Dynamic Perturbation-Adaptive Adversarial Training on Medical Image Classification

最近在医学图像分类（MIC）方面取得了显著的成功，主要是由于卷积神经网络（CNN）的广泛应用。然而，对抗样本（AEs）与原始数据具有难以察觉的相似性，引发了人们对网络鲁棒性的严重关注。虽然对抗训练（AT）被认为是提高鲁棒性的有效方法，但AT所引起的网络泛化下降问题是具有挑战性的。为了在提高鲁棒性的同时保持高泛化能力，本文提出了一种动态扰动自适应对抗训练（DPAAT）方法，该方法将AT置于动态学习环境中，生成自适应的数据级扰动，并通过损失信息收集提供动态更新的标准，以处理传统AT方法中固定扰动大小和对外部转移的依赖性的缺点。在对皮肤科HAM10000数据集进行全面测试后，DPAAT不仅实现了更好的鲁棒性提高和泛化保持，还显著提高了各种CNN的平均精度和可解释性，表明它在MIC上具有极大的潜力作为一种通用的对抗训练方法。

本论文旨在提高医学图像分类网络的鲁棒性，解决对抗样本攻击带来的问题。

文章提出了一种动态扰动自适应对抗训练（DPAAT）方法，通过在动态学习环境中进行对抗训练，生成自适应的数据级扰动，并通过损失信息收集提供动态更新的准则，从而提高网络的鲁棒性和泛化能力。

文章在皮肤科HAM10000数据集上进行了综合测试，表明DPAAT不仅在各种CNN上实现了更好的鲁棒性提高和泛化保持，而且还显著提高了平均精度和可解释性，具有很大的潜力成为医学图像分类领域的通用对抗训练方法。

最近的相关研究包括：Adversarial Training for Free! (Madry et al., 2018)、Towards Evaluating the Robustness of Neural Networks (Carlini & Wagner, 2017)、Explaining and Harnessing Adversarial Examples (Goodfellow et al., 2015)等。