全头MRI去面化的陷阱：基于扩散模型的重识别风险与研究潜力受损
图像与视频处理
2025-09-17 v2 人工智能
计算机视觉与模式识别
摘要
去面化常用于头部磁共振成像(MRI)数据集在公开发布前以解决隐私问题。面部及相邻体素的改变引发了关于这些技术是否能够确保隐私以及对下游任务影响的讨论。随着深度生成模型的发展，去面化能否保护隐私尚不明确。此外，虽然已知改变后的体素包含有价值的解剖信息，但其是否支持去面化直接影响区域之外的研究潜力仍不清楚。为评估这些考虑因素，我们开发了一个重构管线，使用级联扩散概率模型(DPM)从去面化的头部MRI中恢复面部。DPMs在180名受试者的数据上进行训练，在484名未见过的受试者（其中469名来自不同数据集）上进行测试。为评估去面化中改变体素是否包含普遍有用的信息，我们还预测了从面部体素中推断CT衍生的骨骼肌放射密度，分别用于去面化和原始MRI。结果表明，DPMs能够从去面化图像中生成与原始面部相似的高保真面部，表面距离显著小于种群平均面部(p<0.05)。该性能在先前未见过的数据集上也表现出良好。对于骨骼肌放射密度预测，使用去面化图像导致与原始图像相比的斯皯曼秩相关系数显著减弱(p<10^-4)。对于肚子肌，原始图像时相关系数在统计上显著(p<0.05)，但应用任何去面化方法后均不显著(p>0.05)，这表明去面化不仅可能无法保护隐私，还可能消除有价值的信息。
引用
@article{arxiv.2501.18834,
title = {Pitfalls of defacing whole-head MRI: re-identification risk with diffusion models and compromised research potential},
author = {Chenyu Gao and Kaiwen Xu and Michael E. Kim and Lianrui Zuo and Zhiyuan Li and Derek B. Archer and Timothy J. Hohman and Ann Zenobia Moore and Luigi Ferrucci and Lori L. Beason-Held and Susan M. Resnick and Christos Davatzikos and Jerry L. Prince and Bennett A. Landman},
journal= {arXiv preprint arXiv:2501.18834},
year = {2025}
}
备注
Accepted to Computers in Biology and Medicine