스펙트럼-공간 의존성과 다중 스케일 특징을 활용한 의료 하이퍼스펙트럴 이미징에 대한 적대적 공격

Adversarial Attacks on Medical Hyperspectral Imaging Exploiting Spectral-Spatial Dependencies and Multiscale Features

의료용 하이퍼스펙트럴 이미징(HSI)은 풍부한 스펙트럼-공간 조직 정보를 획득하여 정확한 질병 진단을 가능하게 하지만, 최근 딥러닝 기술의 발전으로 인해 HSI가 적대적 공격에 취약해지는 것이 밝혀졌습니다. 본 연구에서는 이러한 취약성의 근본적인 원인을 두 가지로 분석했습니다. 첫째는 조직 구조를 유지하기 위해 주변 픽셀 간의 지역적 의존성에 크게 의존한다는 점이며, 둘째는 계층적 특징 인코딩을 위해 다중 스케일 스펙트럼-공간 표현에 의존한다는 점입니다. 이러한 분석 결과를 바탕으로, 의료용 HSI에 대한 표적 적대적 공격 프레임워크를 제안합니다. 이 프레임워크는 인접 픽셀 간의 공간 상관관계를 악용하는 로컬 픽셀 의존성 공격과, 계층적 스펙트럼-공간 스케일 전반에 걸쳐 특징을 변경하는 다중 스케일 정보 공격으로 구성됩니다. 뇌와 MDC 데이터셋에 대한 실험 결과, 제안하는 공격은 분류 성능을 크게 저하시키며, 특히 종양 영역에서 두드러진 성능 저하를 보이지만, 시각적으로는 거의 감지되지 않습니다. 기존 방법과 비교했을 때, 본 연구는 의료용 HSI 모델의 고유한 취약점을 드러내며, 임상 응용 분야에서 견고하고 구조를 고려한 방어 기술의 필요성을 강조합니다.

Medical hyperspectral imaging (HSI) enables accurate disease diagnosis by capturing rich spectral-spatial tissue information, but recent advances in deep learning have exposed its vulnerability to adversarial attacks. In this work, we identify two fundamental causes of this fragility: the reliance on local pixel dependencies for preserving tissue structure and the dependence on multiscale spectral-spatial representations for hierarchical feature encoding. Building on these insights, we propose a targeted adversarial attack framework for medical HSI, consisting of a Local Pixel Dependency Attack that exploits spatial correlations among neighboring pixels, and a Multiscale Information Attack that perturbs features across hierarchical spectral-spatial scales. Experiments on the Brain and MDC datasets demonstrate that our attacks significantly degrade classification performance, especially in tumor regions, while remaining visually imperceptible. Compared with existing methods, our approach reveals the unique vulnerabilities of medical HSI models and underscores the need for robust, structure-aware defenses in clinical applications.