基于频率约束的对抗攻击深度神经网络用于医学图像分类
Fang Chen1, Jian Wang1, Han Liu2
1Key Laboratory of Brain-Machine Intelligence Technology, Ministry of Education, Nanjing University of Aeronautics and Astronautics, Nanjing China; College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing China.
Computers in biology and medicine
|July 29, 2023
概括
我们为人工智能医疗诊断系统开发了一种新的对抗性攻击方法. 这种基于频率的方法在各种医疗图像中创建了不可察觉的攻击,从而提高了AI的安全性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 网络安全 网络安全
背景情况:
- 医疗诊断中的AI系统需要强大的安全措施.
- 对抗性攻击对于测试和改善人工智能安全至关重要.
- 现有的攻击与各种医学成像模式和维度作斗争.
研究的目的:
- 为医学图像分类提出一种新的,统一的对抗性攻击方法.
- 为了确保对抗样本的不可察觉性和高含量相似性.
- 解决各种医学成像背景下现有方法的局限性.
主要方法:
- 引入了一种基于频率约束的对抗性攻击方法.
- 干扰被注入高频信息中,保留低频细节.
- 该方法在不同的数据集上进行了测试:3DCT,2DX射线和2D超声波 (乳腺,甲状腺).
主要成果:
- 与最先进的攻击相比,拟议的方法显示出更高的性能.
- 在各种医学成像模式和维度中产生了有效的对抗性攻击.
- 在攻击样本中保持了高含量相似性和不可感知性.
结论:
- 基于频率约束的方法为医疗AI中的对抗性攻击提供了多功能解决方案.
- 这种方法增强了人工智能驱动的医疗诊断系统的安全评估.
- 该方法适应不同类型的医学成像是一种显著的进步.


