MITS-GAN：利用生成对抗网络保护医学图像免受篡改
图像与视频处理
2024-10-07 v2 计算机视觉与模式识别
机器学习
摘要
生成模型（尤其是生成对抗网络）的进步为图像生成开辟了新可能性，但也引发了对潜在恶意使用的担忧，特别是在医学成像等敏感领域。本研究介绍了MITS-GAN，一种防止医学图像（特别是CT扫描）被篡改的新方法。该方法通过引入人眼不可察觉的精细调谐扰动来破坏攻击者CT-GAN架构的输出。具体而言，所提出的方法包括向输入引入适当的高斯噪声，作为抵御各种攻击的保护措施。我们的方法旨在增强防篡改能力，与现有技术相比具有优势。在CT扫描上的实验结果表明，MITS-GAN具有优越性能，强调了其生成具有可忽略伪影的防篡改图像的能力。由于医学领域的图像篡改会带来危及生命的风险，我们的主动方法有助于生成模型的负责任和合乎道德的使用。这项工作为未来应对医学成像网络威胁的研究奠定了基础。模型和代码公开于https://iplab.dmi.unict.it/MITS-GAN-2024/。
引用
@article{arxiv.2401.09624,
title = {MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative Adversarial Networks},
author = {Giovanni Pasqualino and Luca Guarnera and Alessandro Ortis and Sebastiano Battiato},
journal= {arXiv preprint arXiv:2401.09624},
year = {2024}
}