通过总变量最小化和基于补丁的规范化来消除X射线图像中的对立噪声,以实现基于深度学习的稳健诊断
Burhan Ul Haque Sheikh1, Aasim Zafar2
1Department of Computer Science, Aligarh Muslim University, Uttar Pradesh, Aligarh, 202002, India. sbuhaque@myamu.ac.in.
Journal of imaging informatics in medicine
|June 17, 2024
概括
对于COVID-19诊断的深度学习模型容易受到敌对攻击. 一种新的无色化方法显著提高了X射线图像的精度,提高了AI诊断系统的可靠性.
科学领域:
- 医疗成像中的人工智能
- 放射学 放射学是一门学科.
- 深度学习用于疾病诊断和诊断
背景情况:
- 深度学习通过使用医学图像提高了基于放射学的疾病诊断准确性.
- 随着COVID-19的流行,人们越来越需要人工智能驱动的快速诊断.
- 敌对攻击对医学应用中的深度学习模型可靠性构成重大威胁.
研究的目的:
- 引入一种全新的总变异最小化方法,以减轻COVID-19诊断的X射线图像中的对抗噪声.
- 为了评估 denoising 技术在提高人工智能模型对抗对手攻击的性能方面的有效性.
主要方法:
- 使用转移学习开发了一个分类模型,用于从肺部X射线检测COVID-19肺炎.
- 该模型对对抗性攻击的脆弱性使用快速梯度信号梯度 (FGSM) 方法进行了评估.
- 在对抗性X射线图像中,采用了基于总变异最小化的染方法.
主要成果:
- 敌对攻击使模型准确度从95.56%降至19.83%.
- 拟议的Denoising方法显著提高了对抗图像的准确性,将其提高到88.23%.
- 无毒化方法在恢复诊断性能方面表现出很高的有效性.
结论:
- 拒绝技术可以有效地提高基于AI的COVID-19诊断系统对抗敌对攻击的弹性.
- 该研究为在临床环境中部署强大的AI诊断工具提供了基础.
- 总变化最小化是确保医学成像中的深度学习模型的有希望的策略.
