論文の概要: Report of the Medical Image De-Identification (MIDI) Task Group -- Best
Practices and Recommendations
- arxiv url: http://arxiv.org/abs/2303.10473v1
- Date: Sat, 18 Mar 2023 19:12:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 19:11:06.852419
- Title: Report of the Medical Image De-Identification (MIDI) Task Group -- Best
Practices and Recommendations
- Title(参考訳): 医用画像復号化(MIDI)タスクグループ報告 - ベストプラクティスと勧告-
- Authors: David A. Clunie, Adam Flanders, Adam Taylor, Brad Erickson, Brian
Bialecki, David Brundage, David Gutman, Fred Prior, J Anthony Seibert, John
Perry, Judy Wawira Gichoya, Justin Kirby, Katherine Andriole, Luke Geneslaw,
Steve Moore, TJ Fitzgerald, Wyatt Tellis, Ying Xiao
- Abstract要約: 本報告では,ヒトおよび生体試料の医用画像の識別の技術的側面について述べる。
公開データのみの特定が検討されている。
人工知能(AI)モデル開発のためのフェデレーション学習のような、プライバシに対する別のアプローチは、スコープ外である。
- 参考スコア(独自算出の注目度): 1.172992455874623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This report addresses the technical aspects of de-identification of medical
images of human subjects and biospecimens, such that re-identification risk of
ethical, moral, and legal concern is sufficiently reduced to allow unrestricted
public sharing for any purpose, regardless of the jurisdiction of the source
and distribution sites. All medical images, regardless of the mode of
acquisition, are considered, though the primary emphasis is on those with
accompanying data elements, especially those encoded in formats in which the
data elements are embedded, particularly Digital Imaging and Communications in
Medicine (DICOM). These images include image-like objects such as
Segmentations, Parametric Maps, and Radiotherapy (RT) Dose objects. The scope
also includes related non-image objects, such as RT Structure Sets, Plans and
Dose Volume Histograms, Structured Reports, and Presentation States. Only
de-identification of publicly released data is considered, and alternative
approaches to privacy preservation, such as federated learning for artificial
intelligence (AI) model development, are out of scope, as are issues of privacy
leakage from AI model sharing. Only technical issues of public sharing are
addressed.
- Abstract(参考訳): 本報告は、倫理的・道徳的・法的懸念の再識別リスクを十分に低減し、ソース・配信サイトの管轄権にかかわらず、いかなる目的でも無制限の公開共有を許すような、人体・バイオスペクティブの医療画像の非特定の技術的側面について論じる。
取得のモードにかかわらず、すべての医療画像は考慮されているが、主にデータ要素、特にデータ要素が埋め込まれたフォーマット、特にDigital Imaging and Communications in Medicine (DICOM)で符号化されたデータ要素を持つものに焦点を当てている。
これらの画像には、Segmentation、Parametric Maps、Radiotherapy (RT) Doseオブジェクトなどのイメージライクなオブジェクトが含まれている。
このスコープには、RT構造セット、プランと線量ヒストグラム、構造化レポート、プレゼンテーション状態など、関連する非イメージオブジェクトも含まれている。
公開データのみを識別し、人工知能(AI)モデル開発のためのフェデレーション学習のような、プライバシ保護への代替アプローチは、AIモデル共有からのプライバシリークの問題と同様に、スコープ外である。
公開共有の技術的な問題にのみ対処する。
関連論文リスト
- 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) - RAD-DINO: Exploring Scalable Medical Image Encoders Beyond Text
Supervision [44.00149519249467]
言語による事前学習は、画像から意味論的に意味のある特徴を抽出する貴重な方法であることが証明されている。
生体画像エンコーダRAD-DINOについて検討した。
論文 参考訳(メタデータ) (2024-01-19T17:02:17Z) - 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) - Data Augmentation: a Combined Inductive-Deductive Approach featuring
Answer Set Programming [1.1060425537315088]
本稿では,高度なデータ拡張技術を用いて,フォトリアリスティック画像の合成を行うフレームワークを提案する。
得られたラベル付き画像は、生成されたラベルに準拠した写真リアルな画像を作成するためのDeep Learningに基づく専用プロセスを実行する。
論文 参考訳(メタデータ) (2023-10-22T21:02:26Z) - Enrichment of the NLST and NSCLC-Radiomics computed tomography
collections with AI-derived annotations [0.16863755729554886]
胸部CT画像, NSCLC-Radiomics, NSCLC-Radiomics と National Lung Screening Trial の2つのコレクションにAI生成アノテーションを導入する。
結果として得られたアノテーションはNCI Imaging Data Commons (IDC)で公開されており、DICOMフォーマットはデータを調和させ、FAIR原則を達成するために使用される。
この研究は、大規模でパブリックにキュレートされたデータセットの必要性を強化し、AIががんイメージングにどのように役立つかを実証する。
論文 参考訳(メタデータ) (2023-05-31T19:46:18Z) - 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) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳(メタデータ) (2022-08-01T18:47:03Z) - Cross-level Contrastive Learning and Consistency Constraint for
Semi-supervised Medical Image Segmentation [46.678279106837294]
半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。
クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
論文 参考訳(メタデータ) (2022-02-08T15:12:11Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis [1.3079444139643956]
本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。
本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
論文 参考訳(メタデータ) (2021-10-13T15:40:50Z) - Auxiliary Signal-Guided Knowledge Encoder-Decoder for Medical Report
Generation [107.3538598876467]
放射線技師の動作パターンを模倣する補助信号誘導知識デコーダ(ASGK)を提案する。
ASGKは、内的特徴融合と外部医療言語情報を統合して、医療知識の伝達と学習をガイドする。
論文 参考訳(メタデータ) (2020-06-06T01:00:15Z)
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。