相关实验视频
Updated: Jul 16, 2026

09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
对抗性曝光对糖尿病视网膜病变的攻击 图像评分
IEEE journal of biomedical and health informatics
|September 27, 2024
概括
敌对暴露攻击可以通过视网膜底图像 (RFIs) 来欺骗用于诊断糖尿病视网膜病变 (DR) 的深度神经网络 (DNN). 这项研究引入了一种创新的攻击方法,可以生成现实的图像,突出显示自动化DR分级系统的风险.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是全球视力障碍的主要原因.
- 深度神经网络 (DNN) 越来越多地用于使用视网膜底图像 (RFIs) 的自动化DR分级.
- 摄像机在RFI中的曝光变化可能导致DNN错误分类,可能会恶化患者的结果.
研究的目的:
- 调查基于DNN的DR分级系统对针对图像曝光的对抗性攻击的脆弱性.
- 引入一种新的"对抗性曝光攻击"方法,用于生成具有自然外观的图像,从而误导DNN.
- 评估针对最先进的DR分级模型的拟议攻击的有效性和图像质量.
主要方法:
- 开发一种新的对抗性曝光攻击技术.
- 使用ResNet50,MobileNet和EfficientNet模型对公共DR数据集进行验证.
- 评估攻击成功率和生成图像的自然性.
主要成果:
- 拟议的对抗性曝光攻击成功误导了DR分级的最先进的DNN.
- 生成的图像保持了高视觉质量和自然外观.
- 该攻击显示了在不同的DNN架构中显著的可转移性.
结论:
- 基于DNN的自动化DR分级系统容易受到对抗性曝光攻击.
- 开发的攻击方法对当前DR诊断工具的可靠性构成潜在威胁.
- 这些发现强调了开发暴露强大的DR分级方法的必要性,以确保患者安全.

