基于扩散的特征去噪与NNMF用于鲁棒脑肿瘤分类
计算机视觉与模式识别
2026-04-21 v2
摘要
从磁共振成像（MRI）进行脑肿瘤分类在计算机辅助诊断系统中发挥着敏感角色。近年来，深度学习模型已实现高分类准确率。然而，其对对抗性扰动的敏感性已成为医疗应用中重要的可靠性 concern。本研究提出一种鲁棒脑肿瘤分类框架，结合非负矩阵分解（NNMF 或 NMF）、轻量级卷积神经网络（CNN）和基于扩散的特征去噪。初始处理MRI图像并转换为非负数据矩阵，从中提取紧凑且可解释的NNMF特征表示。统计指标包括 AUC、Cohen's d 和 p 值，用于排序和选择最具辨识力的成分。随后，在选定的特征组上训练轻量级CNN分类器。为提高对抗鲁棒性，引入基于扩散的特征空间净化模块。在分类之前使用前向噪声方法和学习去噪网络。通过使用 AutoAttack 创建的强大对抗攻击评估系统性能，包括干净准确率和鲁棒准确率。实验结果表明，所提出的框架在实现竞争性分类性能的同时，显著增强了对对抗性扰动的鲁棒性。我们的发现表明，将可解释的NNMF基于表示与轻量深度方法和基于扩散的防御技术相结合，可为在对抗条件下医学图像分类提供一种有效且可靠的解决方案。
引用
@article{arxiv.2603.13182,
title = {Diffusion-Based Feature Denoising and Using NNMF for Robust Brain Tumor Classification},
author = {Hiba Adil Al-kharsan and Róbert Rajkó},
journal= {arXiv preprint arXiv:2603.13182},
year = {2026}
}
备注
30 pages, 29 figures