[論文レビュー] Adversarial Attack Driven Data Augmentation for Accurate And Robust Medical Image Segmentation

Mst. Tasnim Pervin, Linmi Tao+3 more|arXiv (Cornell University)|May 25, 2021

Adversarial Robustness in Machine Learning参考文献 19被引用数 8

ひとこと要約

本稿では、敵対的攻撃（特にFGSMおよびその逆数であるInvFGSM）を用いた医療画像セグメンテーションのための新規データ拡張手法を提案する。最小限のノイズを用いて敵対的例を生成し、逆FGSMを適用して有益な摂動を導入することで、U-Netのセグメンテーション性能を最大6%向上させ、敵対的攻撃に対する耐性を高める。

ABSTRACT

Segmentation is considered to be a very crucial task in medical image analysis. This task has been easier since deep learning models have taken over with its high performing behavior. However, deep learning models dependency on large data proves it to be an obstacle in medical image analysis because of insufficient data samples. Several data augmentation techniques have been used to mitigate this problem. We propose a new augmentation method by introducing adversarial learning attack techniques, specifically Fast Gradient Sign Method (FGSM). Furthermore, We have also introduced the concept of Inverse FGSM (InvFGSM), which works in the opposite manner of FGSM for the data augmentation. This two approaches worked together to improve the segmentation accuracy, as well as helped the model to gain robustness against adversarial attacks. The overall analysis of experiments indicates a novel use of adversarial machine learning along with robustness enhancement.

研究の動機と目的

• 深層学習ベースのセグメンテーションにおいて、アノテーション付き医療画像データが限られているという課題に対処する。
• 現実的でないか一般化能力に欠ける伝統的なデータ拡張技術の限界を克服する。
• 敵対的機械学習を脅威としてではなく、モデルの一般化を向上させるためのデータ拡張のツールとして活用することを検討する。
• 生成された例を用いた敵対的訓練により、敵対的攻撃に対するモデルの耐性を高める。
• 逆FGSMが損失最小化とセグメンテーション性能の向上に寄与する有益なノイズを生成できることを実証する。

提案手法

• 最小限のノイズ（ε = 0.1）を用いて、Fast Gradient Sign Method（FGSM）を適用し、データ拡張用の敵対的例を生成する。
• 入力データを変更して損失を低減する新規技術として、逆FGSM（InvFGSM）を導入し、有益な摂動を効果的に追加する。
• FGSMおよびInvFGSMによって生成された例を併用し、学習データのサイズを2倍に増やし、過学習を軽減する。
• 敵対的例を用いてU-Netモデルを訓練することで、実際の敵対的攻撃を模倣した耐性を向上させる。
• 標準的なトレーニングプロトコルを適用：カテゴリカル交差エントロピー損失、SGD最適化手法、学習率0.1、モーメンタム0.99、バッチサイズ16。
• 評価には、結腸がんCT画像データセット（1285枚、128×128×3解像度）を用いる。

実験結果

リサーチクエスチョン

• RQ1 FGSMのような敵対的攻撃を、データが少ない状況におけるセグメンテーション精度の向上に向けたデータ拡張戦略として再利用可能か？
• RQ2 FGSMの逆数（InvFGSM）は、モデル性能を低下させるのではなく、向上させる摂動を生成するか？
• RQ3 FGSMおよびInvFGSMを用いた敵対的訓練は、敵対的攻撃に対するモデルの耐性をどの程度向上させるか？
• RQ4 異なる摂動の大きさ（ε）は、セグメンテーション性能およびモデルの耐性にどのように影響するか？
• RQ5 この敵対的拡張アプローチは、異なる医療画像処理タスクおよびデータセットに一般化可能か？

主な発見

• InvFGSMを用いたU-Netは、エポック30時点で標準U-Net（0.8084）と比較して6%高い交差率（IoU）を達成した（0.8986）。
• FGSMを用いたU-Netは、標準U-Netと比較して約3%のIoU向上を達成し、エポック30時点で0.8394に到達した。
• InvFGSMベースの拡張はFGSMベースの拡張を上回り、エポック30時点でIoUが2.5%向上した。
• 敵対的訓練後、強力な攻撃に対しても高い性能を維持した：ε=0.118のFGSMでは、訓練なしの場合の0.7246から0.8242に向上した。
• InvFGSMベースの訓練により耐性が顕著に向上し、ε=0.118で0.8729のIoUを維持した（敵対的訓練なしでは0.5841）。
• この手法により、敵対的ノイズを調整して有益なものにできることが実証され、ε=0.1で視覚的非検出性が保持された。