論文の概要: Deep Learning-based Anonymization of Chest Radiographs: A
Utility-preserving Measure for Patient Privacy
- arxiv url: http://arxiv.org/abs/2209.11531v2
- Date: Mon, 24 Jul 2023 13:04:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 00:51:33.650963
- Title: Deep Learning-based Anonymization of Chest Radiographs: A
Utility-preserving Measure for Patient Privacy
- Title（参考訳）: 深層学習に基づく胸部x線画像の匿名化 : 患者プライバシの実用的保存法
- Authors: Kai Packh\"auser, Sebastian G\"undel, Florian Thamm, Felix Denzinger,
Andreas Maier
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.240611820374677
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust and reliable anonymization of chest radiographs constitutes an
essential step before publishing large datasets of such for research purposes.
The conventional anonymization process is carried out by obscuring personal
information in the images with black boxes and removing or replacing
meta-information. However, such simple measures retain biometric information in
the chest radiographs, allowing patients to be re-identified by a linkage
attack. Therefore, there is an urgent need to obfuscate the biometric
information appearing in the images. We propose the first deep learning-based
approach (PriCheXy-Net) to targetedly anonymize chest radiographs while
maintaining data utility for diagnostic and machine learning purposes. Our
model architecture is a composition of three independent neural networks that,
when collectively used, allow for learning a deformation field that is able to
impede patient re-identification. Quantitative results on the ChestX-ray14
dataset show a reduction of patient re-identification from 81.8% to 57.7% (AUC)
after re-training with little impact on the abnormality classification
performance. This indicates the ability to preserve underlying abnormality
patterns while increasing patient privacy. Lastly, we compare our proposed
anonymization approach with two other obfuscation-based methods (Privacy-Net,
DP-Pix) and demonstrate the superiority of our method towards resolving the
privacy-utility trade-off for chest radiographs.
- Abstract（参考訳）: 胸部ラジオグラフィーのロバストで信頼性の高い匿名化は、そのような研究目的のために大規模なデータセットを公開する前に重要なステップとなる。
従来の匿名化プロセスは、画像中の個人情報をブラックボックスで隠蔽し、メタ情報の削除又は置き換えを行う。
しかし、このような簡単な手段は胸部x線写真に生体情報を保持しており、患者を連鎖攻撃によって再同定することができる。
そのため、画像に現れる生体情報に注意を払わなければならない。
本稿では,胸部x線画像の匿名化を目的とした最初の深層学習ベースアプローチ (prichexy-net) を提案する。
我々のモデルアーキテクチャは、3つの独立したニューラルネットワークからなる構成で、集合的に使用すると、患者の再同定を妨げる変形場を学習することができる。
ChestX-ray14データセットの定量的結果は、患者の再識別が81.8%から57.7%(AUC)に減少することを示している。
これは患者のプライバシーを高めながら、基礎となる異常パターンを保存する能力を示している。
最後に,提案手法を他の難読化手法(Privacy-Net, DP-Pix)と比較し,胸部X線写真におけるプライバシー利用トレードオフの解消に向けた手法の優位性を示す。
関連論文リスト
- FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation [2.864354559973703]
本稿では,医用画像データの分散特性とプライバシ感受性について,フェデレート学習フレームワークを用いて検討する。
提案手法であるFedDPは,がん画像データのプライバシーを効果的に保護しつつ,モデルの精度に最小限の影響を与える。
論文 参考訳（メタデータ） (2024-11-07T08:02:58Z) - OpticalDR: A Deep Optical Imaging Model for Privacy-Protective
Depression Recognition [66.91236298878383]
抑うつ認識(DR)は、特にプライバシー上の懸念の文脈において、大きな課題となる。
我々は,疾患関連特徴を保持しつつ,撮像した顔画像の識別情報を消去する新しいイメージングシステムを設計した。
正確なDRに必要な本態性疾患の特徴を保ちながら、アイデンティティ情報の回復には不可逆である。
論文 参考訳（メタデータ） (2024-02-29T01:20:29Z) - Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。
具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。
本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
論文 参考訳（メタデータ） (2023-09-11T09:26:07Z) - Fast refacing of MR images with a generative neural network lowers
re-identification risk and preserves volumetric consistency [5.040145546652933]
本稿では,3次元条件生成対向ネットワークに基づく3次元T1重み付きスキャンのための顔の匿名化手法を提案する。
提案手法は顔生成に9秒を要し, 顔の変形後の一貫した後処理結果の復元に適している。
論文 参考訳（メタデータ） (2023-05-26T13:34:14Z) - 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) - Generation of Anonymous Chest Radiographs Using Latent Diffusion Models
for Training Thoracic Abnormality Classification Systems [7.909848251752742]
胸部X線写真における生体認証は、研究目的のためにそのようなデータの公開を妨げている。
この研究は、高品質なクラス条件画像の匿名胸部X線データセットを合成するために潜時拡散モデルを用いている。
論文 参考訳（メタデータ） (2022-11-02T17:43:02Z) - Securing the Classification of COVID-19 in Chest X-ray Images: A
Privacy-Preserving Deep Learning Approach [1.4146420810689422]
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。
論文 参考訳（メタデータ） (2022-03-15T08:48:47Z) - 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) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Is Medical Chest X-ray Data Anonymous? [8.29994774042507]
よく訓練された深層学習システムが胸部X線データから患者の身元を回復できることを示した。
大規模なChestX-ray14データセットを使用して、これを実証する。
論文 参考訳（メタデータ） (2021-03-15T17:26:43Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。