論文の概要: Is Mamba Reliable for Medical Imaging?

• arxiv url: http://arxiv.org/abs/2602.16723v1
• Date: Mon, 16 Feb 2026 21:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.249045
• Title: Is Mamba Reliable for Medical Imaging?
• Title（参考訳）: マンバは医療画像に信頼性があるか?
• Authors: Banafsheh Saber Latibari, Najmeh Nazari, Daniel Brignac, Hossein Sayadi, Houman Homayoun, Abhijit Mahalanobis,
• Abstract要約: 本稿では,複数のMedM-NIST分類ベンチマークにおいて,入力レベル攻撃下でのMambaの評価を行う。 脆弱性をプロファイルし、デプロイに防御が必要であることを示す正確性への影響を定量化します。
• 参考スコア（独自算出の注目度）: 4.7996643596626365
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: State-space models like Mamba offer linear-time sequence processing and low memory, making them attractive for medical imaging. However, their robustness under realistic software and hardware threat models remains underexplored. This paper evaluates Mamba on multiple MedM-NIST classification benchmarks under input-level attacks, including white-box adversarial perturbations (FGSM/PGD), occlusion-based PatchDrop, and common acquisition corruptions (Gaussian noise and defocus blur) as well as hardware-inspired fault attacks emulated in software via targeted and random bit-flip injections into weights and activations. We profile vulnerabilities and quantify impacts on accuracy indicating that defenses are needed for deployment.
• Abstract（参考訳）: Mambaのような状態空間モデルは、線形時間シーケンス処理と低メモリを提供しており、医療画像として魅力的である。 しかし、現実的なソフトウェアやハードウェアの脅威モデルの下での堅牢性はまだ未定である。 本稿では,White-box adversarial perturbations (FGSM/PGD), Occclusion-based PatchDrop,common acquisition corruptions (Gaussian noise and defocus blur) など,複数のMedM-NIST分類ベンチマークを用いて,重みとアクティベーションに対するターゲットおよびランダムビットフリップインジェクションによるソフトウェアにエミュレートされたハードウェアインスパイアされた障害攻撃の評価を行った。 脆弱性をプロファイルし、デプロイに防御が必要であることを示す正確性への影響を定量化します。

関連論文リスト

• Attack-Aware Deepfake Detection under Counter-Forensic Manipulations [0.30586855806896035]
  本研究は, 現実的な展開条件下でのロバスト性, 良好な校正可能性, 透明なエビデンスのために設計された, 攻撃対応のディープフェイクおよび画像解析検出器を提案する。 この方法は、2ストリームアーキテクチャにおけるレッドチームトレーニングとランダム化されたテストタイムディフェンスを組み合わせる。 その結果,アタック間のほぼ完全なランク付け,キャリブレーション誤差の低減,禁忌リスクの最小化,リグライン下でのタンパーの制御が示された。
  論文  参考訳（メタデータ） (2025-12-26T04:05:52Z)
• COBRA: Catastrophic Bit-flip Reliability Analysis of State-Space Models [6.546311951672279]
  私たちは、Mambaベースのアーキテクチャをターゲットにした最初のフレームワークであるRAMBOを紹介します。 我々は、1つの臨界ビットだけを反転させることで、破滅的に精度を74.64%から0%に下げ、18.94から3.75 x 106へとパープレキシティを増大させることができることを示した。
  論文  参考訳（メタデータ） (2025-12-14T09:50:44Z)
• On Evaluating Adversarial Robustness of Volumetric Medical Segmentation Models [59.45628259925441]
  体積医学セグメンテーションモデルは、臓器および腫瘍ベースのセグメンテーションタスクにおいて大きな成功を収めた。 敵の攻撃に対するその脆弱性はほとんど解明されていない。 このことは、既存のモデルの堅牢性を調べることの重要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-06-12T17:59:42Z)
• MedMamba: Vision Mamba for Medical Image Classification [0.0]
  視覚変換器(ViT)と畳み込みニューラルネットワーク(CNN)は医療画像分類タスクで広く研究され、広く利用されている。 近年の研究では、マンバで表される状態空間モデル(SSM)が、長距離依存を効果的にモデル化できることが示されている。 我々は、医用画像の一般的な分類のための最初のビジョンマンバであるメドマンバを提案する。
  論文  参考訳（メタデータ） (2024-03-06T16:49:33Z)
• Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
  本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。 Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-05T18:58:11Z)
• Defending Variational Autoencoders from Adversarial Attacks with MCMC [74.36233246536459]
  変分オートエンコーダ(VAE)は、様々な領域で使用される深部生成モデルである。 以前の研究が示すように、視覚的にわずかに修正された入力に対する予期せぬ潜在表現と再構成を生成するために、VAEを簡単に騙すことができる。 本稿では, 敵攻撃構築のための目的関数について検討し, モデルのロバスト性を評価する指標を提案し, 解決策を提案する。
  論文  参考訳（メタデータ） (2022-03-18T13:25:18Z)
• FIBA: Frequency-Injection based Backdoor Attack in Medical Image Analysis [82.2511780233828]
  本稿では,様々な医療画像解析タスクにおいて,攻撃を行うことのできる新しい周波数注入型バックドアアタック法(FIBA)を提案する。 具体的には、FIBAは、両方の画像のスペクトル振幅を線形に組み合わせることで、トリガー画像の低周波情報を有毒画像に注入できる周波数領域のトリガー関数を利用する。
  論文  参考訳（メタデータ） (2021-12-02T11:52:17Z)

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。