Detecting and Mitigating Adversarial Attacks on Deep Learning-Based MRI Reconstruction Without Any Retraining

要約

ディープラーニング（DL）手法、特に物理駆動型DLに基づく手法は、サブサンプリングされた磁気共鳴画像（MRI）データを再構成するための最先端の手法となっている。しかし、これらの手法は、小さな敵対的入力摂動（攻撃）の影響を受けやすく、その結果、出力画像に大きな歪みが生じることが研究で示されている。このような攻撃の影響を低減するための様々な戦略が提案されているが、再学習が必要であり、また、非擾乱／清浄入力に対する再構成品質が低下する可能性がある。本研究では、再トレーニングを行うことなく、MRI再構成モデルに対する敵対的攻撃を検出し、緩和するための新しいアプローチを提案する。我々の検出戦略は、周期的計測の一貫性という考えに基づいている。モデルの出力は、異なるサブサンプリングパターンの別のMRI計測セットにマッピングされ、この合成データは同じモデルで再構成される。直感的には、攻撃がなければ、2回目の再構成は1回目の再構成と一致することが期待されるが、攻撃があれば、混乱が生じる。その後、この考え方を拡張して、攻撃入力の周りの小さなボール内で最小化される新しい目的関数を考案し、これを緩和する。実験の結果、本手法は、異なるデータセット、攻撃の種類／強さ、PD-DLネットワークにおいて、敵対的摂動の影響を大幅に低減し、再学習を伴う従来の緩和手法を定性的にも定量的にも上回ることが示された。

要約(オリジナル)

Deep learning (DL) methods, especially those based on physics-driven DL, have become the state-of-the-art for reconstructing sub-sampled magnetic resonance imaging (MRI) data. However, studies have shown that these methods are susceptible to small adversarial input perturbations, or attacks, resulting in major distortions in the output images. Various strategies have been proposed to reduce the effects of these attacks, but they require retraining and may lower reconstruction quality for non-perturbed/clean inputs. In this work, we propose a novel approach for detecting and mitigating adversarial attacks on MRI reconstruction models without any retraining. Our detection strategy is based on the idea of cyclic measurement consistency. The output of the model is mapped to another set of MRI measurements for a different sub-sampling pattern, and this synthesized data is reconstructed with the same model. Intuitively, without an attack, the second reconstruction is expected to be consistent with the first, while with an attack, disruptions are present. Subsequently, this idea is extended to devise a novel objective function, which is minimized within a small ball around the attack input for mitigation. Experimental results show that our method substantially reduces the impact of adversarial perturbations across different datasets, attack types/strengths and PD-DL networks, and qualitatively and quantitatively outperforms conventional mitigation methods that involve retraining.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL