层次化自监督对抗训练：提升组织病理学中视觉模型的鲁棒性
计算机视觉与模式识别
2025-03-14 v1
摘要
对抗攻击对医疗等关键领域的视觉模型构成重大挑战，其中可靠性至关重要。尽管对抗训练在自然图像中已被广泛研究，但其在生物医学和显微图像中的应用仍然有限。现有的自监督对抗训练方法忽略了组织病理学图像的层次结构，其中患者-切片-补丁关系提供了有价值的判别信号。为了解决这一问题，我们提出层次化自监督对抗训练（HSAT），利用这些属性通过多层级对比学习构建对抗样本，并将其整合到对抗训练中以增强鲁棒性。我们在多类组织病理学数据集 OpenSRH 上评估 HSAT，结果表明 HSAT 优于生物医学和自然图像领域的现有方法。HSAT 增强了鲁棒性，在白箱设置下实现了平均 54.31% 的提升，在黑箱设置下将性能下降降至 3-4%，而基线为 25-30%。这些结果为该领域对抗训练设立了新基准，为更鲁棒的模型铺平了道路。我们的训练和评估代码可在 https://github.com/HashmatShadab/HSAT 获取。
引用
@article{arxiv.2503.10629,
title = {Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology},
author = {Hashmat Shadab Malik and Shahina Kunhimon and Muzammal Naseer and Fahad Shahbaz Khan and Salman Khan},
journal= {arXiv preprint arXiv:2503.10629},
year = {2025}
}