論文の概要: Securing the Classification of COVID-19 in Chest X-ray Images: A
Privacy-Preserving Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2203.07728v1
- Date: Tue, 15 Mar 2022 08:48:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 03:21:58.779303
- Title: Securing the Classification of COVID-19 in Chest X-ray Images: A
Privacy-Preserving Deep Learning Approach
- Title（参考訳）: 胸部X線画像における新型コロナウイルスの分類のセキュア化:プライバシー保護型ディープラーニングアプローチ
- Authors: Wadii Boulila, Adel Ammar, Bilel Benjdira, Anis Koubaa
- Abstract要約: 我々は,チェストX線画像の分類をセキュアにするために,プライバシー保護型ディープラーニング(PPDL)に基づくアプローチを提案する。
提案手法は,部分同型暗号化を用いたデータセットの暗号化と,暗号化された画像上でのDLアルゴリズムのトレーニング/テストという2つのステップに基づいている。
COVID-19ラジオグラフィーデータベースの実験結果によると、MobileNetV2モデルは通常のデータに対して94.2%、暗号化されたデータに対して93.3%の精度を達成している。
- 参考スコア（独自算出の注目度）: 1.4146420810689422
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning (DL) is being increasingly utilized in healthcare-related
fields due to its outstanding efficiency. However, we have to keep the
individual health data used by DL models private and secure. Protecting data
and preserving the privacy of individuals has become an increasingly prevalent
issue. The gap between the DL and privacy communities must be bridged. In this
paper, we propose privacy-preserving deep learning (PPDL)-based approach to
secure the classification of Chest X-ray images. This study aims to use Chest
X-ray images to their fullest potential without compromising the privacy of the
data that it contains. The proposed approach is based on two steps: encrypting
the dataset using partially homomorphic encryption and training/testing the DL
algorithm over the encrypted images. Experimental results on the COVID-19
Radiography database show that the MobileNetV2 model achieves an accuracy of
94.2% over the plain data and 93.3% over the encrypted data.
- Abstract（参考訳）: 深層学習(DL)はその卓越した効率のため、医療関連分野でますます活用されている。
しかし、DLモデルが使用する個々の健康データをプライベートかつセキュアにしておく必要がある。
データの保護と個人のプライバシーの保護は、ますます大きな問題になりつつある。
DLとプライバシーコミュニティのギャップを埋めなければならない。
本稿では,チェストX線画像の分類をセキュアにするために,プライバシー保護型ディープラーニング(PPDL)に基づくアプローチを提案する。
本研究の目的は,胸部x線画像が持つデータのプライバシーを損なうことなく,その潜在能力を最大限に活用することである。
提案手法は,部分同型暗号化を用いたデータセットの暗号化と,暗号化画像上でのDLアルゴリズムのトレーニング/テストという2つのステップに基づいている。
COVID-19ラジオグラフィーデータベースの実験結果によると、MobileNetV2モデルは通常のデータに対して94.2%、暗号化されたデータに対して93.3%の精度を達成している。
関連論文リスト
- Privacy-Preserving Medical Image Classification through Deep Learning
and Matrix Decomposition [0.0]
近年,医学領域において深層学習(DL)ソリューションが広く研究されている。
医療関連データの利用は厳格に規制されており、病院の外部で医療記録を処理するためには、堅牢なデータ保護措置が必要である。
本稿では, 特異値分解(SVD)と主成分分析(PCA)を用いて, DL解析に使用する前に, 医用画像の難読化を行う。
保護されたデータから関連する情報を抽出するDLアルゴリズムの能力は、難読化フレームに基づく血管造影ビュー分類のタスクに基づいて評価される。
論文 参考訳（メタデータ） (2023-08-31T08:21:09Z) - Attribute-preserving Face Dataset Anonymization via Latent Code
Optimization [64.4569739006591]
本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。
我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
論文 参考訳（メタデータ） (2023-03-20T17:34:05Z) - Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。
我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
論文 参考訳（メタデータ） (2023-02-03T09:49:13Z) - ConfounderGAN: Protecting Image Data Privacy with Causal Confounder [85.6757153033139]
本稿では,GAN(Generative Adversarial Network)のConfounderGANを提案する。
実験は、3つの自然なオブジェクトデータセットと3つの医療データセットからなる6つの画像分類データセットで実施される。
論文 参考訳（メタデータ） (2022-12-04T08:49:14Z) - Deep Learning-based Anonymization of Chest Radiographs: A
Utility-preserving Measure for Patient Privacy [7.240611820374677]
従来の匿名化処理は、画像中の個人情報をブラックボックスで隠蔽して行う。
このような単純な測定は、胸部X線写真に生体情報を保持し、リンケージ攻撃によって患者の再同定を可能にする。
胸部X線画像の匿名化を目的とした,初となる深層学習型アプローチ(PriCheXy-Net)を提案する。
論文 参考訳（メタデータ） (2022-09-23T11:36:32Z) - Privacy-Preserving Deep Learning Model for Covid-19 Disease Detection [3.351714665243138]
患者個人の情報を確保するために,差分私的深層学習モデルを提案する。
正確性は、トレーニング可能なレイヤの変更、プライバシ損失、各サンプルの情報制限によって注目される。
論文 参考訳（メタデータ） (2022-09-07T06:15:02Z) - Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。
Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。
エンコードされたデータから診断を予測する能力を維持している。
論文 参考訳（メタデータ） (2022-01-28T20:32:04Z) - Application of Homomorphic Encryption in Medical Imaging [60.51436886110803]
医療画像の予測にHEを用いて,不正な二次的データの使用を防止できることを示す。
結節検出に3次元胸部CT-Scansを用いた実験を行った。
論文 参考訳（メタデータ） (2021-10-12T19:57:12Z) - FedDPGAN: Federated Differentially Private Generative Adversarial
Networks Framework for the Detection of COVID-19 Pneumonia [11.835113185061147]
新型コロナウイルス肺炎の検出を目的としたFederatedDifferentially Private Generative Adversarial Network(FedDPGAN)を提案する。
提案モデルの評価は、3種類の胸部X線(CXR)画像データセット(COVID-19, 正常, 正常肺炎)に基づく。
論文 参考訳（メタデータ） (2021-04-26T13:52:12Z) - InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
視覚データに流出した個人情報を個人が制限できる技術について検討する。
我々はこの問題を新しい画像難読化フレームワークで解決する。
提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
論文 参考訳（メタデータ） (2020-05-20T19:48:04Z)
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。