論文の概要: MedBlindTuner: Towards Privacy-preserving Fine-tuning on Biomedical Images with Transformers and Fully Homomorphic Encryption

• arxiv url: http://arxiv.org/abs/2401.09604v1
• Date: Wed, 17 Jan 2024 21:30:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-19 18:34:40.822772
• Title: MedBlindTuner: Towards Privacy-preserving Fine-tuning on Biomedical Images with Transformers and Fully Homomorphic Encryption
• Title（参考訳）: MedBlindTuner: トランスフォーマーと完全同型暗号化によるバイオメディカル画像のプライバシー保護のための微調整
• Authors: Prajwal Panzade, Daniel Takabi, Zhipeng Cai
• Abstract要約: We propose MedBlindTuner, a privacy-serving framework using fully homomorphic encryption (FHE) and a data- efficient image transformer (DEiT)。 MedBlindTunerは、FHE暗号化された医療画像のみを対象としたMLモデルのトレーニングを可能にする。 実験により、MedBlindTunerは非暗号化画像上で訓練されたモデルに匹敵する精度を達成できることを示した。
• 参考スコア（独自算出の注目度）: 5.12893315783096
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Advancements in machine learning (ML) have significantly revolutionized medical image analysis, prompting hospitals to rely on external ML services. However, the exchange of sensitive patient data, such as chest X-rays, poses inherent privacy risks when shared with third parties. Addressing this concern, we propose MedBlindTuner, a privacy-preserving framework leveraging fully homomorphic encryption (FHE) and a data-efficient image transformer (DEiT). MedBlindTuner enables the training of ML models exclusively on FHE-encrypted medical images. Our experimental evaluation demonstrates that MedBlindTuner achieves comparable accuracy to models trained on non-encrypted images, offering a secure solution for outsourcing ML computations while preserving patient data privacy. To the best of our knowledge, this is the first work that uses data-efficient image transformers and fully homomorphic encryption in this domain.
• Abstract（参考訳）: 機械学習(ML)の進歩は医療画像分析に大きな革命をもたらし、病院は外部のMLサービスに頼るようになった。 しかし、胸部x線などのセンシティブな患者データの交換は、第三者と共有する際に固有のプライバシーリスクをもたらす。 そこで我々は,完全準同型暗号 (fhe) とデータ効率の高い画像トランスフォーマ (deit) を活用したプライバシー保護フレームワーク medblindtuner を提案する。 MedBlindTunerは、FHE暗号化された医療画像専用のMLモデルのトレーニングを可能にする。 我々の実験的評価は、MedBlindTunerが非暗号化画像上で訓練されたモデルに匹敵する精度を達成し、患者データのプライバシを維持しながら、ML計算をアウトソーシングするためのセキュアなソリューションを提供することを示した。 私たちの知る限りでは、このドメインでデータ効率のよい画像トランスフォーマーと完全同型暗号化を使用する最初の作品です。

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)
• I can't see it but I can Fine-tune it: On Encrypted Fine-tuning of Transformers using Fully Homomorphic Encryption [5.12893315783096]
  BlindTunerは、画像分類のための同型暗号化データのみを対象としたトランスフォーマートレーニングを可能にする、プライバシー保護のための微調整システムである。 以上の結果から,従来よりも1.5倍から600倍の速度向上が見られた。
  論文  参考訳（メタデータ） (2024-02-14T10:15:43Z)
• Differential Privacy for Adaptive Weight Aggregation in Federated Tumor Segmentation [0.16746114653388383]
  Federated Learning(FL)は、個々のクライアントデータのプライバシを尊重しながら、公平なグローバルモデルを作成することによって、プライバシを保護する分散機械学習アプローチである。 医用画像セグメンテーションにおける差分プライバシー(DP)統合ディープラーニングフレームワークを提案する。 我々は, 類似度重み付け法(SimAgg)を, 脳腫瘍セグメント化のための差分プライベート類似度重み付けアルゴリズムDP-SimAggアルゴリズムに拡張する。
  論文  参考訳（メタデータ） (2023-08-01T21:59:22Z)
• 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)
• 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)
• Bridging the Gap: Differentially Private Equivariant Deep Learning for Medical Image Analysis [7.49320945341034]
  我々は、差分プライバシー(DP)を用いた医用画像解析に、ステアブル同変畳み込みネットワークを用いることを提案する。 それらの改善された特徴品質とパラメータ効率は、顕著な精度向上をもたらし、プライバシーと実用性のギャップを狭める。
  論文  参考訳（メタデータ） (2022-09-09T14:51:13Z)
• THE-X: Privacy-Preserving Transformer Inference with Homomorphic Encryption [112.02441503951297]
  トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。 我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
  論文  参考訳（メタデータ） (2022-06-01T03:49:18Z)
• 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)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。