VoxShield：通过频谱感知跨切片干扰保护3D医学数据集免受未授权训练
计算机视觉与模式识别
2026-05-19 v1
摘要
3D医学图像分割（MIS）数据集的公开释放加速了临床研究，同时提升了未授权AI模型训练的风险。虽然不可逆示例（UE）通过注入不可察觉的扰动来提供保护，但现有方法主要针对2D场景，忽视了3D医学体积中固有的体积空间关联性和跨切片解剖一致性——这些是3D分割网络的关键学习偏置。为弥合这一差距，我们提出VoxShield，一个显著针对3D网络体积归纳偏置的UE框架。我们的核心洞察是，通过系统性地瓦解3D架构依赖的跨切片连续性，可从根本上破坏其空间聚合过程。具体而言，我们引入Inter-Slice Frequency Consistency Disruption机制，以最大化相邻切片之间的谱差异，注入沿z轴的结构不一致性。此外，我们还包含Semantic Prediction Disruption模块。通过最大化干净logits与扰动后logits之间的L1距离，该模块迫使注入的噪声渗透整个网络并破坏最终的语义映射。在BraTS19和FLARE21上的实验表明，VoxShield成功降低了3D分割性能，将DSC从80.0%降至接近0.0%，将DSC从88.6%降至6.8%。所有保护措施均以最小扰动（ε=4/255）实现，保持高视觉保真度。代码已公开于 https://github.com/KK266299/VoxShield。
引用
@article{arxiv.2605.17345,
title = {VoxShield: Protecting 3D Medical Datasets from Unauthorized Training via Frequency-Aware Inter-Slice Disruption},
author = {Xinyao Liu and Zhipeng Deng and Wenhan Jiang and Haolin Wang and Xun Lin and Yafei Ou and Yefeng Zheng},
journal= {arXiv preprint arXiv:2605.17345},
year = {2026}
}
备注
Submitted version to MICCAI 2026 (Provisional Accept)