深度学习（DL）方法已显示出令人鼓舞的结果，以解决诸如从$ k $ -space数据中的MR图像重建等逆问题。但是，这些方法目前尚无重建质量的保证，并且这种算法的可靠性仅被了解不足。对抗攻击提供了一种有价值的工具，可以了解可能的故障模式和基于DL的重建算法的最坏情况。在本文中，我们描述了对多圈$ K $空间测量结果的对抗性攻击，并在最近提出的E2E-VARNET和更简单的基于UNET的模型上对其进行评估。与先前的工作相反，攻击旨在特异性改变诊断相关的区域。使用两种逼真的攻击模型（对抗性$ K $ - 空间噪声和对抗性旋转），我们能够证明，当前基于DL DL的最新重建算法确实对此类扰动敏感，而相关诊断信息可能会在某种程度上迷路。令人惊讶的是，在我们的实验中，UNET和更复杂的E2E-VARNET对此类攻击同样敏感。我们的发现进一步增加了以下证据：必须谨慎行事，因为基于DL的方法更接近临床实践。
translated by 谷歌翻译
这项工作探讨了随机竞争的激活效力，即随机本地获奖者 - 所有（LWTA），反对强大的（梯度）的白盒和黑匣子对抗攻击;我们特别关注对抗性训练环境。在我们的工作中，我们用包括当地和随机竞争的线性单元的块替换基于常规的基于Relu的非线性。每个网络层的输出现在产生稀疏输出，具体取决于每个块中的获胜者采样的结果。我们依靠变分的贝叶斯框架进行培训和推理;我们纳入了常规的基于PGD的对抗的对抗性培训论证，以增加整体对抗性鲁棒性。正如我们在实验表明，所产生的网络产生最先进的稳健性，这对于强大的对抗性攻击，同时保留了良性案例中的非常高的分类率。
translated by 谷歌翻译