迈向鲁棒通用医学图像分割
计算机视觉与模式识别
2021-07-12 v1
摘要
深度学习系统的可靠性不仅取决于其准确性，还取决于其抵御输入数据对抗扰动的鲁棒性。在自然图像领域，已有若干攻击与防御方法被提出，以提升深度神经网络在对抗噪声下的性能。然而，针对体数据的计算机辅助诊断中的鲁棒性仅在特定任务与有限攻击下得到探索。我们提出了一种评估通用医学图像分割系统鲁棒性的新框架。我们的贡献有两点：(i) 我们通过将近期 AutoAttack 自然图像分类框架扩展至体数据分割领域，提出了一种在医学分割十项全能(MSD)背景下评估鲁棒性的新基准；(ii) 我们提出了一种用于鲁棒通用医学图像分割(ROG)的新型点阵架构。我们的结果表明，ROG 能够泛化至 MSD 的不同任务，并在复杂对抗攻击下大幅超越当前最优(state-of-the-art)方法。
引用
@article{arxiv.2107.04263,
title = {Towards Robust General Medical Image Segmentation},
author = {Laura Daza and Juan C. Pérez and Pablo Arbeláez},
journal= {arXiv preprint arXiv:2107.04263},
year = {2021}
}
备注
Accepted at MICCAI 2021