Publicação: Recovering Chest X-RAY Images from Adversarial Attacks in Pneumonia Classification: Genetic Algorithm-based Adaptive Compression (GA-AC)
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Os ataques adversariais têm se mostrado uma ameaça crítica à confiabilidade de mo-
delos de aprendizado profundo aplicados ao processamento de imagens médicas. Técnicas
como o Fast Gradient Sign Method (FGSM), o Iterative Fast Gradient Sign Method
(I-FGSM), também conhecido como Basic Iterative Method (BIM), e o Projected Gra-
dient Descent (PGD) podem induzir erros significativos de predição, comprometendo a
precisão diagnóstica e a segurança do paciente. Para enfrentar esse desafio, este trabalho
propõe uma abordagem inovadora denominada Genetic Algorithm-based Adaptive Com-
pression (GA-AC), desenvolvida para recuperar imagens perturbadas por diferentes tipos
de ataques adversariais. O método GA-AC utiliza um algoritmo genético para otimizar
parâmetros de compressão de imagens, com o objetivo de maximizar o Peak Signal-to-
Noise Ratio (PSNR) e o Structural Similarity Index Measure (SSIM), preservando assim
as características diagnósticas essenciais das imagens restauradas. Os experimentos reali-
zados com múltiplas imagens de raios-X demonstraram a eficácia do GA-AC, que foi capaz
de restaurar o desempenho dos modelos após diferentes ataques adversariais, recuperando,
por exemplo, o F1-score de 24,14% para 98,10% após o ataque FGSM, e apresentando
resultados igualmente robustos frente aos ataques I-FGSM, e PGD.
Abstract
Adversarial attacks have become a critical threat to the reliability of deep learning
models applied to medical image processing. Techniques such as the Fast Gradient Sign
Method (FGSM), the Iterative Fast Gradient Sign Method (I-FGSM), also known as the
Basic Iterative Method (BIM), and the Projected Gradient Descent (PGD) can induce
significant prediction errors, compromising diagnostic accuracy and patient safety. To ad-
dress this challenge, this study proposes an innovative approach called Genetic Algorithm-
based Adaptive Compression (GA-AC), developed to recover images perturbed by various
types of adversarial attacks. The GA-AC method employs a genetic algorithm to opti-
mize image compression parameters, aiming to maximize the Peak Signal-to-Noise Ratio
(PSNR) and the Structural Similarity Index Measure (SSIM), thereby preserving essen-
tial diagnostic features in the restored images. Experiments conducted on multiple X-ray
images demonstrated the effectiveness of GA-AC, which successfully restored model per-
formance after different adversarial attacks, recovering, for example, the F1-score from
24.14% to 98.10% after the FGSM attack, and achieving similarly robust results against
I-FGSM, and PGD.
Palavras-chave
Ataques adversariais, Aprendizado profundo, Algoritmo genético, Compressão adaptativa, Imagens médicas, Adversarial attacks, Deep learning, Genetic algorithm, Adaptive compression, Medical imaging
Citação
LIMA, Paulo Vitor Costa. Recovering Chest X-RAY Images from Adversarial Attacks in Pneumonia Classification: Genetic Algorithm-based Adaptive Compression (GA-AC). 85 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2025.5059.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto