論文の概要: Privacy Preserving for Medical Image Analysis via Non-Linear Deformation Proxy

• arxiv url: http://arxiv.org/abs/2011.12835v2
• Date: Thu, 26 Nov 2020 15:51:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 03:42:14.699942
• Title: Privacy Preserving for Medical Image Analysis via Non-Linear Deformation Proxy
• Title（参考訳）: 非線形変形プロキシによる医用画像解析のためのプライバシー保護
• Authors: Bach Ngoc Kim, Jose Dolz, Christian Desrosiers, Pierre-Marc Jodoin
• Abstract要約: マルチ中心医療画像の解析を可能にするクライアントサーバシステムを提案する。 本手法では,入力画像に擬似ランダムな非線形変形を適用することにより,患者の身元を保護している。 サーバは、クライアントが標準形式に戻す変形した処理イメージを返します。
• 参考スコア（独自算出の注目度）: 21.618490847217164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a client-server system which allows for the analysis of multi-centric medical images while preserving patient identity. In our approach, the client protects the patient identity by applying a pseudo-random non-linear deformation to the input image. This results into a proxy image which is sent to the server for processing. The server then returns back the deformed processed image which the client reverts to a canonical form. Our system has three components: 1) a flow-field generator which produces a pseudo-random deformation function, 2) a Siamese discriminator that learns the patient identity from the processed image, 3) a medical image processing network that analyzes the content of the proxy images. The system is trained end-to-end in an adversarial manner. By fooling the discriminator, the flow-field generator learns to produce a bi-directional non-linear deformation which allows to remove and recover the identity of the subject from both the input image and output result. After end-to-end training, the flow-field generator is deployed on the client side and the segmentation network is deployed on the server side. The proposed method is validated on the task of MRI brain segmentation using images from two different datasets. Results show that the segmentation accuracy of our method is similar to a system trained on non-encoded images, while considerably reducing the ability to recover subject identity.
• Abstract（参考訳）: 患者識別を保ちながら多中心医療画像の分析を可能にするクライアントサーバシステムを提案する。 本手法では,入力画像に疑似ランダムな非線形変形を適用することで患者同一性を保護する。 これによりプロキシイメージがサーバに送信され、処理が行われる。 そしてサーバは、クライアントが標準形式に戻す、変形した処理された画像を返却する。 システムには3つの要素があります 1)擬似ランダム変形関数を生成する流れ場発生装置。 2) 処理画像から患者同一性を学ぶシアム判別器 3)プロキシ画像の内容を分析する医用画像処理ネットワーク。 システムは対角的にエンドツーエンドに訓練される。 判別器を騙すことにより、フローフィールド生成器は、入力画像と出力結果の両方から被写体の同一性を排除して回復する双方向の非線形変形を生成する。 エンドツーエンドのトレーニングの後、フローフィールドジェネレータはクライアント側に配置され、セグメンテーションネットワークはサーバ側に配置される。 提案手法は, 2つの異なるデータセットから得られた画像を用いて, mri脳分割のタスクで検証する。 その結果,本手法のセグメンテーション精度は非符号化画像で訓練されたシステムに似ているが,被写体同一性回復能力は大幅に低下することがわかった。

関連論文リスト

• CCVA-FL: Cross-Client Variations Adaptive Federated Learning for Medical Imaging [3.004632712148892]
  Federated Learning(FL)は、分散データ上でモデルをトレーニングするためのプライバシ保護アプローチを提供する。 Cross-Client Variations Adaptive Federated Learning (CCVA-FL)は、イメージを共通の特徴空間に変換することで、クロスクライアントのバリエーションを最小限にすることを目的としている。 その結果、CCVA-FLはプライバシーを損なうことなく、クライアント間でのデータ分散の違いを効果的に解決することで、Vanilla Federated Averagingよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-16T12:18:20Z)
• Anonymizing medical case-based explanations through disentanglement [4.006745047019996]
  本稿では,画像の同一性や医学的特徴を識別する新しい手法を提案し,それを医用画像の匿名化に適用する。 切り離し機構は、画像内のいくつかの特徴ベクトルを置き換えると同時に、残りの特徴が保存されることを保証する。 また、原画像のアイデンティティを置き換え、匿名化を実現するために、合成プライバシ保護IDを製造するモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-08T16:58:58Z)
• Mixup-Privacy: A simple yet effective approach for privacy-preserving segmentation [20.47148375445856]
  マルチ中心医療画像の解析を可能にするクライアントサーバ画像分割システムを提案する。 このアプローチでは、クライアントは、参照画像と混合することにより、患者イメージを保護します。 その結果,本手法のセグメンテーション精度は生画像に基づいて訓練されたシステムに匹敵し,計算オーバーヘッドが少なく,他のプライバシ保護手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-23T07:14:58Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Multimorbidity Content-Based Medical Image Retrieval Using Proxies [37.47987844057842]
  本稿では、分類とコンテンツに基づく画像検索の両方に使用できる新しい多ラベルメトリック学習法を提案する。 本モデルは,疾患の存在を予測し,これらの予測の証拠を提供することによって診断を支援することができる。 分類とコンテンツに基づく画像検索へのアプローチの有効性を2つのマルチモービディティー・ラジオロジー・データセットで実証した。
  論文  参考訳（メタデータ） (2022-11-22T11:23:53Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Combining Similarity and Adversarial Learning to Generate Visual Explanation: Application to Medical Image Classification [0.0]
  学習フレームワークを活用して視覚的説明法を作成する。 文献のメトリクスを用いることで,この手法は最先端のアプローチよりも優れています。 大規模な胸部X線データベース上でのアプローチを検証する。
  論文  参考訳（メタデータ） (2020-12-14T08:34:12Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)
• Fine-grained Image-to-Image Transformation towards Visual Recognition [102.51124181873101]
  我々は,入力画像の同一性を保った画像を生成するために,微細なカテゴリで画像を変換することを目的としている。 我々は、画像のアイデンティティと非関連要因をアンハングルするために、生成的敵ネットワークに基づくモデルを採用する。 CompCarsとMulti-PIEデータセットの実験では、我々のモデルが生成した画像のアイデンティティを、最先端の画像-画像変換モデルよりもはるかによく保存していることが示された。
  論文  参考訳（メタデータ） (2020-01-12T05:26:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。