論文の概要: Privacy Protection in MRI Scans Using 3D Masked Autoencoders

• arxiv url: http://arxiv.org/abs/2310.15778v3
• Date: Mon, 18 Mar 2024 13:27:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 00:30:47.815421
• Title: Privacy Protection in MRI Scans Using 3D Masked Autoencoders
• Title（参考訳）: 3次元マスク付きオートエンコーダを用いたMRIスキャンのプライバシー保護
• Authors: Lennart Alexander Van der Goten, Kevin Smith,
• Abstract要約: データ匿名化と非識別化は、個人の個人情報のプライバシーと機密性の確保に関係している。 CP-MAE(CP-MAE)を提案する。 私たちの方法では、解像度の高忠実度スキャンを最大2563ドルまで合成することができます。
• 参考スコア（独自算出の注目度）: 2.463789441707266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: MRI scans provide valuable medical information, however they also contain sensitive and personally identifiable information that needs to be protected. Whereas MRI metadata is easily sanitized, MRI image data is a privacy risk because it contains information to render highly-realistic 3D visualizations of a patient's head, enabling malicious actors to possibly identify the subject by cross-referencing a database. Data anonymization and de-identification is concerned with ensuring the privacy and confidentiality of individuals' personal information. Traditional MRI de-identification methods remove privacy-sensitive parts (e.g. eyes, nose etc.) from a given scan. This comes at the expense of introducing a domain shift that can throw off downstream analyses. In this work, we propose CP-MAE, a model that de-identifies the face by remodeling it (e.g. changing the face) rather than by removing parts using masked autoencoders. CP-MAE outperforms all previous approaches in terms of downstream task performance as well as de-identification. With our method we are able to synthesize high-fidelity scans of resolution up to $256^3$ -- compared to $128^3$ with previous approaches -- which constitutes an eight-fold increase in the number of voxels.
• Abstract（参考訳）: MRIスキャンは貴重な医療情報を提供するが、保護すべき機密情報や個人識別情報も含む。 MRIメタデータは容易にサニタイズされるが、MRI画像データは患者の頭部の高現実的な3Dヴィジュアライゼーションをレンダリングする情報を含んでいるため、データベースを相互参照することで、悪意あるアクターが被検体を特定できるため、プライバシのリスクである。 データ匿名化と非識別化は、個人の個人情報のプライバシーと機密性の確保に関係している。 従来のMRIの非識別方法は、特定のスキャンからプライバシーに敏感な部分(目、鼻など)を取り除く。 これは、ダウンストリーム分析をオフにできるドメインシフトの導入に費やされる。 本研究では,マスク付きオートエンコーダを用いて部品を除去する代わりに,顔のリモデリング(例えば顔の変更)によって顔を識別するCP-MAEを提案する。 CP-MAEは、ダウンストリームタスクのパフォーマンスと非識別の観点から、以前のアプローチよりも優れています。 我々の方法では、解像度が最大256^3$までの高忠実度スキャンを合成できるが、従来の手法では128^3$であるのに対し、ボクセルの数は8倍に増加する。

関連論文リスト

• Privacy-preserving Optics for Enhancing Protection in Face De-identification [60.110274007388135]
  この脆弱性を解決するために,ハードウェアレベルの顔識別手法を提案する。 また、プライバシ保存画像、フェイスヒートマップ、およびパブリックデータセットからの参照顔イメージを入力として、新しい顔を生成する匿名化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T19:28:04Z)
• 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)
• Disguise without Disruption: Utility-Preserving Face De-Identification [40.484745636190034]
  本研究では,修正データの利用性を確保しつつ,顔画像をシームレスに識別する新しいアルゴリズムであるDisguiseを紹介する。 本手法は, 難読化と非可逆性を最大化するために, 変分機構を用いて生成した合成物を用いて, 描写されたアイデンティティを抽出し置換することを含む。 提案手法を複数のデータセットを用いて広範に評価し,様々な下流タスクにおける従来の手法と比較して,高い非識別率と一貫性を示す。
  論文  参考訳（メタデータ） (2023-03-23T13:50:46Z)
• 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 Face Recognition with Learnable Privacy Budgets in Frequency Domain [77.8858706250075]
  本稿では,周波数領域における差分プライバシーを用いたプライバシ保護顔認証手法を提案する。 本手法はいくつかの古典的顔認証テストセットで非常によく機能する。
  論文  参考訳（メタデータ） (2022-07-15T07:15:36Z)
• FaceMAE: Privacy-Preserving Face Recognition via Masked Autoencoders [81.21440457805932]
  顔のプライバシと認識性能を同時に考慮する新しいフレームワークFaceMAEを提案する。 ランダムにマスクされた顔画像は、FaceMAEの再構築モジュールのトレーニングに使用される。 また、いくつかの公開顔データセット上で十分なプライバシー保護顔認証を行う。
  論文  参考訳（メタデータ） (2022-05-23T07:19:42Z)
• Conditional De-Identification of 3D Magnetic Resonance Images [29.075173293529947]
  本稿では,顔の特徴を除去する代わりに,顔の特徴をモデル化する新しい非識別手法を提案する。 提案手法は,下流の医療分析を損なうことなく,従来の手法よりもはるかにプライバシーを保護できることを実証する。
  論文  参考訳（メタデータ） (2021-10-18T15:19:35Z)
• Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
  敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。 TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
  論文  参考訳（メタデータ） (2020-03-15T12:45:10Z)
• Deepfakes for Medical Video De-Identification: Privacy Protection and Diagnostic Information Preservation [12.10092482860325]
  顔認識アプローチとしてのフェイススワッピングは信頼性が高く、キーポイントはほぼ不変であり、従来の方法よりもはるかに優れている。 本研究では,医療データ共有の倫理的制約をクリアし,映像の識別とキーポイント保存のためのパイプラインを提案する。
  論文  参考訳（メタデータ） (2020-02-07T22:36:48Z)

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。