用于鲁棒三维医学图像分割的频域对抗训练
图像与视频处理
2023-07-21 v2 计算机视觉与模式识别
机器学习
摘要
在医疗健康等关键应用中，确保深度学习模型的鲁棒性至关重要。尽管深度学习的最新进展提升了三维医学图像分割模型的性能，但由于这些模型易受对抗攻击，无法立即部署于实际应用场景。我们提出了一种针对三维医学图像分割模型的频域对抗攻击，并展示了其相对于常规输入或体素域攻击的优势。利用我们所提出的攻击，我们引入了一种新颖的频域对抗训练方法，用于优化针对体素与频域攻击的鲁棒模型。此外，我们提出了频率一致性损失以约束频域对抗训练，从而在模型对干净样本与对抗样本的性能之间实现更好的权衡。代码已公开于 https://github.com/asif-hanif/vafa。
引用
@article{arxiv.2307.07269,
title = {Frequency Domain Adversarial Training for Robust Volumetric Medical Segmentation},
author = {Asif Hanif and Muzammal Naseer and Salman Khan and Mubarak Shah and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2307.07269},
year = {2023}
}
备注
This paper has been accepted in MICCAI 2023 conference