用于检测医学图像深度伪造的深度卷积神经网络比较分析

生成对抗网络（GANs）在各种应用中展现了显著的进步，包括医学成像。尽管许多最先进的深度卷积神经网络（DCNN）架构以其高效的特征提取能力而闻名，但本文研究了它们在医学图像深度伪造检测中的有效性。主要目标是通过对13种最先进的DCNN进行全面评估，有效区分真实的医学图像与被篡改或操纵的医学图像。性能评估跨越多种评估指标，包括时间效率和计算资源需求的考量。我们的研究结果表明，ResNet50V2在精确率和特异性方面表现出色，而DenseNet169则以其准确率、召回率和F1分数而著称。我们研究了在特定场景下哪种模型更占优势。此外，MobileNetV3Large提供了有竞争力的性能，成为所考虑的DCNN模型中最快的，同时保持了相对较少的参数量。我们还评估了所检查的DCNN的潜在空间可分离性质量，显示DenseNet和EfficientNet模型系列具有优越性，并有助于更深入地理解医学图像深度伪造。本研究的实验分析为医学成像领域的深度伪造图像检测领域提供了宝贵的见解。