| عنوان مقاله به انگلیسی | MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative Adversarial Networks |
| عنوان مقاله به فارسی | MITS-GAN: حفاظت از تصویربرداری پزشکی در برابر دستکاری شبکه‌های متخاصم مولد |
| نویسندگان | Giovanni Pasqualino, Luca Guarnera, Alessandro Ortis, Sebastiano Battiato |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | The progress in generative models, particularly Generative Adversarial Networks (GANs), opened new possibilities for image generation but raised concerns about potential malicious uses, especially in sensitive areas like medical imaging. This study introduces MITS-GAN, a novel approach to prevent tampering in medical images, with a specific focus on CT scans. The approach disrupts the output of the attacker’s CT-GAN architecture by introducing imperceptible but yet precise perturbations. Specifically, the proposed approach involves the introduction of appropriate Gaussian noise to the input as a protective measure against various attacks. Our method aims to enhance tamper resistance, comparing favorably to existing techniques. Experimental results on a CT scan dataset demonstrate MITS-GAN’s superior performance, emphasizing its ability to generate tamper-resistant images with negligible artifacts. As image tampering in medical domains poses life-threatening risks, our proactive approach contributes to the responsible and ethical use of generative models. This work provides a foundation for future research in countering cyber threats in medical imaging. Models and codes are publicly available at the following link \url{https://iplab.dmi.unict.it/MITS-GAN-2024/}. |
| تعداد صفحات | 18 |
| چکیده به فارسی (ترجمه ماشینی) | پیشرفت در مدلهای تولیدی ، به ویژه شبکه های مخالف مولد (GAN) ، امکانات جدیدی را برای تولید تصویر باز کرد اما نگرانی در مورد استفاده های مخرب بالقوه ، به ویژه در مناطق حساس مانند تصویربرداری پزشکی ایجاد کرد.این مطالعه MITS-GAN ، یک رویکرد جدید برای جلوگیری از دستکاری در تصاویر پزشکی ، با تمرکز خاص روی اسکن های CT را معرفی می کند.این رویکرد با معرفی آشفتگی های غیرقابل درک اما در عین حال دقیق ، باعث ایجاد بازده معماری CT-GAN می شود.به طور خاص ، رویکرد پیشنهادی شامل معرفی نویز مناسب گاوسی به ورودی به عنوان یک اقدام محافظتی در برابر حملات مختلف است.روش ما با هدف تقویت مقاومت در برابر دستکاری ، مقایسه مطلوب با تکنیک های موجود است.نتایج تجربی در یک مجموعه داده سی تی اسکن ، عملکرد برتر MITS-GAN را نشان می دهد ، با تأکید بر توانایی آن در تولید تصاویر مقاوم در برابر دستکاری با مصنوعات ناچیز.از آنجا که دستکاری تصویر در حوزه های پزشکی خطرات تهدید کننده زندگی را ایجاد می کند ، رویکرد پیشگیرانه ما به استفاده مسئولانه و اخلاقی از مدلهای تولیدی کمک می کند.این کار پایه و اساس تحقیقات آینده در مقابله با تهدیدهای سایبری در تصویربرداری پزشکی را فراهم می کند.مدل ها و کدها به صورت عمومی در لینک زیر \ url {https://iplab.dmi.unict.it/mits-gan-2024/} در دسترس هستند. |
| دسته بندی موضوعات | Image and Video Processing,Computer Vision and Pattern Recognition,Machine Learning,پردازش تصویر و فیلم ، دید رایانه و تشخیص الگوی ، یادگیری ماشین ، |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.