ICLRMar, 2020

深度神经网络分类器在乳腺癌筛查中的鲁棒性理解

PDF
TL;DR深度神经网络可用于乳腺癌筛查，但在应用时需要考虑输入扰动的鲁棒性，本文探究了针对自然图像的文献和针对乳腺 X 线摄影术图像的差异，通过测量受四种常见扰动影响的乳腺 X 线摄影术图像分类器的灵敏度，得出结论认为已有文献可供参考；本文同时提出了低通滤波的问题，这可能会影响乳腺癌的预测，因此，对于乳腺 X 线摄影术图像分类器来说，去除低通滤波对于诊断有利。
deep neural networksbreast cancerinput perturbationsmammogram imageslow-pass filtering
发现论文，激发创造
  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

    针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

    Mar, 2018

  • 深度神经网络的敏感性分析

    本文提出了一种新的扰动流形及其关联的影响度量方法，通过该方法可以量化各种扰动对 DNN 分类器的影响，主要应用于四个模型构建任务：检测异常值、分析模型体系结构的敏感性、比较训练和测试集之间的网络敏感性以及定位易受攻击的区域。实验证明，该方法在 CIFAR10 和 MNIST 数据集上的 ResNet50 和 DenseNet121 模型中具有较好的性能。

    Jan, 2019

  • 多视角深度卷积神经网络实现高分辨率乳腺癌筛查

    本文提出了使用多视角深度卷积神经网络处理高分辨率医学影像的方法，通过在大规模乳腺 X 线片筛查中测试，结果表明训练集大小和图像大小对准确预测的影响，模型的性能与放射学家委员会相当。

    Mar, 2017

  • 图像分类器的鲁棒性和不变性属性

    本文研究了深度神经网络在噪声环境中的鲁棒性和不变性，提出了快速计算稀疏对抗扰动和数据增强方法，与数据之间的特征联系起来，以实现更可靠的机器学习系统。

    Aug, 2022

  • 基于深度学习的压缩感知鲁棒性评估

    对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

    Feb, 2021

  • 深度神经网络的噪声响应分析评估其稳健性和结构恶意软件指纹

    本文提出了一种快速特征生成技术，可以对深度神经网络进行快速的安全检测，尤其是可以在几秒钟内检测出所谓的后门 (backdoors)，并且无需大量计算资源和训练数据。

    Jul, 2020

  • 利用深度卷积神经网络从乳房 X 光照片中分类乳房肿块

    使用卷积神经网络对乳腺 X 线摄影筛查中预分割乳腺肿块进行良恶性分类，通过转移学习、预处理和数据增强等方法优化模型，在 DDSM 数据集上取得最好的结果，超过了人类表现，并且展示了模型的可解释性。

    Dec, 2016

  • DeepCert: 神经网络图像分类器的上下文相关鲁棒性验证

    DeepCert 是一种通过支持真实世界图像扰动的编码和系统评估上下文相关的 DNN 鲁棒性以及通过生成上下文相关反例选择适合操作环境的 DNN 图像分类器的工具，可用于验证 DNN 图像分类器的健壮性。

    Mar, 2021

  • 人类与深度神经网络的泛化能力

    通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

    Aug, 2018