图片

《在无需重新训练的情况下检测和减轻基于深度学习的MRI重建中的对抗性攻击》一文提出了一种新颖的方法，用于检测和减轻基于深度学习的磁共振成像 (MRI) 重建模型中的对抗性攻击，而无需任何重新训练。该方法的创新之处在于利用了“循环测量一致性”的思想，这是一种在先前用于改进 MRI 重建模型校准和训练的技术。

 

磁共振成像（MRI）是放射学和生物医学科学中的一种重要成像方式，能够提供高分辨率的图像且不涉及电离辐射。然而，MRI的采集时间较长，可能导致患者不适和运动伪影，从而降低图像质量。加速MRI技术通过获取低于奈奎斯特率的测量数据并结合补充信息来重建图像。近年来，基于深度学习的方法已成为加速MRI进步的最新技术，尤其是基于“物理驱动的深度学习”重建方法，因其优越的泛化能力和性能而受到广泛关注。然而，研究表明，这些方法对小的对抗性输入扰动非常敏感，即使是微小的输入扰动也可能导致重建图像出现严重失真。尽管已提出了多种策略来减轻这些攻击的影响，但它们通常都需要重新训练网络，这不仅增加了计算成本，还可能导致对干净/非扰动输入的重建质量下降。因此，如何在不重新训练的情况下检测和减轻对抗性攻击成为了一个亟待解决的问题。

 

图片

为了解决这个问题，本文提出了一种无需重新训练即可检测和减轻对抗性攻击的新方法。其核心思想是利用循环测量一致性来检测和减轻攻击。具体来说，该方法首先将模型的输出映射到另一组具有不同欠采样模式的MRI测量值，然后使用相同的模型重建这些合成数据。直观地说，如果没有攻击，第二次重建应该与第一次重建一致；如果有攻击，则会出现偏差。

 

本文详细介绍了其检测策略和减轻策略。在检测方面，该方法通过比较原始重建和合成重建之间的数据保真度误差的变化来识别攻击。具体地，定义了两个k空间误差指标ζ1和ζ2，分别表示原始重建和合成重建与原始测量数据之间的差异。如果ζ2-ζ1超过预设阈值，则判定存在对抗性攻击。

 

图片

在减轻方面，该方法设计了一个新的目标函数，该函数在攻击输入周围的一个小球内最小化，以确保循环测量一致性。该目标函数旨在找到一个“校正”扰动，使合成测量值的重建与原始测量值的重建一致。为了解决该目标函数，论文提出了一种基于动量的反向投影梯度下降 (PGD) 方法。该方法迭代地搜索小球内的最佳扰动，以最小化目标函数。此外，论文还提出了一种盲估计程序，该程序可以迭代地估计扰动的幅度，而无需事先知道攻击的强度。

 

本文在公开可用的fastMRI数据库上进行了实验，使用了膝盖和大脑MRI数据集，并对不同的欠采样率、攻击类型和强度进行了测试。实验结果表明，该方法能够显著降低对抗性扰动的影响，并在定性和定量上优于需要重新训练的传统减轻方法。此外，该方法还可以与现有的鲁棒训练策略结合使用，以进一步提高基于深度学习的MRI重建在对抗性攻击下的重建质量。

 

图片

总之，本文提出了一种新颖且有效的基于循环测量一致性的方法，用于检测和减轻基于深度学习的MRI重建模型中的对抗性攻击。该方法无需重新训练，具有较高的计算效率和良好的性能，为提高MRI重建的鲁棒性提供了一种有前景的解决方案。其创新之处在于将循环测量一致性的思想应用于对抗性攻击的检测和减轻，并提出了一种基于动量的反向PGD算法来优化目标函数。该方法在不同数据集、网络结构和攻击类型上的有效性验证了其广泛的适用性和实用价值。这项工作为提高医学影像技术的鲁棒性和安全性做出了重要贡献，也为其它深度学习应用中对抗性攻击的防御提供了新的思路。未来的研究可以进一步探索该方法在不同MRI成像序列和临床应用中的有效性，并研究如何进一步提高其检测和减轻的精度和效率。