[論文レビュー] Synthetic Poisoning Attacks: The Impact of Poisoned MRI Image on U-Net Brain Tumor Segmentation

Tianhao Li, Tianyu Zeng+7 more|ArXiv.org|Feb 6, 2025

Forensic Toxicology and Drug Analysis被引用数 4

ひとこと要約

この論文は、GAN 合成 MRI データの訓練データへの混入割合が増えると、トレーニングに影響を与え、U-Net 脳腫瘍セグメンテーション性能が劣化する様子を調べている。

ABSTRACT

Deep learning-based medical image segmentation models, such as U-Net, rely on high-quality annotated datasets to achieve accurate predictions. However, the increasing use of generative models for synthetic data augmentation introduces potential risks, particularly in the absence of rigorous quality control. In this paper, we investigate the impact of synthetic MRI data on the robustness and segmentation accuracy of U-Net models for brain tumor segmentation. Specifically, we generate synthetic T1-contrast-enhanced (T1-Ce) MRI scans using a GAN-based model with a shared encoding-decoding framework and shortest-path regularization. To quantify the effect of synthetic data contamination, we train U-Net models on progressively "poisoned" datasets, where synthetic data proportions range from 16.67% to 83.33%. Experimental results on a real MRI validation set reveal a significant performance degradation as synthetic data increases, with Dice coefficients dropping from 0.8937 (33.33% synthetic) to 0.7474 (83.33% synthetic). Accuracy and sensitivity exhibit similar downward trends, demonstrating the detrimental effect of synthetic data on segmentation robustness. These findings underscore the importance of quality control in synthetic data integration and highlight the risks of unregulated synthetic augmentation in medical image analysis. Our study provides critical insights for the development of more reliable and trustworthy AI-driven medical imaging systems.

研究の動機と目的

• 医用画像セグメンテーションにおける合成データの頑健な評価を促す。
• 合成データの混入が U-Net 脳腫瘍セグメンテーション性能に及ぼす影響を定量化する。
• 性能が著しく低下する汚染閾値を特定する。
• 医用画像診断における安全で信頼できる AI の示唆を強調する。

提案手法

• ペアCT-MRIデータから共有エンコーダ・デコーダと最短経路正則化を用いた GAN で合成T1-Ce MRI 画像を生成する。
• 実データと合成画像を指定された割合で混在させた poisoned 訓練データセットを作成する（16.67% から 83.33%）。
• 実データ上でベースライン U-Net を訓練し、混入データごとに poisoned U-Net を訓練する。
• Dice、Jaccard、精度、感度を用いて実 MRI バリデーションセット上でモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 訓練データ中の合成データ割合の増加は U-Net 脳腫瘍セグメンテーション性能にどう影響するか？
• RQ2 性能劣化が顕著となる臨界割合はどれか？
• RQ3 Dice、Jaccard、精度、感度は高濃度の合成データ混入とともに一貫して低下するか？

主な発見

• 33.33% の合成データから 83.33% の合成データへと増やすと Dice が 0.8937 から 0.7474 へ低下。
• Jaccard と感度も合成データ割合の増加とともに同様の低下傾向を示す。
• 合成データの増加にもかかわらず精度は比較的安定している。
• 低い合成データ割合（≤33.33%）は比較的安定した性能を維持し、≥50% で顕著な劣化が生じる。