論文の概要: Robust Detection of Directional Adversarial Attacks in Deep Neural Networks for Radiological Imaging

• arxiv url: http://arxiv.org/abs/2610.15628v1
• Date: Sun, 11 Oct 2026 13:58:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:31:27.781437
• Title: Robust Detection of Directional Adversarial Attacks in Deep Neural Networks for Radiological Imaging
• Title（参考訳）: 放射能イメージングのための深部ニューラルネットワークにおける指向性対向攻撃のロバスト検出
• Abstract要約: 研究によると、医療スキャンでは90%以上の攻撃が成功している。 2023年には、米国の病院の約30%が、画像撮影にAIを使用している。 ランダムノイズを用いた後続攻撃を利用した新しい検出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）: 1.1417929079399698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning is now central to radiology, helping detect changes on X-rays, CTs, and MRIs. However, these systems are highly vulnerable to adversarial attacks - small, crafted perturbations that mislead models while appearing unchanged to humans. Such errors risk missed cancers or false positives. Studies show over 90% attack success on medical scans. Almost 30% of US hospitals use AI in imaging in 2023. Thus, an effective method of detecting such attacks and their directionality is crucial to ensure the credibility and reliability of medical systems based on DNNs. We propose a novel detection framework that leverages subsequent attacks using random noise to identify adversarial perturbations. Our approach uses the analysis of variations in the Sigmoid function to distinguish genuine medical images from adversarially manipulated ones. Specifically, we compare prediction differences between clean and attacked images, as well as between different adversarially altered versions, to improve detection accuracy. We evaluated our method on three popular medical datasets including 'Chest X-Ray Images for Classification', 'Retinal Fundus Multi-disease Image Dataset' and 'Brain Tumor Dataset' under various attack scenarios, including random noise. Our framework achieved up to 99.8% ACC in identifying adversarial directional attacks, significantly outperforming existing defense mechanisms. It consistently identified adversarial samples across varying attack strengths while keeping false positives low, showing strong reliability and potential for clinical use. Furthermore, our proposal highlights its potential for real-world deployment.
• Abstract（参考訳）: 現在、深層学習は放射線学の中心であり、X線、CT、MRIの変化を検出するのに役立っている。 しかし、これらのシステムは敵の攻撃に非常に脆弱で、人間に変わらずモデルを誤解させる小さな人工の摂動である。 このようなエラーは、がんや偽陽性を見逃した。 研究によると、医療スキャンでは90%以上の攻撃が成功している。 2023年には、米国の病院の約30%が、画像撮影にAIを使用している。 したがって、DNNに基づく医療システムの信頼性と信頼性を確保するために、このような攻撃とその方向性を検出する効果的な方法が重要である。 そこで本稿では,ランダムノイズを用いたその後の攻撃を利用した新たな検出フレームワークを提案し,その逆の摂動を同定する。 本手法では,Sigmoid関数の変動解析を用いて,真正の医用画像と逆向きに操作した画像とを識別する。 具体的には、クリーン画像とアタック画像の予測差と、異なるバージョン間での予測差を比較し、検出精度を向上する。 我々は, ランダムノイズを含む様々な攻撃シナリオ下で, 「分類のための最重要X線画像」, 「網膜ファンドスマルチディスリーズ画像データセット」, 「脳腫瘍データセット」の3つの医用データセットについて評価を行った。 本フレームワークは,敵方向攻撃の同定において最大99.8%のACCを達成し,既存の防御機構よりも優れていた。 攻撃強度の異なる敵のサンプルを一貫して同定し, 偽陽性を低く保ち, 信頼性と臨床応用の可能性を示した。 さらに,本提案では,実環境への展開の可能性を強調した。

関連論文リスト

• Text-Guided Diffusion-Based Adversarial Attacks on Chest X-Ray Images [1.167393095135318]
  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。
  論文  参考訳（メタデータ） (2026-08-29T22:19:04Z)
• A Statistical Method for Attack-Agnostic Adversarial Attack Detection with Compressive Sensing Comparison [0.0]
  本稿では,ニューラルネットワークの展開前に検出基準を確立する統計的アプローチを提案する。 我々は、圧縮/非圧縮ニューラルネットワーク対の挙動を比較することにより、対向的存在の計量を生成する。 提案手法は, 最先端技術に対して試験され, 広範囲の攻撃に対してほぼ完全な検出が可能であった。
  論文  参考訳（メタデータ） (2025-10-03T04:05:20Z)
• Robust Training with Data Augmentation for Medical Imaging Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-20T16:36:39Z)
• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• 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)
• DFT-Based Adversarial Attack Detection in MRI Brain Imaging: Enhancing Diagnostic Accuracy in Alzheimer's Case Studies [0.5249805590164902]
  医療画像に対する敵対的な攻撃は、疾患の診断において誤分類を引き起こし、深刻な結果をもたらす可能性がある。 本研究では,アルツハイマー病関連画像に対する敵対的攻撃について検討し,これらの攻撃に対する防御方法を提案する。 提案手法では,畳み込みニューラルネットワーク(CNN)に基づくオートエンコーダアーキテクチャと2次元フーリエ変換を併用して検出を行う。
  論文  参考訳（メタデータ） (2024-08-16T02:18:23Z)
• 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)
• 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)
• Adversarial Attacks on Convolutional Neural Networks in Facial Recognition Domain [2.4704085162861693]
  Deep Neural Network(DNN)分類器を実生活で脆弱にする敵攻撃は、自動運転車、マルウェアフィルター、生体認証システムにおいて深刻な脅威となる。 我々はFast Gradient Sign Methodを適用し、顔画像データセットに摂動を導入し、異なる分類器で出力をテストする。 我々は、最小の敵対的知識を前提に、さまざまなブラックボックス攻撃アルゴリズムを顔画像データセット上に構築する。
  論文  参考訳（メタデータ） (2020-01-30T00:25:05Z)

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。