X-Mark: Saliency-Guided Robust Dataset Ownership Verification for Medical Imaging

Resumo Técnico: X-Mark

1. O Problema (Contexto e Desafios)

O uso não autorizado de conjuntos de dados (datasets) de imagens médicas de alta qualidade para fins comerciais levanta sérias preocupações éticas e de direitos autorais. Embora métodos de Verificação de Propriedade de Dataset (DOV) existam para imagens naturais, eles falham em imagens médicas (como radiografias de tórax - CXRs) devido a três desafios principais:

• Escalabilidade Dinâmica: Imagens médicas possuem resoluções altíssimas (ex: 2000x2500). Marcas d'água estáticas baseadas em padrões fixos perdem a eficácia quando a imagem é redimensionada (downsampling) para o treinamento de modelos de Deep Learning.
• Baixa Diversidade Visual e Estruturas Sutis: Imagens médicas são em tons de cinza e possuem variações anatômicas sutis. Perturbações muito fortes podem comprometer a qualidade diagnóstica ou ser facilmente detectadas por radiologistas.
• Risco de Falsos Positivos: Perturbações de alta frequência podem ser eliminadas pelo redimensionamento, enquanto perturbações que se misturam demais às características da imagem podem induzir modelos benignos a comportamentos errôneos.

2. Metodologia (X-Mark)

Os autores propõem o X-Mark, um método de marca d'água clean-label (onde as imagens perturbadas mantêm seus rótulos originais, sem "envenenamento" de rótulos) baseado em backdoor (porta dos fundos). A metodologia divide-se em três etapas:

A. Gerador de Marca d'Água Condicional e Invariante à Escala:

• Arquitetura: Utiliza uma U-Net residual para gerar perturbações únicas para cada amostra.
• Condicionamento por Saliência: Integra um módulo baseado em EigenCAM no gargalo (bottleneck) da U-Net. Isso força o gerador a aplicar as perturbações apenas em regiões salientes (áreas anatomicamente relevantes, como o tórax), aumentando a invisibilidade e a relevância clínica.
• Regularização Laplaciana: Introduz uma perda baseada na Pirâmide Laplaciana ($L_{Lap}$) no objetivo de treinamento. Isso penaliza perturbações de alta frequência, garantindo que a marca d'água seja robusta ao redimensionamento (invariância de escala).
• Função de Perda Multicomponente: O treinamento otimiza simultaneamente a eficácia do backdoor (para amostras alvo e não-alvo), a similaridade perceptual (LPIPS) e a regularização Laplaciana.

B. Marcação do Dataset:

• Um subconjunto de amostras da classe alvo é perturbado pelo gerador e reintegrado ao dataset original. O objetivo é que qualquer modelo treinado com esses dados aprenda uma associação entre a perturbação e o rótulo alvo.

C. Verificação de Propriedade (DOV):

• Realizada em um cenário de caixa-preta (black-box). O proprietário utiliza um teste de hipótese baseado em probabilidades para verificar se um modelo suspeito classifica incorretamente amostras não-alvo que foram marcadas com a perturbação.

3. Principais Contribuições

1. Método Específico por Amostra: Diferente de padrões estáticos, o X-Mark gera perturbações únicas e adaptadas à anatomia de cada imagem.
2. Invariância de Escala via Laplaciana: A introdução da regularização Laplaciana resolve o problema de perda de marca d'água durante o redimensionamento de imagens de alta resolução.
3. Preservação da Qualidade Diagnóstica: O uso de saliência (EigenCAM) garante que a marca d'água não interfira em estruturas críticas para o diagnóstico médico.

4. Resultados Experimentais

Os testes foram realizados no dataset CheXpert e demonstraram:

• Eficácia: Alcançou uma Taxa de Sucesso da Marca d'Água (WSR) de 100%.
• Qualidade: Manteve uma alta acurácia benigna (BA) e baixa distorção perceptual (LPIPS), sendo visualmente indistinguível de imagens normais.
• Robustez: Demonstrou resistência a ataques de remoção, como o ajuste fino do modelo (fine-tuning) e a poda de neurônios (pruning).
• Transferibilidade: A marca d'água funcionou consistentemente em diferentes arquiteturas de modelos (ResNet, VGG) e em diversas resoluções de imagem.
• Redução de Erros: Reduziu a probabilidade de falsos positivos no cenário de modelos independentes (Ind-M) em 12% em comparação com métodos de estado da arte (como SSCL-BW).

5. Significância

O trabalho é significativo por preencher uma lacuna crítica na proteção de propriedade intelectual para a IA médica. Ao garantir que a marca d'água sobreviva ao processamento comum de imagens (redimensionamento) e permaneça invisível para especialistas, o X-Mark oferece uma ferramenta viável para proteger investimentos caros em curadoria de dados médicos, garantindo que o uso comercial de datasets de pesquisa possa ser auditado e verificado de forma confiável.