基于 GAN 的医学图像小区域伪造检测的两阶段级联框架
图像与视频处理
2022-05-31 v1 密码学与安全
计算机视觉与模式识别
摘要
利用生成对抗网络（GAN）\cite{RN90} 对医学图像进行数据增强，对许多计算机辅助诊断（CAD）任务有显著帮助。一种称为 CT-GAN 的新攻击已经出现。它可向 CT 扫描中注入或移除肺癌病灶。由于篡改区域甚至可能占原图像不到 1%，即便最先进的方法也难以检测此类篡改痕迹。本文提出一种级联框架来检测如 CT-GAN 般的基于 GAN 的医学图像小区域伪造。在局部检测阶段，我们用小子图像训练检测器网络，使真实区域的干扰信息不会影响检测器。我们使用深度可分离卷积与残差来防止检测器过拟合，并通过注意力机制增强发现伪造区域的能力。同一图像中所有子图像的检测结果将被合成为热力图。在全局分类阶段，利用灰度共生矩阵（GLCM）可更好地提取热力图特征。由于篡改区域的形状和大小不确定，我们训练了 PCA 与 SVM 方法用于分类。我们的方法能分类 CT 图像是否被篡改并定位篡改位置。充分的实验表明我们的方法可达到优异性能。
引用
@article{arxiv.2205.15170,
title = {GAN-based Medical Image Small Region Forgery Detection via a Two-Stage Cascade Framework},
author = {Jianyi Zhang and Xuanxi Huang and Yaqi Liu and Yuyang Han and Zixiao Xiang},
journal= {arXiv preprint arXiv:2205.15170},
year = {2022}
}