論文の概要: Text-Guided Diffusion-Based Adversarial Attacks on Chest X-Ray Images

• arxiv url: http://arxiv.org/abs/2608.29456v1
• Date: Sat, 29 Aug 2026 22:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.972739
• Title: Text-Guided Diffusion-Based Adversarial Attacks on Chest X-Ray Images
• Title（参考訳）: テキスト誘導拡散法による胸部X線画像の逆方向攻撃
• Abstract要約: 本稿では,拡散生成器とターゲット分類器を凍結したまま,学習可能なテキスト条件付けを最適化するテキスト誘導拡散ベース対向フレームワークを提案する。 AUROCはバイナリ分類では0.3885-0.5646、マルチディスリーズ設定では0.4441-0.4878に低下した。 これらの結果は、人間と機械の解釈に臨床的に重要な相違があることを示し、従来のピクセル空間攻撃を超えて、医療AIの堅牢性評価を拡張する必要性を示している。
• 参考スコア（独自算出の注目度）: 1.167393095135318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As artificial intelligence is increasingly integrated into chest X-ray (CXR) interpretation, triage, and clinical decision support, understanding its vulnerability to adversarial manipulation is critical for safe deployment. Existing robustness evaluations, however, predominantly rely on pixel-space attacks that introduce numerically constrained perturbations but may not represent plausible radiographic variation. This limitation is particularly important in multi-disease CXR classification, where models simultaneously evaluate multiple overlapping pathologies and adversarial failures may alter several diagnostic predictions. We propose a text-guided diffusion-based adversarial framework that optimizes learnable text conditioning while keeping the diffusion generator and target classifier frozen, enabling adversarial generation through a learned image prior rather than direct pixel manipulation. We evaluate the framework across multiple classifier architectures in both binary atelectasis and multi-disease CXR classification and compare it with FGSM, PGD, and Carlini-Wagner attacks. Our approach consistently produced the greatest degradation in classifier performance, reducing AUROC to 0.3885-0.5646 in binary classification and 0.4441-0.4878 in the multi-disease setting, while achieving superior image fidelity (SSIM 0.9080, LPIPS 0.1670, FID 51.23). Importantly, clinician interpretation remained unchanged for 95.9% of binary and 73.8% of multi-disease adversarial images despite substantial changes in model predictions. These findings reveal a clinically important discrepancy between human and machine interpretation and demonstrate the need to extend medical AI robustness evaluation beyond conventional pixel-space attacks toward generative threat models that can expose failures under visually and clinically plausible image variations.
• Abstract（参考訳）: 人工知能は、胸部X線(CXR)の解釈、トリアージ、臨床決定支援にますます統合されているため、敵の操作に対する脆弱性を理解することは安全な配備に不可欠である。 しかし、既存のロバスト性評価は、主に数値的に制約された摂動を導入したピクセル空間攻撃に頼っている。 この制限はCXR分類において特に重要であり、モデルが重なり合う複数の病態と相反する障害を同時に評価することで、いくつかの診断予測が変更される可能性がある。 拡散生成器とターゲット分類器を凍結したまま、学習可能なテキストコンディショニングを最適化し、直接ピクセル操作よりもむしろ学習画像による逆生成を可能にする。 複数分類器アーキテクチャを対象としたフレームワークの評価を行い,FGSM,PGD,Carini-Wagner攻撃との比較を行った。 AUROC はバイナリ分類では 0.3885-0.5646 ,マルチディスリーズ設定では 0.4441-0.4878 となり,画像の忠実度は SSIM 0.9080,LPIPS 0.1670, FID 51.23) に向上した。 重要なことに、臨床解釈は、モデル予測が大幅に変化したにもかかわらず、95.9%のバイナリと73.8%のマルチディスクの逆画像で変化しなかった。 これらの結果から、人間の解釈と機械解釈の臨床的に重要な相違が明らかとなり、画像の視覚的および臨床的に妥当な変化の下で失敗を露呈できる生成的脅威モデルに対する従来の画素空間攻撃を超えて、医療AIの堅牢性評価を拡張する必要性が示された。

関連論文リスト

• Exponential Pixelating Integral transform with dual fractal features for enhanced chest X-ray abnormality detection [3.2548794659022398]
  呼吸器疾患(特に新型コロナウイルスによる増悪)の流行は、早期発見とタイムリーな介入の必要性を浮き彫りにしている。 医学的には、胸部X線撮影は多様な呼吸障害の重症度を診断し、評価するために必要かつ経済的に有効な医療画像撮影アプローチである。 胸部X線における感染を自動的に検出するための新しい分析モデルであるExponential Pixelating Integralが導入された。
  論文  参考訳（メタデータ） (2026-09-10T02:10:23Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• POWDR: Pathology-preserving Outpainting with Wavelet Diffusion for 3D MRI [7.901173149711112]
  POWDRは、条件付きウェーブレット拡散モデルに基づく3次元MRIのための病理保存アウトペイントフレームワークである。 提案手法はウェーブレット領域の条件付けを利用して,遅延拡散モデルでよく見られる高周波ディテールとぼやけを増大させる。
  論文  参考訳（メタデータ） (2026-01-14T00:20:13Z)
• Lightweight Relational Embedding in Task-Interpolated Few-Shot Networks for Enhanced Gastrointestinal Disease Classification [0.0]
  大腸癌の検出は、患者の生存率を高めるために重要である。 大腸内視鏡は、適切な高品質の内視鏡画像を取得することに依存する。 Few-Shot Learning アーキテクチャにより、我々のモデルは、目に見えないきめ細かな内視鏡画像パターンに迅速に適応できる。 精度は90.1%,精度は0.845,リコールは0.942,F1スコアは0.891であった。
  論文  参考訳（メタデータ） (2025-05-30T16:54:51Z)
• DCAT: Dual Cross-Attention Fusion for Disease Classification in Radiological Images with Uncertainty Estimation [0.0]
  本稿では,医用画像解析のための新しい二重対向核融合モデルを提案する。 機能統合と解釈可能性における重要な課題に対処する。 提案されたモデルはAUCの99.75%、100%、99.93%、98.69%、AUPRの99.81%、100%、99.97%、96.36%をそれぞれコビッド19、結核、肺炎胸部X線画像、網膜CT画像で達成した。
  論文  参考訳（メタデータ） (2025-03-14T20:28:20Z)
• 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)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。