[논문 리뷰] Adversarial Attack Driven Data Augmentation for Accurate And Robust Medical Image Segmentation

Mst. Tasnim Pervin, Linmi Tao외 3명|arXiv (Cornell University)|2021. 05. 25.

Adversarial Robustness in Machine Learning참고 문헌 19인용 수 8

한 줄 요약

이 논문은 적대적 공격—특히 FGSM 및 그 역함수(InvFGSM)—를 활용하여 의료 영상 분할을 위한 새로운 데이터 증강 기법을 제안한다. 이는 모델의 정확도와 내성 강도를 향상시킨다. 최소한의 노이즈를 갖는 적대적 예제를 생성하고, 역 FGSM를 적용하여 유익한 편향을 도입함으로써, U-Net 분할 성능을 IoU 기준 최대 6% 향상시키며 적대적 공격에 대한 내성 강도도 향상시킨다.

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.

연구 동기 및 목표

• 딥 러닝 기반 분할에서 부족한 표본이 있는 의료 영상 데이터 문제를 해결한다.
• 현실성과 일반화 능력이 떨어지는 전통적 데이터 증강 기법의 한계를 극복한다.
• 적대적 기계 학습을 위협이 아닌 데이터 증강 도구로 활용하여 모델의 일반화 능력을 향상시킨다.
• 유도된 예제를 활용한 적대적 훈련을 통해 적대적 공격에 대한 모델의 내성 강도를 향상시킨다.
• 역 FGSM가 손실 최소화와 분할 성능 향상에 기여하는 유익한 노이즈를 생성할 수 있음을 입증한다.

제안 방법

• 최소한의 노이즈(ε = 0.1)를 갖는 적대적 예제를 생성하기 위해 빠른 기울기 부호 방법(FGSM)을 적용하여 데이터 증강에 활용한다.
• 입력 데이터의 손실을 감소시키는 데 효과적인 새로운 기법으로 역 FGSM(InvFGSM)을 도입하여, 실제로는 유익한 편향을 추가한다.
• FGSM 및 InvFGSM로 생성된 예제를 모두 활용하여 훈련 데이터 크기를 두 배로 늘리고 과적합을 줄인다.
• 적대적 예제를 사용하여 U-Net 모델을 훈련시켜 내성 강도를 향상시키며, 훈련 중 실제 적대적 공격를 시뮬레이션한다.
• 표준 훈련 프로토콜을 적용: 다중 분류 교차 엔트로피 손실, SGD 옵티마이저, 학습률 0.1, 모멘타움 0.99, 배치 크기 16.
• 평가를 위해 대장암 CT 데이터셋(1285장, 128×128×3 해상도)을 사용한다.

실험 결과

연구 질문

• RQ1 FGSM와 같은 적대적 공격가 낮은 데이터 환경에서 분할 정확도 향상을 위한 데이터 증강 전략으로 재활용될 수 있는가?
• RQ2 FGSM의 역함수(InvFGSM)는 성능 향상에 기여하는 편향을 생성하는가, 아니면 성능 저하를 초래하는가?
• RQ3 FGSM 및 InvFGSM를 활용한 적대적 훈련이 적대적 공격에 대한 모델의 내성 강도를 어느 정도 향상시키는가?
• RQ4 다양한 편향 크기(ε)가 분할 성능 및 모델의 내성 강도에 어떤 영향을 미치는가?
• RQ5 이 적대적 증강 접근법은 다양한 의료 영상 작업 및 데이터셋에 일반화될 수 있는가?

주요 결과

• InvFGSM 기반 데이터 증강을 적용한 U-Net은 제30 에포크에 표준 U-Net보다 6% 높은 교차율(Intersection over Union, IoU)을 기록했다(0.8986 대 0.8084).
• U-Net + FGSM는 표준 U-Net 대비 약 3% 향상된 IoU를 기록했으며, 제30 에포크에 0.8394에 도달했다.
• InvFGSM 기반 증강이 FGSM 기반 증강보다 뛰어나 제30 에포크에 IoU 기준 2.5% 향상된 성능을 보였다.
• 적대적 훈련 이후, 강력한 공격 조건에서도 모델 성능을 유지했다: ε=0.118인 FGSM 공격 시 IoU는 0.8242로 상승(비훈련 시 0.7246에서 상승).
• InvFGSM 기반 훈련은 내성 강도를 크게 향상시켰으며, ε=0.118일 때 IoU는 0.8729를 기록했고, 비적대적 훈련 시 0.5841에 그쳤다.
• 이 방법은 적대적 노이즈를 조정하여 유익하게 활용할 수 있음을 입증했으며, ε=0.1일 때 시각적 인식 불가능성이 유지되었다.