面向乳腺癌诊断的对抗鲁棒特征学习
图像与视频处理
2024-02-15 v1 机器学习
摘要
对抗数据可能导致深度学习应用出现故障。因此，必须开发针对对抗数据鲁棒且在标准干净数据上准确的深度学习模型。本研究中，我们提出了一种新颖的对抗鲁棒特征学习 (ARFL) 方法，用于乳腺癌诊断的实际应用。ARFL 利用标准数据和对抗数据进行对抗训练，其中将特征相关性度量纳入目标函数，以鼓励学习鲁棒特征并限制虚假特征。为展示 ARFL 在乳腺癌诊断中的效果，我们构建并评估了使用两个独立临床收集的乳腺成像数据集进行诊断模型，总计 9,548 张乳腺钛片图像。我们进行了大量实验，表明该方法优于多个最新方法，且该方法可以在临床环境中针对对抗攻击增强更安全的乳腺癌诊断。
引用
@article{arxiv.2402.08768,
title = {Adversarially Robust Feature Learning for Breast Cancer Diagnosis},
author = {Degan Hao and Dooman Arefan and Margarita Zuley and Wendie Berg and Shandong Wu},
journal= {arXiv preprint arXiv:2402.08768},
year = {2024}
}