基于深度学习的甲状腺结节超声分割对抗鲁棒性

引入：深度学习分割模型日益集成到临床影像工作流程中，但其对对抗扰动的鲁棒性仍未完全阐明，特别是针对超声图像。我们评估了对抗攻击和推理时防御措施，以应对甲状腺结节的 B 模式超声分割。方法：开发了两种黑箱对抗攻击：(1) 结构散粒放大攻击(SSAA)，注入边界靶向噪声；(2) 频率域超声攻击(FDUA)，在傅里叶域应用带通滤波相位扰动。评估了三种推理时缓解措施：随机预处理伴随测试时数据增强、确定性输入去噪、以及带一致性加权聚合的随机集成推理。在来自192个甲状腺结节数据库的 cine 片段上训练的 U-Net 分割模型上进行实验。结果：基线模型在未受扰动图像上获得平均 Dice 相似系数(DSC)为0.76(标准差0.20)。SSAA 将 DSC 降低0.29(标准差0.20)，但保持高视觉相似性(SSIM=0.94)。FDUA 导致较小的 DSC 降幅为0.11(标准差0.09)，视觉保真度较低(SSIM=0.82)。针对 SSAA，所有三种防御措施在校正后均显著提高了 DSC，其中确定性去噪显示最大恢复(+0.10，p<0.001)，随后是随机预处理(+0.09，p<0.001)，以及随机集成推理(+0.08，p=0.002)。没有任何防御措施对 FDUA 取得统计显著的改善。结论：超声分割中的空间域对抗扰动通过输入预处理实现部分缓解，而频率域扰动未被防御措施缓解，这凸显了针对不同模态进行对抗鲁棒性评估的挑战。