在医学图像细分中通过对比的多任务防御提高对抗性强度
1Department of Computer Science and Engineering, Indian Institute of Technology Indore, Indore, India.
概括
敌对攻击威胁到深度学习 (DL) 医疗图像分割 (MIS) 模型. 我们的新型CEASE防御,使用对比和多任务学习,显著提高MIS模型的对抗性弹性.
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 (DL) 模型对于医疗图像分割 (MIS) 是至关重要的.
- 敌对攻击降低了基于DL的MIS模型的性能和稳定性.
- 现有的防御在医疗领域效果较差.
研究的目的:
- 提出一种新的防御策略,即CEASE (对抗式多任务防御),以提高基于DL的MIS模型中的对抗性弹性.
- 研究对比和多任务学习的有效性,以提高医疗成像中对抗攻击的稳定性.
主要方法:
- CEASE集成了对比式学习,以确保清洁,对抗性和增强样本的类似特征学习.
- 采用多任务学习方法来生成通用特征表示并提高稳定性.
- 基于融合的防御巩固了对比和多任务学习,以获得最佳的对抗弹性.
主要成果:
- 在最先进的MIS模型中,CEASE显著提高了对抗性弹性.
- 拟议的防御可以减轻对手的攻击,达到高达0%的攻击成功率.
- CEASE在表现出适度的性能增长,同时提高了稳定性.
结论:
- CEASE有效地弥合了医学图像细分对抗防御的差距.
- 对比和多任务学习的整合为医疗保健中强大的DL模型提供了有希望的方向.
- CEASE 提供了一个强大的解决方案,用于保护医疗图像细分模型免受敌对攻击.
