评估低剂量CT恢复的对抗鲁棒性

低剂量计算机断层扫描（CT）采集使用减少辐射或稀疏角度测量，以减少X射线辐射的有害影响。最近的工作成功地将深度网络应用于基准数据集上的低剂量CT恢复问题。然而，在临床环境中使用之前，需要对其鲁棒性进行彻底评估。在这项工作中，我们评估了不同深度学习方法以及经典方法在CT恢复中的鲁棒性。我们表明，深度网络，包括鼓励数据一致性的基于模型的网络，更容易受到非定向攻击。令人惊讶的是，我们观察到即使对于这些质量较差的重建，数据一致性也没有受到严重影响，这促使需要更好的网络正则化。我们证明了通用攻击的可行性，并研究了不同方法之间的攻击可迁移性。我们分析了针对临床相关区域局部变化的攻击的鲁棒性。经典方法和深度网络都受到此类攻击的影响，导致极小的扰动下局部病变的视觉外观发生变化。由于所得重建与原始测量具有高数据一致性，这些局部攻击可用于探索CT恢复问题的解空间。