May, 2020

深度神经网络在检测 X 光胸部图像中 COVID-19 病例时的漏洞和普遍敌对攻击

PDF
TL;DR本研究针对新型冠状病毒肺炎（COVID-19）疫情下胸部 X 光计算机断层成像在筛查患者中的应用开展了探究，同时对基于深度神经网络的计算机辅助系统的脆弱性进行了评估。结果表明，该类系统存在对单一扰动敏感的缺陷，然而使用迭代算法生成的通用对抗扰动（UAP）能够引发 DNN 模型失败，影响诊断准确性。该研究希望通过研究 DNN 模型的安全隐患，推动 COVID-19 的自动化让诊断更加准确可靠。
covid-19chest x-raydeep neural networksadversarial attackscomputer-aided diagnosis
发现论文，激发创造
  • 基于对抗训练的鲁棒可解释性胸部 X 射线 COVID-19 诊断

    通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

    Nov, 2023

  • 一种用于 COVID-19 诊断的卷积神经网络模型设计

    使用 19 层 CNN 网络结构对 COVID-19 在胸部 X 光图像中的识别进行了研究，实验结果表明该方法优于现有的方法，可作为临床医生正确判断 COVID-19 的工具。

    Nov, 2023

  • 胸部 X 射线图像分类对抗攻击的漏洞分析

    本文探讨了两种深度学习模型在胸部 X 光图像分类中的应用。通过三种不同来源的敌对攻击方式，分析这两种分类网络在不同攻击下的性能，同时修改其汇聚操作以测量其对 Chest X 光分类的灵敏度。

    Jul, 2018

  • COVID-CAPS: 基于胶囊网络的 X 光图像 COVID-19 病例识别框架

    这篇研究论文提出了一种基于 Capsule Networks 的 COVID-CAPS 建模框架，旨在提高 COVID-19 的诊断能力，它能够处理小数据集，且准确率与特异性较之前基于 CNN 的模型更高。另外，通过对外部数据集的预训练，它的诊断能力可以进一步提高。

    Apr, 2020

  • 基于图像和声学技术的深度神经网络 COVID-19 检测与诊断：最新综述

    通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨，研究人员指出，基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎，从而实现对 COVID-19 的早期诊断和预防传播。同时，文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术，以限制 COVID-19 的传播。

    Dec, 2020

  • COVID-Net：面向胸片图像 COVID-19 病例检测的定制深度卷积神经网络设计

    研究针对 COVID-19 的放射学筛查方法，基于深度卷积神经网络设计了 COVID-Net 模型并开源，构建了以公开的 COVID-19 阳性病例最多的 COVIDx 数据集，通过模型的可解释性方法获得与 COVID 病例相关的要素，以提高放射学筛查效率和加速疾病的诊断与治疗。

    Mar, 2020

  • 利用 CNN 识别胸部 X 光成像中的 COVID-19 疾病

    研究利用卷积神经网络和胸部 X 射线图像对 COVID-19 进行快速而可靠的诊断，结果表明，使用三层卷积层的 CNN 模型可以高达 96% 的精度进行 COVID-19 的筛查。

    Sep, 2021

  • 使用 X 射线图像与深度卷积神经网络自动检测冠状病毒疾病（COVID-19）

    本研究提出基于卷积神经网络的五个预训练模型，使用胸部 X 射线放射状图像实现对冠状病毒肺炎感染者的检测，其中 ResNet50 模型表现最佳，对 Dataset-1、Dataset-2 和 Dataset-3 分别达到 96.1%、99.5% 和 99.7% 的准确率，拥有高效的诊断性能。

    Mar, 2020

  • 使用深度学习和迁移学习算法从 X 光和 CT 图像诊断 COVID-19 肺炎

    本研究旨在构建一个多来源的 X 线与 CT 扫描图像的综合数据集，在其中运用深度学习和迁移学习算法构建出高效、响应迅速的 COVID-19 诊断方法，实验表明该方法可以达到 98% 预训练网络准确率和 94.1% CNN 修改准确率。

    Mar, 2020

  • 使用迁移学习检测胸部 X 光图像中的 COVID19

    本文研究了使用迁移学习的方法，通过根据 VGG-16 和 VGG-19 的经典体系结构进行分类器块与超参数调整，以自动检测胸部 X 光图像中的 COVID-19。实验结果展示了迁移学习在医学成像领域中的实用性，不仅可以防止过拟合和收敛问题，还可以获得最优的分类性能。

    Apr, 2023