一种提高DNN在医疗图像细分和检测方面的对抗性强度的通用方法

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 计算机视觉 计算机视觉

背景情况:

• 深度神经网络 (DNN) 面临着来自对抗噪音的重大漏洞,影响性能和可靠性.
• 现有的对抗性培训方法通常仅限于图像分类,阻碍其在其他关键医学成像任务中的应用.
• 医学成像分析经常涉及细分和检测等任务,这与分类不同,需要量身定制的对抗性培训方法.

研究的目的:

• 调查适应医疗图像细分和检测现有对抗性培训方法的挑战.
• 修改并提出适用于各种医学成像分析任务的一般对抗性培训方法.
• 增强DNN在医学成像应用中的对抗性强度.

主要方法:

• 研究了当前针对细分和检测任务的对抗性培训技术的局限性.
• 适应和修改现有的对抗性培训方法,用于医学图像细分和检测.
• 开发并实施了一种新的,医学成像的一般对抗性培训框架.

主要成果:

• 成功地适应了对抗性培训方法,用于医疗图像细分和检测任务.
• 证明了拟议的一般对抗性训练方法的有效性.
• 验证了各种医学成像任务的方法,包括MRI细分,脑力测量地标检测和血液细胞检测.

结论:

• 提出的一般对抗性培训方法有效地提高了DNN在医疗图像细分和检测方面的稳定性.
• 反对训练可以成功地超越分类,以提高各种医学成像分析的可靠性.
• 这项工作为更强大的AI驱动的医疗图像分析工具提供了基础.