真实扰动下 MR 图像重建的对抗鲁棒性
图像与视频处理
2022-08-08 v1 计算机视觉与模式识别
摘要
深度学习方法在解决病态逆问题（如从欠采样 -空间数据重建 MR 图像）方面已显示出有前景的结果。然而，这些方法目前对重建质量没有保证，且此类算法的可靠性仅被很少理解。对抗攻击为理解基于 DL 的重建算法可能的失效模式和最坏情况性能提供了有价值的工具。在本文中，我们描述了针对多线圈 -空间测量的对抗攻击，并在最近提出的 E2E-VarNet 和一个更简单的基于 UNet 的模型上进行了评估。与先前工作不同，这些攻击旨在专门改变诊断相关区域。使用两种真实攻击模型（对抗 -空间噪声和对抗旋转），我们能够表明当前最先进的基于 DL 的重建算法确实对这类扰动敏感，其程度可能导致相关诊断信息丢失。令人惊讶的是，在我们的实验中，UNet 和更复杂的 E2E-VarNet 对此类攻击的敏感度相似。我们的发现进一步增添了证据，表明在基于 DL 的方法接近临床实践时必须谨慎。
引用
@article{arxiv.2208.03161,
title = {Adversarial Robustness of MR Image Reconstruction under Realistic Perturbations},
author = {Jan Nikolas Morshuis and Sergios Gatidis and Matthias Hein and Christian F. Baumgartner},
journal= {arXiv preprint arXiv:2208.03161},
year = {2022}
}
备注
Accepted at the MICCAI-2022 workshop: Machine Learning for Medical Image Reconstruction