Mixup-Privacy：一种简洁而有效的隐私保护分割方法
计算机视觉与模式识别
2023-06-21 v2
摘要
医疗数据中的隐私保护是集中式机器学习应用面临的一个合理障碍。在此，我们提出一种客户端-服务器图像分割系统，能够在保护患者隐私的同时分析多中心医疗图像。在该方法中，客户端通过将待分割的患者图像与参考图像混合来保护图像。如我们所展示的，将混合图像分离为精确的原始内容具有挑战性，从而使得未经授权的人无法使用且无法识别该数据。该代理图像被发送至服务器进行处理。随后服务器返回分割图的混合结果，客户端可将其还原为正确的目标分割。我们的系统包含两个组件：1) 服务器端处理图像混合的分割网络；2) 从分割混合中恢复正确分割图的分割解混网络。此外，整个系统以端到端方式训练。所提方法在使用两个不同数据集的 MRI 脑分割任务上进行了验证。结果表明，我们的方法的分割精度与在原始图像上训练的系统相当，并以极少的计算开销优于其他隐私保护方法。
引用
@article{arxiv.2305.13756,
title = {Mixup-Privacy: A simple yet effective approach for privacy-preserving segmentation},
author = {Bach Kim and Jose Dolz and Pierre-Marc Jodoin and Christian Desrosiers},
journal= {arXiv preprint arXiv:2305.13756},
year = {2023}
}