基于可控潜在扩散模型的差分隐私3D医学图像合成
图像与视频处理
2024-07-24 v1 计算机视觉与模式识别
摘要
公开医学影像数据集规模较小且隐私要求严格，阻碍了数据驱动型深度学习模型在医学影像中的发展。本研究针对短轴视图的3D心脏MRI图像提出挑战。我们提出一种生成条件于医学属性的潜在扩散模型，以确保差分隐私训练过程中的患者隐私。据称这是首个将差分隐私应用于3D医学图像生成并进行量化的工作。我们在公开数据上进行预训练，在UK Biobank数据集上进行微调。实验结果表明，预训练显著提升了模型性能，在时实现FID为26.77，而无预训练的模型为92.52。此外，我们探讨了隐私约束与图像质量之间的权衡，研究更严格的隐私预算如何影响输出可控性并可能导致性能下降。我们的结果表明，在差分隐私训练期间进行适当的考虑可以显著提高合成心脏MRI图像的质量，但仍存在实现一致医学真实性的挑战。
引用
@article{arxiv.2407.16405,
title = {On Differentially Private 3D Medical Image Synthesis with Controllable Latent Diffusion Models},
author = {Deniz Daum and Richard Osuala and Anneliese Riess and Georgios Kaissis and Julia A. Schnabel and Maxime Di Folco},
journal= {arXiv preprint arXiv:2407.16405},
year = {2024}
}