CaRENets：用于加密医学图像同态推断的紧凑且资源高效的 CNN
密码学与安全
2019-01-30 v1
摘要
卷积神经网络（CNN）在医学图像分类任务中实现了性能的显著提升。然而，由于数据隐私问题，将神经网络模型转化用于临床应用仍然具有挑战性。全同态加密（FHE）有潜力解决这一挑战，因为它支持在加密图像上使用 CNN。然而，当前 HE 技术带来了巨大的计算和内存开销，尤其对于临床环境中常见的高分辨率图像。我们提出 CaRENets：紧凑且资源高效的 CNN，用于在实际应用中对高分辨率加密图像进行高性能和资源高效的推断。其核心是一种新的 FHE 紧凑打包方案，与 CNN 函数紧密集成。与标准交错打包方案相比，CaRENets 具有内存效率（由于图像和 CNN 激活的紧凑打包）和推断速度（由于生成的密文数量及相关数学运算的减少）的双重优势。我们将 CaRENets 应用于两种临床病症——早产儿视网膜病变（ROP）和糖尿病性视网膜病变（DR）——在 80 位安全级别下进行同态异常检测。ROP 数据集包含 96 x 96 灰度图像，而 DR 数据集包含 256 x 256 RGB 图像。我们展示了相比交错打包方案，内存效率提升超过 45 倍，推断加速 4-5 倍。由于我们的方法实现了内存高效、低延迟的 HE 推断且不带来额外通信负担，它对临床影像中实用且安全的深度学习推断具有重要意义。
引用
@article{arxiv.1901.10074,
title = {CaRENets: Compact and Resource-Efficient CNN for Homomorphic Inference on Encrypted Medical Images},
author = {Jin Chao and Ahmad Al Badawi and Balagopal Unnikrishnan and Jie Lin and Chan Fook Mun and James M. Brown and J. Peter Campbell and Michael Chiang and Jayashree Kalpathy-Cramer and Vijay Ramaseshan Chandrasekhar and Pavitra Krishnaswamy and Khin Mi Mi Aung},
journal= {arXiv preprint arXiv:1901.10074},
year = {2019}
}