增强深度网络在图像分割中的鲁棒性
图像与视频处理
2019-08-05 v1 计算机视觉与模式识别
摘要
目的：本研究旨在探究一种常用的图像分割卷积神经网络对视觉上细微的对抗性扰动的鲁棒性，并提出使这些网络对此类扰动更具鲁棒性的新方法。材料与方法：在这项回顾性研究中，研究了低级别和高级别胶质瘤受试者的脑肿瘤分割准确性。实现了一个三维 UNet 模型，将四个不同的 MR 序列（T1 加权、增强后 T1 加权、T2 加权和 T2 加权 FLAIR）分割为四个像素级标签（Gd 增强肿瘤、瘤周水肿、坏死和非增强肿瘤以及背景）。我们基于快速梯度符号法（FGSM）、迭代 FGSM（i-FGSM）和定向迭代 FGSM（ti-FGSM）开发了攻击策略，以产生有效的攻击。此外，我们探索了通过数据增强进行知识蒸馏和对抗训练以对抗对抗性攻击的有效性。通过使用 Wilcoxon 符号秩检验比较每种攻击方法的 Dice 系数来衡量鲁棒性。结果：基于 FGSM、i-FGSM 和 ti-FGSM 的攻击能有效显著降低图像分割质量，Dice 系数降低高达 65%。对于攻击防御，知识蒸馏的表现显著优于对抗训练方法。然而，与未受扰动的测试图像相比，所有防御方法的表现都更差。结论：分割网络可能会受到定向攻击的不利影响，这些攻击对现有图像引入视觉上微小（且可能无法检测）的修改。随着将深度学习技术应用于医学影像数据的兴趣日益增加，量化对抗性输入（有意或无意）的后果非常重要。
引用
@article{arxiv.1908.00656,
title = {Robustifying deep networks for image segmentation},
author = {Zheng Liu and Jinnian Zhang and Varun Jog and Po-Ling Loh and Alan B McMillan},
journal= {arXiv preprint arXiv:1908.00656},
year = {2019}
}