Jekyll：利用深度生成模型攻击医学图像诊断
密码学与安全
2021-04-07 v1 计算机视觉与模式识别
机器学习
摘要
深度神经网络（DNNs）的进展在医学领域展现出巨大前景。然而，助力该领域的深度学习工具也可能被用来对付它。鉴于医疗健康领域欺诈的普遍性，考虑 DNNs 在操纵对患者医疗健康至关重要的敏感数据方面的对抗性使用十分重要。在本工作中，我们提出并实现了一种基于 DNN 的针对生物医学图像的图像翻译攻击。更具体地，我们提出 Jekyll，一种神经风格迁移框架，它以患者的生物医学图像为输入，并将其翻译为指示攻击者选定疾病状况的新图像。基于此类生成的“伪造”医学图像进行欺诈性索赔的可能性很大，我们展示了对 X 射线和视网膜眼底图像两种模态的成功攻击。我们表明这些攻击能够误导医学专业人员和算法检测方案。最后，我们还研究了基于机器学习检测 Jekyll 生成图像的防御措施。
引用
@article{arxiv.2104.02107,
title = {Jekyll: Attacking Medical Image Diagnostics using Deep Generative Models},
author = {Neal Mangaokar and Jiameng Pu and Parantapa Bhattacharya and Chandan K. Reddy and Bimal Viswanath},
journal= {arXiv preprint arXiv:2104.02107},
year = {2021}
}
备注
Published in proceedings of the 5th European Symposium on Security and Privacy (EuroS&P '20)