基于对抗学习生成智能图像以攻击分割 CNN
图像与视频处理
2019-09-26 v1 计算机视觉与模式识别
摘要
基于卷积神经网络（CNN）的深度学习方法已成功解决医学影像中的诸多问题，包括图像分割。近年来研究表明，CNN 易受攻击：输入图像被施加相对少量的噪声扰动后，CNN 便无法以足够精度分割被扰动的图像。因此，探索如何攻击基于 CNN 的模型以及防御模型免受攻击已成为热门课题，这也增进了对 CNN 性能与泛化能力的理解。然而，现有工作大多假设不切实际的攻击模型，即所得攻击是预先指定的。本文提出一种生成对抗样本以攻击医学图像中基于 CNN 的分割模型的新方法。我们的方法具有三个关键特征：1）生成的对抗样本呈现解剖学变异（以形变形式）以及表观扰动；2）对抗样本攻击分割模型，使 Dice 分数下降预先指定的量；3）攻击无需事先指定。我们在基于 CNN 的 2D CT 图像多器官分割方法上评估了本方法。结果表明，所提方法可用于攻击不同的基于 CNN 的分割模型。
引用
@article{arxiv.1909.11167,
title = {Intelligent image synthesis to attack a segmentation CNN using adversarial learning},
author = {Liang Chen and Paul Bentley and Kensaku Mori and Kazunari Misawa and Michitaka Fujiwara and Daniel Rueckert},
journal= {arXiv preprint arXiv:1909.11167},
year = {2019}
}