論文の概要: Pitfalls of defacing whole-head MRI: re-identification risk with diffusion models and compromised research potential
- arxiv url: http://arxiv.org/abs/2501.18834v1
- Date: Fri, 31 Jan 2025 00:58:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 14:02:39.220332
- Title: Pitfalls of defacing whole-head MRI: re-identification risk with diffusion models and compromised research potential
- Title(参考訳): 頭部MRIの落とし穴-拡散モデルによる再同定リスクと妥協研究の可能性-
- Authors: Chenyu Gao, Kaiwen Xu, Michael E. Kim, Lianrui Zuo, Zhiyuan Li, Derek B. Archer, Timothy J. Hohman, Ann Zenobia Moore, Luigi Ferrucci, Lori L. Beason-Held, Susan M. Resnick, Christos Davatzikos, Jerry L. Prince, Bennett A. Landman,
- Abstract要約: 我々は、カスケード型確率拡散モデル(DPM)を用いて、顔の頭部MRIにおける顔の復元を行うリタッチパイプラインを開発した。
DPMは180人の被験者の画像に基づいて訓練され、484人の未確認被験者の画像でテストされる。
以上の結果から,DPMは画像から得られた顔に類似した高忠実な顔を生成することができ,表面距離は人口平均面よりもかなり小さいことがわかった。
- 参考スコア(独自算出の注目度): 11.891539513675697
- License:
- Abstract: Defacing is often applied to head magnetic resonance image (MRI) datasets prior to public release to address privacy concerns. The alteration of facial and nearby voxels has provoked discussions about the true capability of these techniques to ensure privacy as well as their impact on downstream tasks. With advancements in deep generative models, the extent to which defacing can protect privacy is uncertain. Additionally, while the altered voxels are known to contain valuable anatomical information, their potential to support research beyond the anatomical regions directly affected by defacing remains uncertain. To evaluate these considerations, we develop a refacing pipeline that recovers faces in defaced head MRIs using cascaded diffusion probabilistic models (DPMs). The DPMs are trained on images from 180 subjects and tested on images from 484 unseen subjects, 469 of whom are from a different dataset. To assess whether the altered voxels in defacing contain universally useful information, we also predict computed tomography (CT)-derived skeletal muscle radiodensity from facial voxels in both defaced and original MRIs. The results show that DPMs can generate high-fidelity faces that resemble the original faces from defaced images, with surface distances to the original faces significantly smaller than those of a population average face (p < 0.05). This performance also generalizes well to previously unseen datasets. For skeletal muscle radiodensity predictions, using defaced images results in significantly weaker Spearman's rank correlation coefficients compared to using original images (p < 10-4). For shin muscle, the correlation is statistically significant (p < 0.05) when using original images but not statistically significant (p > 0.05) when any defacing method is applied, suggesting that defacing might not only fail to protect privacy but also eliminate valuable information.
- Abstract(参考訳): プライバシの懸念に対処するために、公開リリース前のヘッド磁気共鳴画像(MRI)データセットにデフェイスが適用されることが多い。
顔と近くのボクセルの変更は、プライバシーと下流タスクへの影響を確実にするこれらのテクニックの真の能力に関する議論を引き起こしている。
深層生成モデルの進歩により、認識できないほどプライバシを保護できる範囲は不確実である。
さらに、変化したボクセルは解剖学的に貴重な情報を含んでいることが知られているが、解剖学的領域を超えて解剖学的に影響を受ける研究を支援する可能性については、いまだに不明である。
これらの考察を評価するため、我々は、カスケード拡散確率モデル(DPM)を用いて、顔の頭部MRIにおける顔の復元を行うリファイア・パイプラインを開発した。
DPMは180人の被験者の画像に基づいて訓練され、484人の未確認被験者の画像でテストされる。
変形した顔面のボクセルが普遍的に有用な情報を含んでいるかどうかを評価するため,CTによる顔面のボクセルからの骨格筋密度の予測も行った。
以上の結果から,DPMは画像から得られた顔に類似した高忠実な顔を生成することができることがわかった(p < 0.05)。
このパフォーマンスは、これまで見つからなかったデータセットにもよく応用される。
骨格筋のX線密度予測では、デフェクト画像を用いた場合、スピアマンのランク相関係数は元の画像と比較すると著しく低下する(p < 10-4)。
真筋の場合、この相関は元の画像を使用すると統計的に有意(p < 0.05)であるが、デフェクト法を適用した場合には統計的に有意(p > 0.05)ではない(p > 0.05)。
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) - Privacy Protection in MRI Scans Using 3D Masked Autoencoders [2.463789441707266]
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。
論文 参考訳(メタデータ) (2023-10-24T12:25:37Z) - Privacy Assessment on Reconstructed Images: Are Existing Evaluation
Metrics Faithful to Human Perception? [86.58989831070426]
本研究では,手作りのメトリクスの忠実さを,再構成画像からの人間のプライバシー情報の認識に適用する。
本稿では,SemSimと呼ばれる学習に基づく尺度を提案し,オリジナル画像と再構成画像のセマンティック類似性を評価する。
論文 参考訳(メタデータ) (2023-09-22T17:58:04Z) - 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) - Estimating Head Motion from MR-Images [0.0]
頭部運動は磁気共鳴画像(MRI)解析の完全な共同創設者である。
本稿では,T1重み付き(T1w),T2重み付き(T2w)およびFLAIR画像から直接,走査内頭部の動きを予測する深層学習手法を提案する。
論文 参考訳(メタデータ) (2023-02-28T11:03:08Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳(メタデータ) (2022-04-11T17:29:36Z) - End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。
本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。
我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
論文 参考訳(メタデータ) (2021-08-21T09:08:41Z) - Re-identification of Individuals in Genomic Datasets Using Public Face
Images [30.331049734571746]
実際の顔画像を用いた場合,このような連鎖攻撃がいかに成功するかを検討する。
再同定の真のリスクは、以前の文献が示唆するよりも、ほとんどの個人にとってかなり小さいと考えられる。
論文 参考訳(メタデータ) (2021-02-17T03:54:25Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z) - Understanding the robustness of deep neural network classifiers for
breast cancer screening [52.50078591615855]
ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。
放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。
また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
論文 参考訳(メタデータ) (2020-03-23T01:26:36Z)
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。