面对攻击的脑肿瘤分类器：ResNet变体对可迁移FGSM和PGD攻击的鲁棒性
计算机视觉与模式识别
2026-02-13 v1 人工智能
摘要
深度学习模型在脑肿瘤分类中的对抗鲁棒性仍是一个未被充分探讨却又至关重要的挑战，尤其是对于临床部署涉及MRI数据的情形。在本研究中，我们检验了几种基于ResNet架构的模型——即BrainNet、BrainNeXt和DilationNet——对梯度基方法的对抗攻击（包括FGSM和PGD）的易受性与抗性。这些模型分别基于ResNet、ResNeXt和膨胀ResNet变体，在三种预处理配置下进行评估：（i）全尺寸增强、（ii）缩小增强和（iii）缩小非增强MRI数据集。我们的实验表明，BrainNeXt模型在对抗黑盒攻击方面表现最佳，可能是由于其增加的基数所致，尽管其产生的可迁移对抗样本较弱。相比之下，BrainNet和Dilation模型对彼此的攻击更为脆弱，尤其是在PGD攻击中使用更高的迭代步骤和α值时。值得注意的是，缩小数据集和非增强数据显著降低了模型的鲁棒性，即使未被篡改的测试准确率仍然较高，这凸显了输入分辨率与对抗脆弱性之间的关键权衡。这些结果凸显了在脑部MRI分析中可靠部署的实际要求，必须同时评估分类性能和对抗鲁棒性。
引用
@article{arxiv.2602.11646,
title = {Brain Tumor Classifiers Under Attack: Robustness of ResNet Variants Against Transferable FGSM and PGD Attacks},
author = {Ryan Deem and Garrett Goodman and Waqas Majeed and Md Abdullah Al Hafiz Khan and Michail S. Alexiou},
journal= {arXiv preprint arXiv:2602.11646},
year = {2026}
}