Impact of Adversarial Attack on Pediatric Hip Ultrasound Deep Learning Models
Notice bibliographique
Résumé
Adversarial attacks examine the vulnerability of machine learning models to images corrupted by varying levels of perturbations. Typically, these images are visually indistinguishable and can be used to evaluate the robustness of a given model to noise. Adversarial images can also be included in the training set to improve the robustness of the model. We examine adversarial attacks on classification models trained on pediatric hip ultrasound images and use these to improve model robustness in scan adequacy assessment. Three methods of white box adversarial attack-Fast Gradient Sign Method (FGSM), Projected Gradient Descent (PGD), and Basic Iterative Method (BIM)-were applied to classification networks trained on 2D pediatric hip ultrasound images. We trained popular convolutional neural network(CNN) models like AlexNet, ResNet, DenseNet, Inception, and VGG two hip image datasets(DS) from 108 (DS1) and 200(DS2) subjects. The effect of the adversarial attack was evaluated based on the reduction in accuracy. The images generated were used for adversarial training to refine the CNN models. All deep learning models were sensitive to even mild perturbations (eps=0.2), imperceptible to the human eye. Accuracy of DL models reduced by 11-37% with the highest drop in observed in the DenseNet model. Upon validation on DS2 the accuracy of DL models improved by 2-6% with adversarial trainingClinical Relevance- This work applies adversarial attacks to deep learning models trained on b-mode hip ultrasound images. Initial results suggest that mild perturbations to the ultrasound image data can result in significant changes in the predictions of classification models, and that the robustness of these models improves when adversarial training is applied.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».