論文の概要: De-Identification of Medical Imaging Data: A Comprehensive Tool for Ensuring Patient Privacy
- arxiv url: http://arxiv.org/abs/2410.12402v1
- Date: Wed, 16 Oct 2024 09:31:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-17 13:41:15.023780
- Title: De-Identification of Medical Imaging Data: A Comprehensive Tool for Ensuring Patient Privacy
- Title（参考訳）: 医用画像データの復号化--患者のプライバシーを守る包括的ツール
- Authors: Moritz Rempe, Lukas Heine, Constantin Seibold, Fabian Hörst, Jens Kleesiek,
- Abstract要約: オープンソースツールを使用して、DICOMの磁気共鳴画像、コンピュータ画像、スライド画像全体、および磁気共鳴twixの生データを識別することができる。
複数種類の入力のための精巧な匿名化パイプラインを備えており、画像データの非識別に使用される追加ツールの必要性を低減している。
- 参考スコア（独自算出の注目度）: 4.376648893167674
- License:
- Abstract: Medical data employed in research frequently comprises sensitive patient health information (PHI), which is subject to rigorous legal frameworks such as the General Data Protection Regulation (GDPR) or the Health Insurance Portability and Accountability Act (HIPAA). Consequently, these types of data must be pseudonymized prior to utilisation, which presents a significant challenge for many researchers. Given the vast array of medical data, it is necessary to employ a variety of de-identification techniques. To facilitate the anonymization process for medical imaging data, we have developed an open-source tool that can be used to de-identify DICOM magnetic resonance images, computer tomography images, whole slide images and magnetic resonance twix raw data. Furthermore, the implementation of a neural network enables the removal of text within the images. The proposed tool automates an elaborate anonymization pipeline for multiple types of inputs, reducing the need for additional tools used for de-identification of imaging data. We make our code publicly available at https://github.com/code-lukas/medical_image_deidentification.
- Abstract（参考訳）: 研究に頻繁に使用される医療データは、一般データ保護規則(GDPR)や健康保険可搬性説明責任法(HIPAA)などの厳格な法的枠組みに従う患者健康情報(PHI)を含む。
したがって、この種のデータは利用前に偽名化されなければならないため、多くの研究者にとって大きな課題となる。
膨大な医療データを考えると、様々な非識別技術を採用する必要がある。
医用画像データの匿名化を容易にするため,DICOM磁気共鳴画像,コンピュータ断層画像,全スライド画像,および磁気共鳴twix生データを識別するオープンソースツールを開発した。
さらに、ニューラルネットワークの実装により、画像内のテキストの削除が可能になる。
提案ツールは,複数種類の入力に対して精巧な匿名化パイプラインを自動化し,画像データの非識別に使用する追加ツールの必要性を低減する。
当社のコードはhttps://github.com/code-lukas/medical_image_deidentificationで公開しています。
関連論文リスト
- VISION: Toward a Standardized Process for Radiology Image Management at the National Level [3.793492459789475]
我々は,米国退役軍人局(VA)電子健康記録データベースに関連付けられた,信頼できる放射線画像の収集を行った経験について述べる。
主な洞察は、臨床から研究可能な環境への画像転送に必要な特定の手順を明らかにすることである。
論文 参考訳（メタデータ） (2024-04-29T16:30:24Z) - Medical Image Data Provenance for Medical Cyber-Physical System [8.554664822046966]
本研究では,画像にデバイス指紋(DFP)を埋め込むための透かし技術を提案する。
DFPは、キャプチャ装置のユニークな特性と生画像を表すもので、保存前に生画像に埋め込まれる。
相互接続型医療システムにおける医用画像データの整合性を高めるため、画像認証のために堅牢な遠隔検証手法が導入された。
論文 参考訳（メタデータ） (2024-03-22T13:24:44Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Balancing Privacy and Progress in Artificial Intelligence: Anonymization
in Histopathology for Biomedical Research and Education [1.8078387709049526]
医療データを“可能な限りオープン”に転送することは、患者のプライバシにリスクをもたらす。
既存の規制は、再識別リスクを避けるため、医療データを「必要に応じてクローズド」し続けるよう推進している。
本稿では,医療データ共有に関する法的規制と用語について考察する。
論文 参考訳（メタデータ） (2023-07-18T16:53:07Z) - DeID-GPT: Zero-shot Medical Text De-Identification by GPT-4 [80.36535668574804]
我々は新しいGPT4対応脱識別フレームワーク(DeID-GPT)を開発した。
開発したDeID-GPTは,非構造化医用テキストからの個人情報のマスキングにおいて,高い精度と信頼性を示した。
本研究は,ChatGPTおよびGPT-4を医療用テキストデータ処理および非識別に利用した最初期の1つである。
論文 参考訳（メタデータ） (2023-03-20T11:34:37Z) - 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) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - 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) - Technical Report: Quality Assessment Tool for Machine Learning with
Clinical CT [3.8144111843457327]
画像品質評価(IQA)は科学的調査、特に医用画像や機械学習において重要である。
実際には、ネットワーク問題、高速化された取得、モーションアーティファクト、イメージングプロトコル設計などの複数の要因が、画像収集の解釈を妨げる可能性がある。
そこで我々は,臨床的に得られたCTデータの大規模データマイニングで発生する問題を特定し,解決するためのパイプラインを作成した。
論文 参考訳（メタデータ） (2021-07-27T14:19:08Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - DeepEDN: A Deep Learning-based Image Encryption and Decryption Network
for Internet of Medical Things [11.684981995633304]
Internet of Medical Things (IoMT)は多くの医療画像機器を医療情報ネットワークに接続することができる。
DeepEDNは、医療画像の暗号化と復号化のプロセスを満たすために提案されている。
提案手法は高いレベルのセキュリティを実現し,高い効率性を実現する。
論文 参考訳（メタデータ） (2020-04-12T01:42:47Z)
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。