Fight Fire With Fire: Reversing Skin Adversarial Examples by Multiscale Diffusive and Denoising Aggregation Mechanism

要約

信頼性の高い皮膚がん診断モデルは、早期スクリーニングと医療介入において重要な役割を果たします。
普及しているコンピューター支援皮膚がん分類システムは、ディープ ラーニング アプローチを採用しています。
しかし、最近の研究では、敵対的攻撃に対する極度の脆弱性が明らかになりました.
これらの脅威を軽減するために、この作業は、皮膚がん画像の敵対的摂動をリバース エンジニアリングすることにより、シンプルで効果的でリソース効率の高い防御フレームワークを提示します。
具体的には、マルチスケール画像ピラミッドが最初に確立され、医療画像ドメインの識別構造がより適切に保存されます。
敵対的な影響を中和するために、等方性ガウス ノイズを注入して敵対的なサンプルをクリーンなイメージ マニホールドに移動することにより、さまざまなスケールのスキン イメージを徐々に拡散させます。
重要なのは、敵対的ノイズをさらに逆転させ、冗長な注入ノイズを抑制するために、隣接するスケールからの画像情報を集約する新しいマルチスケール ノイズ除去メカニズムが慎重に設計されていることです。
最大の皮膚がんマルチクラス分類データセットである ISIC 2019 で、この方法の防御効果を評価しました。
実験結果は、提案された方法がさまざまな攻撃からの敵対的摂動を首尾よく逆転させ、皮膚がん診断モデルの防御においていくつかの最先端の方法よりも大幅に優れていることを示しています。

要約(オリジナル)

Reliable skin cancer diagnosis models play an essential role in early screening and medical intervention. Prevailing computer-aided skin cancer classification systems employ deep learning approaches. However, recent studies reveal their extreme vulnerability to adversarial attacks — often imperceptible perturbations to significantly reduce performances of skin cancer diagnosis models. To mitigate these threats, this work presents a simple, effective and resource-efficient defense framework by reverse engineering adversarial perturbations in skin cancer images. Specifically, a multiscale image pyramid is first established to better preserve discriminative structures in medical imaging domain. To neutralize adversarial effects, skin images at different scales are then progressively diffused by injecting isotropic Gaussian noises to move the adversarial examples to the clean image manifold. Crucially, to further reverse adversarial noises and suppress redundant injected noises, a novel multiscale denoising mechanism is carefully designed that aggregates image information from neighboring scales. We evaluated the defensive effectiveness of our method on ISIC 2019, a largest skin cancer multiclass classification dataset. Experimental results demonstrate that the proposed method can successfully reverse adversarial perturbations from different attacks and significantly outperform some state-of-the-art methods in defending skin cancer diagnosis models.

arxiv情報

著者 Yongwei Wang,Yuan Li,Zhiqi Shen
発行日 2022-08-22 14:52:06+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク