HeartSpot：用于心脏增大检测的可私有化且可解释的数据压缩
图像与视频处理
2022-10-06 v1 密码学与安全
计算机视觉与模式识别
机器学习
摘要
数据驱动的深度学习在胸 X 光图像分析中的进展，凸显了对可解释性、隐私性、大型数据集及大量计算资源的需求。我们将隐私与可解释性构建为有损单图像压缩问题，以在不训练的情况下降低计算与数据需求。针对胸 X 光图像中的心脏增大检测，我们提出 HeartSpot 与四种空间偏置先验。HeartSpot 先验定义了如何根据医学文献与机器领域的领域知识对像素进行采样。HeartSpot 通过丢弃多达 97% 的像素（如揭示胸廓形状、骨骼、小病变及其他敏感特征的像素）来实现胸 X 光图像的私有化。HeartSpot 先验是事前可解释的，并给出保留空间特征的人类可解读图像，清晰勾勒出心脏。HeartSpot 提供强压缩，像素最多减少 32 倍，文件大小缩小 11 倍。与使用基线 DenseNet121 相比，采用 HeartSpot 的心脏增大检测器训练速度最多快 9 倍，或至少同样准确（AUC ROC 最高提升 .01）。HeartSpot 通过复用现有归因方法实现事后可解释，且无需访问原始非私有化图像。总之，HeartSpot 提升了速度与准确率，减小了图像尺寸，增强了隐私性并确保了可解释性。源代码：https://www.github.com/adgaudio/HeartSpot
引用
@article{arxiv.2210.02241,
title = {HeartSpot: Privatized and Explainable Data Compression for Cardiomegaly Detection},
author = {Elvin Johnson and Shreshta Mohan and Alex Gaudio and Asim Smailagic and Christos Faloutsos and Aurélio Campilho},
journal= {arXiv preprint arXiv:2210.02241},
year = {2022}
}
备注
Accepted to IEEE-EMBS International Conference on Biomedical and Health Informatics 2022. IEEE copyrights may apply