論文の概要: Deep classification algorithm for De-identification of DICOM medical images
- arxiv url: http://arxiv.org/abs/2508.02177v1
- Date: Mon, 04 Aug 2025 08:21:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.246246
- Title: Deep classification algorithm for De-identification of DICOM medical images
- Title（参考訳）: DICOM医療画像の深部分類アルゴリズム
- Authors: Bufano Michele, Kotter Elmar,
- Abstract要約: DICOMファイルの同定は、医用画像研究において不可欠な要素である。
名前、歴史、個人データ、機関など、最も賢明な情報が認識された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background : De-identification of DICOM (Digital Imaging and Communi-cations in Medicine) files is an essential component of medical image research. Personal Identifiable Information (PII) and/or Personal Health Identifying Information (PHI) need to be hidden or removed due to legal reasons. According to the Health Insurance Portability and Accountability Act (HIPAA) and privacy rules, also full-face photographic images and any compa-rable images are direct identifiers and are considered protected health information that also need to be de-identified. Objective : The study aimed to implement a method that permit to de-identify the PII and PHI information present in the header and burned on the pixel data of DICOM. Methods : To execute the de-identification, we implemented an algorithm based on the safe harbor method, defined by HIPAA. Our algorithm uses input customizable parameter to classify and then possibly de-identify individual DICOM tags. Results : The most sensible information, like names, history, personal data and institution were successfully recognized. Conclusions : We developed a python algorithm that is able to classify infor-mation present in a DICOM file. The flexibility provided by the use of customi-zable input parameters, which allow the user to customize the entire process de-pending on the case (e.g., the language), makes the entire program very promis-ing for both everyday use and research purposes. Our code is available at https://github.com/rtdicomexplorer/deep_deidentification.
- Abstract（参考訳）: 背景:DICOM(Digital Imaging and Communi-cations in Medicine)ファイルの同定は,医用画像研究の不可欠な要素である。
個人識別情報(PII)および/または個人健康特定情報(PHI)は法的理由により隠蔽または削除する必要がある。
HIPAA(Health Insurance Portability and Accountability Act)およびプライバシ規則によると、フルフェイスの写真画像とコンパ可読画像は直接の識別子であり、保護された健康情報と見なされている。
目的 : 本研究の目的は,DICOMの画素データに基づいてヘッダに存在するPII情報とPHI情報を識別する手法を実装することである。
方法 : 非識別化を行うために,HIPAAが定義したセーフハーバー法に基づくアルゴリズムを実装した。
我々のアルゴリズムは、入力カスタマイズ可能なパラメータを使用して、個別のDICOMタグを分類し、おそらくは識別する。
結果: 名前, 履歴, 個人データ, 機関など, 最も賢明な情報が認識された。
結論: DICOM ファイルに存在する infor-mation を分類できる python アルゴリズムを開発した。
カスタマイズ可能な入力パラメータを使用することで提供される柔軟性により、ユーザはケース(例えば言語)でプロセス全体をデペンディングできるようになります。
私たちのコードはhttps://github.com/rtdicomexplorer/deep_deidentificationで利用可能です。
関連論文リスト
- Medical Image De-Identification Resources: Synthetic DICOM Data and Tools for Validation [0.10617782943195009]
患者のプライバシーを確保することは、オープンアクセスデータ共有にとって重要な課題である。
Digital Imaging and Communications in Medicine (DICOM)は、重要な臨床メタデータと広範囲に保護された健康情報(PHI)と個人識別可能な情報の両方を符号化する(PII)。
このギャップに対処するために、合成PHI/PIIを取り入れたオープンアクセス型DICOMデータセットと、画像識別のベンチマークを行うための評価フレームワークを開発した。
論文 参考訳（メタデータ） (2025-08-03T18:48:28Z) - Medical Image De-Identification Benchmark Challenge [1.491270549044044]
MIDI-B Challengeの目的は、DICOMイメージデIDツールのベンチマークのための標準化されたプラットフォームを提供することであった。
この課題は、PHI/PIIを挿入した、大規模で多様なマルチセンター、マルチモダリティの実際の未同定放射線画像を用いた。
10チームが挑戦のテストフェーズを完了しました。
論文 参考訳（メタデータ） (2025-07-31T14:47:20Z) - De-Identification of Medical Imaging Data: A Comprehensive Tool for Ensuring Patient Privacy [4.376648893167674]
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。
論文 参考訳（メタデータ） (2024-10-16T09:31:24Z) - Disentangle Before Anonymize: A Two-stage Framework for Attribute-preserved and Occlusion-robust De-identification [55.741525129613535]
匿名化前の混乱」は、新しい二段階フレームワーク(DBAF)である
このフレームワークには、Contrastive Identity Disentanglement (CID)モジュールとKey-authorized Reversible Identity Anonymization (KRIA)モジュールが含まれている。
大規模な実験により,本手法は最先端の非識別手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-11-15T08:59:02Z) - 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) - 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) - 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) - Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。
実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
論文 参考訳（メタデータ） (2021-04-07T02:04:12Z) - MASK: A flexible framework to facilitate de-identification of clinical
texts [2.3015324171336378]
本稿では,MASKというソフトウェアパッケージについて紹介する。
ソフトウェアは、最先端技術を使って名前付きエンティティ認識を実行し、認識されたエンティティをマスクまたは修正することができる。
論文 参考訳（メタデータ） (2020-05-24T08:53:00Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z) - 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)
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。