[论文解读] 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 8

一句话总结

本文提出了一种新颖的医学图像分割数据增强方法，利用对抗性攻击（特别是FGSM及其逆向版本InvFGSM）来提升模型的准确率与鲁棒性。通过使用极小噪声生成对抗性样本，并应用逆向FGSM引入有益扰动，该方法使U-Net分割性能在IoU指标上最高提升6%，并增强了对对抗性攻击的鲁棒性。

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.

研究动机与目标

• 解决基于深度学习的分割任务中医学图像标注数据有限的挑战。
• 克服传统数据增强技术缺乏真实感与泛化能力的局限性。
• 探索对抗性机器学习不仅作为威胁，更作为提升模型泛化能力的数据增强工具。
• 通过使用生成样本进行对抗性训练，提升模型对对抗性攻击的鲁棒性。
• 证明逆向FGSM能够生成有益噪声，从而改善损失最小化与分割性能。

提出的方法

• 应用快速梯度符号法（FGSM）生成最小噪声（ε = 0.1）的对抗性样本，用于数据增强。
• 提出一种新颖技术——逆向FGSM（InvFGSM），通过修改输入数据以降低损失，有效引入有益扰动。
• 同时使用FGSM与InvFGSM生成的样本，将训练数据规模加倍，减少过拟合。
• 使用对抗性样本训练U-Net模型，以提升鲁棒性，并在训练过程中模拟真实对抗性攻击。
• 采用标准训练协议：分类交叉熵损失，SGD优化器，初始学习率0.1，动量0.99，批量大小16。
• 使用结肠癌CT数据集（1285张图像，分辨率128×128×3）进行评估。

实验结果

研究问题

• RQ1 对抗性攻击（如FGSM）能否被重新用作数据增强策略，以在低数据环境下提升分割准确率？
• RQ2 FGSM的逆向（InvFGSM）是否生成能提升而非降低模型性能的扰动？
• RQ3 使用FGSM与InvFGSM进行对抗性训练，在多大程度上能提升模型对对抗性攻击的鲁棒性？
• RQ4 不同扰动幅度（ε）对分割性能与模型鲁棒性有何影响？
• RQ5 该对抗性增强方法能否在不同医学影像任务与数据集中实现泛化？

主要发现

• 在第30个训练周期，基于InvFGSM的数据增强使U-Net的交并比（IoU）达到0.8986，较标准U-Net的0.8084高出6%。
• 与标准U-Net相比，U-Net + FGSM在第30个周期的IoU提升了约3%，达到0.8394。
• InvFGSM在IoU指标上优于FGSM增强方法，在第30个周期实现了2.5%的性能增益。
• 经过对抗性训练后，模型在强攻击下仍保持高性能：当ε=0.118时，FGSM攻击下的IoU达到0.8242（未训练时为0.7246）。
• 基于InvFGSM的训练显著提升了鲁棒性，在ε=0.118时IoU保持在0.8729，而未进行对抗性训练的模型IoU仅为0.5841。
• 该方法表明，对抗性噪声可被调节为有益形式，且在ε=0.1时视觉上几乎不可察觉。