基于GAN的医疗图像通过两级级联络框架检测小区域伪造

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 生成对抗网络 (GAN) 用于医疗图像增强.
• 基于GAN的攻击,就像CT-GAN一样,可以通过注射或去除病变来微妙地改医疗图像 (例如CT扫描).
• 对于现有的方法来说,检测这些小而微妙的改区域是具有挑战性的.

研究的目的:

• 提出一个强大的两级级级联框架,用于检测GAN操纵的医疗图像中的小区域伪造.
• 为了准确地分类被改的CT图像,并精确地定位伪造的区域.

主要方法:

• 一个局部检测阶段,使用深度可分离的卷积,残余网络和注意力机制的子图像来识别被改的区域.
• 全球分类阶段采用灰级共发生矩阵 (GLCM) 和无限维超平面进行分类.
• 将本地检测结果结合到热图中进行全球分析.

主要成果:

• 与最先进的检测技术相比,提出的方法显示出更高的性能.
• 该框架成功地检测和定位CT扫描中基于GAN的微妙伪造.
• 实验结果验证了两阶段方法的有效性.

结论:

• 开发的双级级联框架为检测基于GAN的医疗图像伪造提供了非常有效的解决方案.
• 该方法解决了在医学扫描中识别小,难以检测的改区域的挑战.
• 这项工作有助于提高医学成像分析的完整性和可靠性.