用于多机构医学图像分割的微分隐私联邦深度学习
图像与视频处理
2021-07-07 v1 计算机视觉与模式识别
机器学习
摘要
联邦学习（FL）等协作式机器学习技术能够在无需数据传输的情况下，基于规模上更大的有效数据集训练模型。近期的一些倡议已表明，采用 FL 训练的分割模型可达到与本地训练模型相近的性能。然而，FL 并非完全隐私保护的技术，以隐私为目标的攻击可能泄露机密的患者数据。因此，在多机构环境下的临床应用中，以差分隐私（DP）等隐私增强技术（PTs）对 FL 进行补充是一项必然要求。将 PTs 应用于医学影像中的 FL，以及隐私保证与模型效用之间的权衡、对训练性能的影响、最终模型遭受攻击的敏感性，尚未得到确定性研究。在此，我们展示了基于差分隐私梯度下降的 FL 在 CT 语义分割任务上的首次应用。我们发现，在强隐私保证下，以可接受的训练时间代价即可实现高分割性能。我们还进一步展示了针对语义分割模型的首次成功基于梯度的模型反演攻击，并表明应用 DP 可阻止其泄露敏感图像特征。
引用
@article{arxiv.2107.02586,
title = {Differentially private federated deep learning for multi-site medical image segmentation},
author = {Alexander Ziller and Dmitrii Usynin and Nicolas Remerscheid and Moritz Knolle and Marcus Makowski and Rickmer Braren and Daniel Rueckert and Georgios Kaissis},
journal= {arXiv preprint arXiv:2107.02586},
year = {2021}
}
备注
Submitted to the Journal of Machine Learning in Biomedical Imaging (MELBA)