Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

Search research articles

相关实验视频

Updated: Jan 14, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

在医学图像分类中对可解释深度学习的双重对抗性攻击.

Wanman Li¹, Wan Mohd Nazmee Wan Zainon¹

¹School of Computer Sciences, USM, 11700, Malaysia.

Computer methods and programs in biomedicine

|October 25, 2025

概括

医学成像中的可解释深度学习 (XDL) 系统容易受到双重对抗性攻击,这些攻击同时针对预测和解释. 这些攻击,使用微妙的干扰,可以破坏准确性和解释性,在临床环境中构成风险.

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

Case Report: IgG4-RD-related autoimmune pancreatitis combined with monoclonal gammopathy of undetermined significance.

Frontiers in immunology·2026

查看所有相关文章

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:

可解释的深度学习 (XDL) 提高了临床医生对医学图像分类的信心.
XDL模型容易受到影响预测和解释的对抗性扰动的影响.
现有的攻击单独针对预测或解释,而不是它们的合漏洞.

研究的目的:

提出双重对抗性攻击,同时针对预测和解释.
引入一种新的评估指标,即攻击成功率 (ASR),用于联合评估.
解决XDL在医学成像中的被忽视的合漏洞.

主要方法:

开发一个双重对抗性攻击框架,使用位置和Top-k攻击策略.
在L-无限约束下利用代梯度基础的优化,以对不可察觉的干扰进行优化.
使用ASR量化有效性,测量错误分类和解释扭曲.

主要成果:

双重攻击在各种医学成像数据集 (胸部X射线,基底镜,皮肤镜) 中始终实现高ASR.
在操纵预测和解释方面展示可靠的有效性和广泛的适用性.
实验涉及ResNet50,DenseNet121和EfficientNet-V2模型,其中包括集成梯度,GradCAM和ScoreCAM.

结论:

医学成像中的XDL系统表现出预测和解释的脆弱性.
不易察觉的干扰可以同时降低分类准确性和解释可靠性.
强调迫切需要防御,以保护临床应用中的准确性和可解释性.

关键词:

敌对的强度敌对的强度双重对抗性的攻击是双重的对抗性攻击.可解释的深度学习可以解释性解释性医学图像分类医学图像分类

相关实验视频

Last Updated: Jan 14, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022