基于DFT的MRI脑成像对抗攻击检测：提升阿尔茨海默病案例研究的诊断准确性

深度学习的最新进展，特别是在医学成像领域，显著推动了医疗系统的进步。然而，研究医学图像对抗攻击的鲁棒性至关重要，因其实际应用和对个体健康的深远影响。这些攻击可能导致疾病诊断的误分类，可能带来严重后果。许多研究已经探索了对医学图像实施对抗攻击以及开发防御这些威胁的机制，突显了深度神经网络对这类对抗活动的脆弱性。在本研究中，我们研究了针对阿尔茨海默病图像的对抗攻击，并提出了一种防御方法来对抗这些攻击。具体而言，我们研究了利用频域变换对阿尔茨海默病图像实施的对抗攻击，以及其他已知的对抗攻击。我们的方法利用基于卷积神经网络（CNN）的自编码器架构，结合图像的二维傅里叶变换进行检测。仿真结果表明，我们的检测和防御机制有效缓解了多种对抗攻击，从而增强了深度神经网络对这些漏洞的鲁棒性。