通过多尺度扩散与去噪聚合机制反转皮肤癌对抗样本

可靠的皮肤癌诊断模型在早期筛查与医疗干预中起着至关重要的作用。主流的计算机辅助皮肤癌分类系统采用深度学习方法。然而，近期研究揭示了它们对对抗攻击的极度脆弱性——常是不可察觉的扰动显著降低了皮肤癌诊断模型的性能。为缓解这些威胁，本工作通过反向工程皮肤癌图像中的对抗扰动，提出了一种简单、有效且资源高效的防御框架。具体而言，首先建立多尺度图像金字塔以更好地保留医学影像领域中的判别性结构。为中和对抗效应，随后通过注入各向同性高斯噪声对不同尺度的皮肤图像进行逐步扩散，将对抗样本移至干净图像流形。关键在于，为进一步反转对抗噪声并抑制冗余的注入噪声，精心设计了新颖的多尺度去噪机制，该机制聚合来自邻近尺度的图像信息。我们在最大的皮肤癌多分类数据集 ISIC 2019 上评估了我们所提方法的防御有效性。实验结果表明，该方法能成功反转来自不同攻击的对抗扰动，并在防御皮肤癌诊断模型方面显著优于一些最先进（SOTA）的方法。