基于频域信息嵌入的无明文深度学习用于隐私保护医学图像分析
密码学与安全
2024-03-26 v1 图像与视频处理
摘要
在快速发展的医学图像分析领域，基于深度学习（DL）的方法已取得巨大成功。然而，这些方法在训练和推理阶段需要明文数据，引发了隐私担忧，尤其是在敏感的医学数据领域。为解决这些担忧，本文提出一种新颖框架，使用替代图像进行分析，从而消除对明文图像的需求。该方法称为频域交换风格融合（Frequency-domain Exchange Style Fusion, FESF）。该框架包含两个主要组件：图像隐藏模块（Image Hidden Module, IHM）和图像质量增强模块（Image Quality Enhancement Module, IQEM）。IHM在频域中操作，将明文医学图像的特征融合到宿主医学图像中，然后与IQEM结合，以有效改善并生成替代图像。在诊断模型训练过程中，仅使用替代图像，从而在训练和推理阶段均无需任何明文数据即可实现匿名分析。大量评估表明，我们的框架有效保护了医学图像的隐私，并将DL模型的诊断准确性维持在较高水平，证明了其在各种数据集和基于DL的模型上的有效性。
引用
@article{arxiv.2403.16473,
title = {Plaintext-Free Deep Learning for Privacy-Preserving Medical Image Analysis via Frequency Information Embedding},
author = {Mengyu Sun and Ziyuan Yang and Maosong Ran and Zhiwen Wang and Hui Yu and Yi Zhang},
journal= {arXiv preprint arXiv:2403.16473},
year = {2024}
}