具有层次特征隐藏的对立医学图像
IEEE transactions on medical imaging
|November 23, 2023
概括
医学成像中的对抗性示例 (AE) 是脆弱的. 一种新的层次特征约束 (HFC) 方法有效地隐藏了这些AE,绕过了当前的检测方法,并突出了反应防御中的缺陷.
科学领域:
- 医疗成像医学成像
- 深度学习安全 深度学习安全
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像的深度学习模型容易受到对抗性示例 (AE) 的影响,在临床环境中造成安全风险.
- 传统的对抗性攻击 (例如,PGD) 在特征空间中创建可检测的异常值,允许有效的反应性防御.
研究的目的:
- 调查传统医疗AE的特征,并重新评估现有的反应防御的可靠性.
- 开发一种新的方法,用于在医学成像中产生更隐蔽的对抗性示例.
主要方法:
- 理论证明显示常规攻击以固定方向优化特征,创建异常表示.
- 一个压力测试,比较医疗图像与自然图像的脆弱性.
- 对等级特征约束 (HFC) 的建议,这是对白盒攻击的补充,以在目标特征分布中嵌入AE.
主要成果:
- 医疗图像表现出一种独特的漏洞,可以用来隐藏AE.
- 拟议的HFC方法成功地隐藏了对抗性特征,绕过了最先进的医疗AE探测器.
- 在各种医疗数据集 (2D/3D,多种模式) 中,HFC在逃避检测方面优于竞争的自适应性攻击.
结论:
- 由于这些攻击的独特特征,对医疗AE的常规反应防御是不够的.
- 该HFC方法在生成医疗成像隐形对抗示例方面取得了重大进展.
- 研究结果强调,需要制定更强大,更适应的防御策略来应对医疗保健中复杂的对抗性攻击.
