基于深度学习的胸部 X 光片匿名化：一种保留效用的患者隐私保护措施
图像与视频处理
2023-07-25 v2 密码学与安全
计算机视觉与模式识别
机器学习
摘要
对胸部 X 光片进行稳健可靠的匿名化，是在发布此类大型研究数据集前必不可少的一步。传统的匿名化过程是通过黑框遮挡图像中的个人信息并删除或替换元信息来实现的。然而，这种简单措施在胸部 X 光片中保留了生物特征信息，使得患者可通过关联攻击被重新识别。因此，迫切需要对图像中出现的生物特征信息进行混淆。我们提出了首个基于深度学习的方法（PriCheXy-Net），在保持用于诊断和机器学习目的的数据效用的同时，有针对性地匿名化胸部 X 光片。我们的模型架构由三个独立神经网络组成，联合使用时可学习一个能够阻碍患者重新识别的形变场。在 ChestX-ray14 数据集上的定量结果显示，重新训练后患者重识别率（AUC）从 81.8% 降至 57.7%，而对异常分类性能影响甚微。这表明能够在提升患者隐私的同时保留潜在的异常模式。最后，我们将所提出的匿名化方法与另外两种基于混淆的方法（Privacy-Net、DP-Pix）进行比较，并证明了我们的方法在解决胸部 X 光片隐私-效用权衡方面的优越性。
引用
@article{arxiv.2209.11531,
title = {Deep Learning-based Anonymization of Chest Radiographs: A Utility-preserving Measure for Patient Privacy},
author = {Kai Packhäuser and Sebastian Gündel and Florian Thamm and Felix Denzinger and Andreas Maier},
journal= {arXiv preprint arXiv:2209.11531},
year = {2023}
}
备注
Accepted at MICCAI 2023