来源：期刊VIP网 时间：
作者：刘琨;李民;郭卓凡;张轩旗;许天笑;杨昆;董鹏;
单位：河北大学质量技术监督学院;河北大学精密仪器与智能制造科研创新团队;
摘要：近年来，视觉Transformer(ViT)模型在医学图像诊断领域逐渐成为主流技术，但该模型在临床部署过程中，面对“对抗攻击”表现出明显的脆弱性。为提高医学图像分类ViT模型的“对抗鲁棒性”，本文设计了一种基于令牌特征噪声的鲁棒医学图像分类模型（CNPN-ViT）。通过引入基于类令牌信息的鲁棒Class噪声（Class noise）模块和基于Patch令牌信息的鲁棒Patch噪声（Patch noise）模块，防御对抗噪声的攻击。Class noise模块将高斯噪声与每个Transformer块的类令牌融合，增强样本的稳定特征；Patch noise模块将Patch令牌的特征细化后融入高斯噪声，既提高了对特征信息的利用，又能防御针对Patch令牌的对抗攻击。将这两种模块加入到ViT模型的训练过程中，并分别在两个公开医学数据集上对模型的对抗鲁棒性进行了实验研究。实验结果表明，CNPN-ViT具有良好的对抗鲁棒性，与其他三个ViT模型相比，该模型在遭受对抗攻击时准确率下降范围为0.28%～12.57%，远小于其他三个模型的下降程度（6.00%～86.21%）。
关键词：视觉Transformer;;医学图像;;对抗鲁棒性;;特征噪声;;高斯噪声
基金资助：河北省自然科学基金项目(F2023201069);; 河北大学精密仪器与智能制造科研创新团队项目(IT2023B07)
