MAFL-Attack:一种针对基于深度学习的医学图像细分模型的有针对性的攻击方法
Junmei Sun1, Xin Zhang1, Xiumei Li1
1Hangzhou Normal University, School of Information Science and Technology, Hangzhou, China.
Journal of medical imaging (Bellingham, Wash.)
|July 21, 2025
概括
研究人员开发了MAFL-Attack以改善对深度学习医学图像细分的对抗性攻击. 这种方法提高了攻击的有效性和图像质量,加强了对误诊的模型稳定性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 深度学习模型对于通过图像分割进行计算机辅助医学诊断至关重要.
- 这些模型容易受到敌对攻击,可能导致错误诊断.
- 现有的对医疗图像细分的对抗性攻击缺乏有效性和图像质量.
研究的目的:
- 为基于深度学习的医学图像细分提出一种新的对抗性攻击方法.
- 解决现有方法的局限性,专注于有针对性的攻击和提高对抗性示例质量.
- 提高医疗图像细分模型对复杂攻击的稳定性.
主要方法:
- 引入了MAFL-Attack (动量驱动的适应性特征-共因相似性与低频制约攻击).
- 采用特征-共因相似性损失来破坏对抗性示例的模型理解.
- 利用低频组件约束,以提高无感知度和势头,并使用动态步骤大小来增强攻击.
主要成果:
- 与自适应细分面具攻击相比,MAFL-Attack表现出优越的目标攻击效果.
- 在各个指标上取得了更好的表现,包括对欧盟的交叉,准确性,L2,L-infinity,PSNR和SSIM.
- 生成了具有更好的攻击效率和图像质量的对抗性示例.
结论:
- 在对抗性攻击研究中,MAFL-Attack方法为医学图像细分提供了显著的进步.
- 调查结果强调了当前模型的脆弱性和需要强大的防御.
- 拟议的方法激发了防御策略的发展,以加强模型的弹性.
