针对医学高光谱成像的对抗攻击：利用光谱-空间依赖性和多尺度特征
计算机视觉与模式识别
2026-04-22 v2 人工智能
摘要
医学高光谱成像（MHSI）已显示出强大的潜力用于疾病诊断，通过捕获组织的光谱-空间信息。虽然深度学习显著提高了 MHSI 分类准确率，但其鲁棒性仍受限于深层神经网络（DNN）中众所周知的准确性与鲁棒性之间的权衡。这一问题在 MHSI 中尤为关键，因为可靠预测依赖于局部组织关系和多尺度光谱-空间结构。提高鲁棒性的实际方法是识别最不稳定的对抗样本并纳入对抗训练。然而，现有攻击方法未充分利用这些 MHSI 特定属性，导致攻击效果次佳且鲁棒性增强价值有限。为弥补这一差距，我们提出一种针对 MHSI 的结构化对抗攻击框架，逐步建模其局部光谱-空间依赖性和多尺度层次表示。该方法通过建模邻域依赖性和层次光谱-空间特征生成解剖学一致的扰动。脑部和choledoch数据集上的实验表明，我们的方法在关键肿瘤区域内更有效地降低了 lesion-related 分类性能，同时保持较低的扰动幅度。这些结果揭示了当前 MHSI 模型在临床层面上的鲁棒性薄弱性，并为开发针对性防御策略提供了更有力的对抗样本。
引用
@article{arxiv.2601.07056,
title = {Adversarial Attacks on Medical Hyperspectral Imaging Exploiting Spectral-Spatial Dependencies and Multiscale Features},
author = {Yunrui Gu and Zhenzhe Gao and Cong Kong and Jiawei Du and Zhaoxia Yin},
journal= {arXiv preprint arXiv:2601.07056},
year = {2026}
}