深度学习 MRI 重建中的无训练对抗攻击防御
计算机视觉与模式识别
2025-09-30 v3 机器学习
图像与视频处理
医学物理
摘要
深度学习 (DL) 方法已成为重建亚采样磁共振成像 (MRI) 数据的前沿方法。然而，研究表明，这些方法对小幅对抗输入扰动（即攻击）极其敏感，导致输出图像出现重大失真。已提出 various 策略来减少这些攻击的影响，但需要重新训练且可能降低非扰动/干净输入的重建质量。本文提出了一种无需重新训练即可缓解 MRI 重建模型对对抗攻击影响的新方法。基于循环测量一致性的思想，我们构思了一个在攻击输入附近小球内最小化的新型缓解目标。结果表明，我们的方法在不同数据集、攻击类型/强度和 PD-DL 网络之间显著降低了对抗扰动的影响，定性和定量分析均优于涉及重新训练的常规缓解方法。我们还引入了一个与小幅对抗扰动相关的实际场景，即模型对原始数据中的脉冲噪声具有不适应性，这与“鱼骨伪影”有关，表明我们方法在该情境下的适用性。最后，我们表明我们的缓解方法在两个“现实”扩展情境中仍然有效：一种是盲 setup，即攻击强度或算法对用户而言是未知的；另一种是自适应攻击 setup，即攻击者对防御策略拥有完整知识。
引用
@article{arxiv.2501.01908,
title = {Training-Free Defense Against Adversarial Attacks in Deep Learning MRI Reconstruction},
author = {Mahdi Saberi and Chi Zhang and Mehmet Akçakaya},
journal= {arXiv preprint arXiv:2501.01908},
year = {2025}
}