論文の概要: Adversarial Attacks on Medical Hyperspectral Imaging Exploiting Spectral-Spatial Dependencies and Multiscale Features

• arxiv url: http://arxiv.org/abs/2601.07056v1
• Date: Sun, 11 Jan 2026 20:28:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.142449
• Title: Adversarial Attacks on Medical Hyperspectral Imaging Exploiting Spectral-Spatial Dependencies and Multiscale Features
• Title（参考訳）: 分光-空間依存性とマルチスケール特徴を有する医用ハイパースペクトルイメージングの逆攻撃
• Authors: Yunrui Gu, Zhenzhe Gao, Cong Kong, Zhaoxia Yin,
• Abstract要約: 医用ハイパースペクトルイメージング(HSI)は、リッチスペクトル空間組織情報をキャプチャすることで、正確な疾患診断を可能にする。 近年のディープラーニングの進歩は、医学的HSIの攻撃に対する脆弱性を露呈している。 本稿では,近隣の画素間の空間的相関を利用した局所的画素依存攻撃と,階層的なスペクトル空間空間スケールにまたがる特徴を摂動するマルチスケール情報攻撃からなる医療用HSIの対角攻撃フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.860949625058066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical hyperspectral imaging (HSI) enables accurate disease diagnosis by capturing rich spectral-spatial tissue information, but recent advances in deep learning have exposed its vulnerability to adversarial attacks. In this work, we identify two fundamental causes of this fragility: the reliance on local pixel dependencies for preserving tissue structure and the dependence on multiscale spectral-spatial representations for hierarchical feature encoding. Building on these insights, we propose a targeted adversarial attack framework for medical HSI, consisting of a Local Pixel Dependency Attack that exploits spatial correlations among neighboring pixels, and a Multiscale Information Attack that perturbs features across hierarchical spectral-spatial scales. Experiments on the Brain and MDC datasets demonstrate that our attacks significantly degrade classification performance, especially in tumor regions, while remaining visually imperceptible. Compared with existing methods, our approach reveals the unique vulnerabilities of medical HSI models and underscores the need for robust, structure-aware defenses in clinical applications.
• Abstract（参考訳）: 医用ハイパースペクトルイメージング(HSI)は、豊富なスペクトル空間組織情報をキャプチャすることで、正確な疾患診断を可能にするが、近年のディープラーニングの進歩は、その脆弱性を敵の攻撃にさらしている。 本研究は, 組織構造保存のための局所画素依存性への依存と, 階層的特徴符号化のためのマルチスケールスペクトル空間表現への依存の2つの根本的な原因を明らかにする。 これらの知見に基づいて,近隣の画素間の空間的相関を利用した局所的画素依存攻撃と,階層的なスペクトル空間スケールにまたがる特徴を摂動するマルチスケール情報攻撃からなる医療用HSIの対角攻撃フレームワークを提案する。 脳とMDCのデータセットを用いた実験では、我々の攻撃は、特に腫瘍領域における分類性能を著しく低下させつつも、視覚的に認識不能なままであることが示された。 既存の方法と比較して,医療用HSIモデルの特異な脆弱性を明らかにし,臨床応用における堅牢で構造に配慮した防御の必要性を浮き彫りにしている。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• CoRPA: Adversarial Image Generation for Chest X-rays Using Concept Vector Perturbations and Generative Models [2.380494879018844]
  医用画像分類タスクのためのディープラーニングモデルは、AI支援診断ツールで広く実装されている。 敵の攻撃に対する脆弱性は、患者の安全に重大なリスクをもたらす。 臨床に焦点を当てたブラックボックス攻撃フレームワークであるConcept-based Report Perturbation Attack (CoRPA)を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:14:31Z)
• 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)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• A Novel CropdocNet for Automated Potato Late Blight Disease Detection from the Unmanned Aerial Vehicle-based Hyperspectral Imagery [3.3283767441645478]
  晩発病はジャガイモの作物で最も破壊的な病気の1つであり、世界中で深刻な収量減少につながっている。 作物病の診断における現在の農業慣行は、個人のバイアスを受けるコスト、時間のかかる手動の視覚検査に基づいている。 近年の撮像センサー(RGB、多重スペクトルカメラ、ハイパースペクトルカメラなど)、リモートセンシング、機械学習は、この課題に対処する機会を提供する。
  論文  参考訳（メタデータ） (2021-07-28T11:18:48Z)
• Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
  ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。 本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。 また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
  論文  参考訳（メタデータ） (2020-07-17T01:56:28Z)

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。