从隐私保护到恢复：医学图像的深度学习隐私化与重建
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
从医学图像中移除患者特定信息以实现共享和开放科学，同时不危及患者身份是至关重要的。然而，当前用于 deidentification 的许多方法因移除相关但不可识别的信息而对下游图像分析任务产生负面影响。本工作提出了一个端到端的深度学习框架，将原始临床图像体积转换为 de-identified、analysis-ready 数据集，而不损害下游效用。本工作中开发并测试的方法首先检测并 redact 可能包含受保护健康信息 (PHI) 的区域，如烙印文本和 metadata，然后使用生成式深度学习模型对 redact 区域进行 inpaint，以获得 anatomically 和 imaging 合理的内容。该方法管道利用轻量级混合架构，将 CRNN-based redaction 与潜在扩散 inpaint 恢复模块 (Stable Diffusion 2) 结合在一起。我们使用 privacy-oriented 指标量化残余 PHI 和 redaction 成功率，以及 image-quality 和 task-based 指标评估恢复体积的忠实度，以代表性深度学习应用为导向。我们的结果表明，所提出的方法可获得 de-identified 医学图像，视觉上连贯，保持下游模型的忠实度，同时显著降低患者重识别风险。通过自动化隐私化和图像重建于单一工作流程中，降低了医学影像 AI 中数据共享和跨机构合作的关键障碍。
引用
@article{arxiv.2604.11376,
title = {From Redaction to Restoration: Deep Learning for Medical Image Anonymization and Reconstruction},
author = {Adrienne Kline and Abhijit Gaonkar and Daniel Pittman and Chris Kuehn and Nils Forkert},
journal= {arXiv preprint arXiv:2604.11376},
year = {2026}
}