通过域同化实现医学成像的对抗鲁棒迁移学习
计算机视觉与模式识别
2024-02-27 v1 机器学习
摘要
在医学成像领域，大量研究致力于利用其在发现患者关键诊断特征方面的潜力。人工智能（AI）驱动的医学诊断依赖复杂的机器学习和深度学习模型来分析、检测和识别医学图像中的疾病。尽管这些模型具有以高准确度为特征的卓越性能，但它们仍面临可信度问题。对原始图像引入细微扰动可使攻击者操纵预测输出，将其重定向到其他目标或非目标类别。此外，公开可用的医学图像稀缺构成了可靠训练的瓶颈，导致当代算法依赖于基于大量自然图像预训练的模型——这种做法被称为迁移学习。然而，自然图像与医学图像之间存在显著的域差异，这使得通过迁移学习得到的 AI 模型对对抗攻击表现出更高的脆弱性。本文提出了一种域同化方法，将纹理和颜色自适应引入迁移学习，随后加入纹理保留组件以抑制不必要的失真。我们系统分析了在不同数据模态下面对各种对抗攻击时迁移学习的性能，旨在增强医学成像任务中模型的鲁棒性和安全性。结果表明，该方法在降低攻击有效性方面具有高效性，有助于在生物医学应用中实现更可信的迁移学习。
引用
@article{arxiv.2402.16005,
title = {Adversarial-Robust Transfer Learning for Medical Imaging via Domain Assimilation},
author = {Xiaohui Chen and Tie Luo},
journal= {arXiv preprint arXiv:2402.16005},
year = {2024}
}
备注
28th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), May 2024, Taiwan