Longitudinal Mammogram Exam-based Breast Cancer Diagnosis Models: Vulnerability to Adversarial Attacks
• Title（参考訳）: 縦断的マンモグラフィーによる乳腺癌診断モデル : 逆行性攻撃に対する脆弱性
• Authors: Zhengbo Zhou, Degan Hao, Dooman Arefan, Margarita Zuley, Jules Sumkin, Shandong Wu,
• Abstract要約: 本研究では,縦長モデルの2つの連続マンモグラム検定における特徴レベル関係を活かした新たな攻撃手法を提案する。 590人の乳癌患者のコホート(それぞれ2回連続マンモグラム検査)をケースコントロール環境で実験した。 その結果,本手法は診断モデルを騙して反対の出力を与える際に,いくつかの最先端の敵攻撃を克服した。
• 参考スコア（独自算出の注目度）: 1.7129388563412802
• License:
• Abstract: In breast cancer detection and diagnosis, the longitudinal analysis of mammogram images is crucial. Contemporary models excel in detecting temporal imaging feature changes, thus enhancing the learning process over sequential imaging exams. Yet, the resilience of these longitudinal models against adversarial attacks remains underexplored. In this study, we proposed a novel attack method that capitalizes on the feature-level relationship between two sequential mammogram exams of a longitudinal model, guided by both cross-entropy loss and distance metric learning, to achieve significant attack efficacy, as implemented using attack transferring in a black-box attacking manner. We performed experiments on a cohort of 590 breast cancer patients (each has two sequential mammogram exams) in a case-control setting. Results showed that our proposed method surpassed several state-of-the-art adversarial attacks in fooling the diagnosis models to give opposite outputs. Our method remained effective even if the model was trained with the common defending method of adversarial training.
• Abstract（参考訳）: 乳癌の診断・診断においては,マンモグラフィ画像の縦断的解析が重要である。 現代モデルは、時間的画像特徴変化の検出に優れ、シーケンシャルな画像検査よりも学習過程が向上する。 しかし、これらの長手モデルの敵攻撃に対する弾力性は未解明のままである。 本研究では, 縦長モデルの2つの連続マンモグラム検定における特徴レベル関係を, クロスエントロピー損失と距離メートル法学習の両方で導くことによって, ブラックボックス攻撃方式で攻撃伝達を行うことにより, 攻撃効果を著しく向上させる手法を提案する。 590人の乳癌患者のコホート(それぞれ2回連続マンモグラム検査)をケースコントロール環境で実験した。 その結果,本手法は診断モデルを騙して反対の出力を与える際に,いくつかの最先端の敵攻撃を克服した。 本手法は, 共通の防御法を用いて訓練しても有効であった。

関連論文リスト

• Natias: Neuron Attribution based Transferable Image Adversarial Steganography [62.906821876314275]
  逆行性ステガナグラフィーは、ディープラーニングに基づくステガナリシスを効果的に欺く能力から、かなりの注目を集めている。 そこで我々は,Natias という新たな逆向きステガノグラフィー手法を提案する。 提案手法は既存の逆向きステガノグラフィーフレームワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-09-08T04:09:51Z)
• Model X-ray:Detecting Backdoored Models via Decision Boundary [62.675297418960355]
  バックドア攻撃はディープニューラルネットワーク(DNN)に重大な脆弱性をもたらす 図形化された2次元(2次元)決定境界の解析に基づく新しいバックドア検出手法であるモデルX線を提案する。 提案手法は,クリーンサンプルが支配する意思決定領域とラベル分布の集中度に着目した2つの戦略を含む。
  論文  参考訳（メタデータ） (2024-02-27T12:42:07Z)
• Adversarially Robust Feature Learning for Breast Cancer Diagnosis [1.9060744600841881]
  敵対的なデータは、ディープラーニングアプリケーションの誤動作を引き起こす可能性がある。 本稿では, 乳がん診断の現実的応用のための, 対角的頑健な特徴学習法(ARFL)を提案する。
  論文  参考訳（メタデータ） (2024-02-13T20:02:34Z)
• Unsupversied feature correlation model to predict breast abnormal variation maps in longitudinal mammograms [1.6249398255272316]
  本研究は,乳腺異常の早期発見と診断の精度の向上に焦点を当てた。 縦2次元マンモグラフィーを用いて乳房異常変化を示す地図を生成するために, 新規な教師なし特徴相関ネットワークを開発した。 その結果,提案モデルは,精度,感度,特異性,Diceスコア,がん検出率において,ベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-28T01:37:55Z)
• Survey on Adversarial Attack and Defense for Medical Image Analysis: Methods and Challenges [64.63744409431001]
  医療画像解析における敵攻撃・防衛の進歩に関する総合的な調査を報告する。 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
  組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。 組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T11:04:04Z)
• 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)
• Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
  本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。 自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
  論文  参考訳（メタデータ） (2020-05-29T21:23:00Z)
• 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。