对抗性攻击对儿科部超声波深度学习模型的影响
概括
敌对攻击揭示了儿童部超声波分析深度学习模型的漏洞. 应用对抗训练可以提高模型对微妙图像干扰的稳定性,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 机器学习模型容易受到对抗性攻击,其中微妙的图像干扰会降低性能.
- 反对训练可以增强对此类攻击的模型稳定性.
- 在儿科部超声波中对扫描充分性的评估对于诊断至关重要.
研究的目的:
- 调查深度学习模型对儿科部超声波图像的对抗性攻击的脆弱性.
- 提高这些模型的稳定性,使用对抗训练进行扫描充分性评估.
主要方法:
- 在卷积神经网络 (CNN) 模型 (AlexNet,ResNet,DenseNet,Inception,VGG) 中应用白盒对抗性攻击 (FGSM,PGD,BIM).
- 在两个儿科部超声波数据集 (DS1,DS2) 上训练模型.
- 通过降低精度来评估攻击效应,并将生成的图像用于对手训练.
主要成果:
- 所有测试的深度学习模型都对轻微的,视觉上不可察觉的扰动 (eps=0.2) 显示了灵敏度.
- 模型准确性下降了11-37%,而DenseNet受到影响最大.
- 在DS2上验证后,对抗性训练使模型准确度提高了2-6%.
结论:
- 对于儿科部超声波的深度学习模型容易受到微妙的图像干扰.
- 反对训练是提高这些模型的稳定性和可靠性的有效策略.
