基于卷积神经网络的腰椎间盘形状 MR 图像重建的对抗鲁棒性研究
图像与视频处理
2021-02-08 v1 计算机视觉与模式识别
机器学习
摘要
使用深度神经网络（DNNs）尤其是卷积神经网络（CNNs）的机器学习技术，已使许多应用中的自动化、准确且快速的医学图像分析成为现实，一些基于 DNN 的医学图像分析系统甚至已获 FDA 批准。尽管取得了进展，构建如人类专家医生般可靠的 DNN 仍具挑战。已知 DNN 分类器可能对噪声不鲁棒：通过向输入图像添加少量噪声，DNN 分类器可能对带噪图像（即分布内对抗样本）做出错误分类，而对干净图像分类正确。另一问题由与训练集中任何样本都不相似的分布外样本引起。以此类样本为输入时，DNN 的输出将变得无意义。在本研究中，我们考察了用于脊柱 MR 图像腰椎间盘形状重建的典型 CNN 的分布内（IND）与分布外（OOD）对抗鲁棒性。为研究数据集规模与 IND 对抗攻击鲁棒性之间的关系，我们采用数据增强方法创建具有不同形状变化水平的训练集。我们利用基于 PGD 的算法进行 IND 对抗攻击，并将其扩展用于 OOD 对抗攻击以生成 OOD 对抗样本进行模型测试。结果表明，IND 对抗训练可提升 CNN 对 IND 对抗攻击的鲁棒性，且更大的训练数据集可能带来更高的 IND 鲁棒性。然而，防御 OOD 对抗攻击仍具挑战。
引用
@article{arxiv.2102.02885,
title = {Adversarial Robustness Study of Convolutional Neural Network for Lumbar Disk Shape Reconstruction from MR images},
author = {Jiasong Chen and Linchen Qian and Timur Urakov and Weiyong Gu and Liang Liang},
journal= {arXiv preprint arXiv:2102.02885},
year = {2021}
}
备注
Published at SPIE Medical Imaging: Image Processing 2021