Fugu-MT 論文翻訳(概要): Robust Training with Data Augmentation for Medical Imaging Classification

論文の概要: Robust Training with Data Augmentation for Medical Imaging Classification

arxiv url: http://arxiv.org/abs/2506.17133v1
Date: Fri, 20 Jun 2025 16:36:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-23 19:00:05.543481
Title: Robust Training with Data Augmentation for Medical Imaging Classification
Title（参考訳）: 医用画像分類のためのデータ拡張によるロバストトレーニング
Authors: Josué Martínez-Martínez, Olivia Brown, Mostafa Karami, Sheida Nabavi,
Abstract要約: ディープニューラルネットワークは、医療画像を用いて医療状況を検出し、診断するためにますます使われてきている。実用性にもかかわらず、これらのモデルは敵の攻撃や分散シフトに対して非常に脆弱である。医用画像分類における脆弱性を軽減するために,データ拡張による堅牢なトレーニングアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep neural networks are increasingly being used to detect and diagnose medical conditions using medical imaging. Despite their utility, these models are highly vulnerable to adversarial attacks and distribution shifts, which can affect diagnostic reliability and undermine trust among healthcare professionals. In this study, we propose a robust training algorithm with data augmentation (RTDA) to mitigate these vulnerabilities in medical image classification. We benchmark classifier robustness against adversarial perturbations and natural variations of RTDA and six competing baseline techniques, including adversarial training and data augmentation approaches in isolation and combination, using experimental data sets with three different imaging technologies (mammograms, X-rays, and ultrasound). We demonstrate that RTDA achieves superior robustness against adversarial attacks and improved generalization performance in the presence of distribution shift in each image classification task while maintaining high clean accuracy.
Abstract（参考訳）: ディープニューラルネットワークは、医療画像を用いて医療状況を検出し、診断するためにますます使われてきている。実用性にもかかわらず、これらのモデルは敵の攻撃や流通シフトに対して非常に脆弱であり、診断の信頼性に影響を与え、医療専門家の信頼を損なう可能性がある。本研究では,医療画像分類における脆弱性を軽減するために,RTDA(Data Augmentation)を用いた堅牢なトレーニングアルゴリズムを提案する。我々は,3つの異なる画像技術(マンモグラム,X線,超音波)を用いた実験データを用いて,対向的摂動とRTDAの自然変動に対する分類器の頑健さと,対向的トレーニングとデータ拡張アプローチを含む6つの競合するベースライン手法をベンチマークした。 RTDAは敵攻撃に対して優れた堅牢性を実現し,各画像分類タスクにおける分布シフトの存在下での一般化性能を向上させるとともに,高いクリーンさを維持した。

関連論文リスト

Federated Learning with LoRA Optimized DeiT and Multiscale Patch Embedding for Secure Eye Disease Recognition [2.1358421658740214]
本研究では,AIを用いた医用イメージングと疾患検出を先進的に進めるために,データ効率画像変換器(DeIT)を用いたアプローチを提案する。 AUC、F1スコア、精度、最小損失、トップ5の精度で最先端のパフォーマンスを実現している。 Grad-CAM++視覚化は、重要な病理領域を強調し、モデルの臨床的関連性を高めることにより、解釈可能性を向上させる。
論文参考訳（メタデータ） (2025-05-11T13:51:56Z)
Trustworthy image-to-image translation: evaluating uncertainty calibration in unpaired training scenarios [0.0]
マンモグラフィスクリーニングは乳がんの検出に有効な方法であり、早期診断を容易にする。ディープニューラルネットワークはいくつかの研究で有効であることが示されているが、その傾向は一般化と誤診のリスクをかなり残している。汎用性を向上させるために、未ペア型ニューラルスタイル転送モデルに基づくデータ拡張スキームが提案されている。 3つのオープンアクセスマンモグラフィーデータセットと1つの非医療画像データセットから解析した画像パッチを用いて、それらの性能を評価する。
論文参考訳（メタデータ） (2025-01-29T11:09:50Z)
StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文参考訳（メタデータ） (2024-08-11T01:22:29Z)
Adversarial-Robust Transfer Learning for Medical Imaging via Domain Assimilation [17.46080957271494]
医用画像が公開されていないため、現代のアルゴリズムは、大量の自然画像に基づいて事前訓練されたモデルに依存するようになった。自然画像と医療画像の間に重要なエムドメインの相違があり、AIモデルは敵の攻撃に対するエムの脆弱性を高める。本稿では,テクスチャと色適応を伝達学習に導入する Em ドメイン同化手法を提案する。
論文参考訳（メタデータ） (2024-02-25T06:39:15Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文参考訳（メタデータ） (2022-08-19T15:49:47Z)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
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)
Towards Robust General Medical Image Segmentation [2.127049691404299]
一般医用画像分割システムのロバスト性を評価するための新しい枠組みを提案する。 ROG(RObust Generic Medical Image segmentation)のための新しい格子アーキテクチャを提案する。以上の結果から,ROGはMSDの様々なタスクにまたがる一般化が可能であり,高度な敵攻撃下での最先端技術を上回ることが示唆された。
論文参考訳（メタデータ） (2021-07-09T07:17:05Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
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)

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。