通过修改超声图像重建方法对脂肪肝疾病分类深度学习模型的对抗攻击
图像与视频处理
2020-09-09 v1 计算机视觉与模式识别
医学物理
摘要
卷积神经网络（CNNs）在医学图像分析任务中取得了显著成功。在超声（US）成像中，CNNs 已被应用于目标分类、图像重建与组织表征。然而，CNNs 易受对抗攻击，即便施加于输入数据的微小扰动也可能显著影响模型性能并导致错误输出。在本工作中，我们设计了一种针对超声（US）成像的新型对抗攻击。US 图像基于射频信号重建。由于 US 图像的外观取决于所应用的图像重建方法，我们探索了通过扰动 US B 超图像重建方法来欺骗深度学习模型的可能性。我们应用零阶优化来寻找与衰减补偿和幅度压缩相关的图像重建参数的微小扰动，其可导致错误输出。我们使用为脂肪肝疾病诊断开发的深度学习模型来展示我们的方法，其中所提对抗攻击取得了 48% 的成功率。
引用
@article{arxiv.2009.03364,
title = {Adversarial attacks on deep learning models for fatty liver disease classification by modification of ultrasound image reconstruction method},
author = {Michal Byra and Grzegorz Styczynski and Cezary Szmigielski and Piotr Kalinowski and Lukasz Michalowski and Rafal Paluszkiewicz and Bogna Ziarkiewicz-Wroblewska and Krzysztof Zieniewicz and Andrzej Nowicki},
journal= {arXiv preprint arXiv:2009.03364},
year = {2020}
}
备注
4 pages, 3 figures