論文の概要: Privacy-Preserving Chest X-ray Classification in Latent Space with Homomorphically Encrypted Neural Inference

• arxiv url: http://arxiv.org/abs/2506.15258v2
• Date: Fri, 20 Jun 2025 03:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 12:57:34.519605
• Title: Privacy-Preserving Chest X-ray Classification in Latent Space with Homomorphically Encrypted Neural Inference
• Title（参考訳）: 均一暗号化型ニューラルネットワークを用いた潜在空間におけるプライバシー保護型胸部X線分類
• Authors: Jonghun Kim, Gyeongdeok Jo, Sinyoung Ra, Hyunjin Park,
• Abstract要約: 医用画像データは、強力なプライバシー保護を必要とするセンシティブな患者情報を含んでいる。 ホモモルフィック暗号化(HE)は、元の情報を公開せずに暗号化されたデータの計算を可能にするソリューションを提供する。 本稿では,VQGANを用いて画像の潜在表現への圧縮を行う医用画像の推論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.0015555136149175
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical imaging data contain sensitive patient information requiring strong privacy protection. Many analytical setups require data to be sent to a server for inference purposes. Homomorphic encryption (HE) provides a solution by allowing computations to be performed on encrypted data without revealing the original information. However, HE inference is computationally expensive, particularly for large images (e.g., chest X-rays). In this study, we propose an HE inference framework for medical images that uses VQGAN to compress images into latent representations, thereby significantly reducing the computational burden while preserving image quality. We approximate the activation functions with lower-degree polynomials to balance the accuracy and efficiency in compliance with HE requirements. We observed that a downsampling factor of eight for compression achieved an optimal balance between performance and computational cost. We further adapted the squeeze and excitation module, which is known to improve traditional CNNs, to enhance the HE framework. Our method was tested on two chest X-ray datasets for multi-label classification tasks using vanilla CNN backbones. Although HE inference remains relatively slow and introduces minor performance differences compared with unencrypted inference, our approach shows strong potential for practical use in medical images
• Abstract（参考訳）: 医用画像データは、強力なプライバシー保護を必要とするセンシティブな患者情報を含んでいる。 多くの分析的な設定では、推論のためにサーバにデータを送信する必要がある。 ホモモルフィック暗号化(HE)は、元の情報を明らかにすることなく、暗号化されたデータ上で計算を実行できるソリューションを提供する。 しかし、HE推論は計算コストが高く、特に大きな画像(例えば胸部X線)では高い。 本研究では,VQGANを用いた医用画像のHE推論フレームワークを提案する。 我々は,活性化関数を低次多項式に近似し,HE要求に応じて精度と効率のバランスをとる。 その結果,圧縮率8のダウンサンプリング係数は,性能と計算コストの最適バランスを達成できた。 さらに,従来のCNNの改良で知られている圧縮・励起モジュールを改良し,HEフレームワークを改良した。 胸部X線データセットを用いて,バニラCNNバックボーンを用いたマルチラベル分類タスクについて検討した。 HE推論は、暗号化されていない推論と比較して比較的遅く、若干の性能差が生じるが、本手法は医用画像の実用化に強い可能性を示している。

関連論文リスト

• Mask of truth: model sensitivity to unexpected regions of medical images [0.9896218845636701]
  我々は、胸部X線と眼底画像の分類に畳み込みニューラルネットワーク(CNN)の能力に挑戦する。 マスク戦略に関わらず、PadデータセットでトレーニングされたすべてのモデルがランダムにAUC(Area Under the Curve)を得ることができることを示す。 また,Chaksuデータセットでは,非バイアスモデルに対する期待値に一致した結果が得られた。
  論文  参考訳（メタデータ） (2024-12-05T10:06:58Z)
• DCT-CryptoNets: Scaling Private Inference in the Frequency Domain [8.084341432899954]
  DCT-CryptoNetsは,計算コストの高い非線形アクティベーションの負担を軽減するために,周波数領域内で直接動作する新しい手法である。 JPEGエンコーディングで一般的に使用される離散コサイン変換(DCT)は、リモートコンピューティングサービスと本質的に互換性がある。 ImageNetデータセットの推論を2.5時間以内に示す(96スレッドの同等の計算リソースで12.5時間からダウンする)。
  論文  参考訳（メタデータ） (2024-08-27T17:48:29Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
  本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。 提案されたADLは2つの自動エンコーダで構成されている。 デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
  論文  参考訳（メタデータ） (2022-04-29T13:47:39Z)
• COIN++: Data Agnostic Neural Compression [55.27113889737545]
  COIN++は、幅広いデータモダリティをシームレスに扱うニューラルネットワーク圧縮フレームワークである。 様々なデータモダリティを圧縮することで,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-01-30T20:12:04Z)
• Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
  我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。 Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。 エンコードされたデータから診断を予測する能力を維持している。
  論文  参考訳（メタデータ） (2022-01-28T20:32:04Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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。