Core Concepts
Eine effiziente Methode zum Schutz von medizinischen Bildsegmentierungsdatensätzen vor unbefugter Nutzung durch Hinzufügen von kontour- und texturbasierten Störungen.
Abstract
Der Artikel präsentiert eine neue Methode namens UMed, um medizinische Bildsegmentierungsdatensätze vor unbefugter Nutzung zu schützen. UMed fügt kontour- und texturbasierte Störungen zu den Bildern hinzu, um die Leistung von Segmentierungsmodellen, die auf diesen geschützten Datensätzen trainiert werden, erheblich zu beeinträchtigen.
Im Gegensatz zu bestehenden Methoden, die für Bildklassifizierung entwickelt wurden und bei medizinischen Bildsegmentierungsaufgaben unzureichend sind, berücksichtigt UMed das Vorwissen über Konturen und Texturen, das für medizinische Bildsegmentierung wichtig ist. UMed erzeugt Kontourstörungen mithilfe eines speziellen Generators, der zentrale Differenzkonvolutionen verwendet, um die Unterschiede zwischen Konturen und ihrer Umgebung zu verstärken. Für Texturstörungen verwendet UMed eine adaptive Begrenzung basierend auf den Texturmerkmalen innerhalb der Region of Interest, um die Sichtbarkeit der Störungen zu minimieren.
Experimente auf verschiedenen medizinischen Bildsegmentierungsdatensätzen zeigen, dass UMed eine deutlich überlegene Schutzleistung bei gleichzeitig hoher Unsichtbarkeit der Störungen erreicht. UMed ist auch robuster gegen gängige Verteidigungsstrategien wie Bildfilterung oder adversarisches Training. Die Ergebnisse belegen, dass UMed eine effektive Methode zum Schutz von medizinischen Bildsegmentierungsdatensätzen ist und neue Erkenntnisse für die Generierung von "Unlearnable Examples" liefert.
Stats
Die durchschnittliche Dice-Ähnlichkeitskoeffizient (DSC) der Segmentierung auf sauberen Testbildern sinkt von 82,18% auf 6,80%.
Der durchschnittliche Peak Signal-to-Noise Ratio (PSNR) zwischen geschützten und originalen Bildern beträgt 50,03.
Quotes
"Unlearnable Examples (UEs) Methoden haben gezeigt, dass sie das Potenzial haben, Bilder durch das Hinzufügen unsichtbarer Abkürzungen zu schützen."
"Bestehende UEs sind für die Bildklassifizierung konzipiert und versagen beim Schutz von medizinischen Bildsegmentierungsdatensätzen, da ihre Schutzstörungen weniger erlernbar sind als wichtiges Vorwissen in der medizinischen Bildsegmentierung, z.B. Konturen und Textureigenschaften."