基于同态加密的潜在空间胸部 X 光分类中的隐私保护
图像与视频处理
2025-06-23 v2 计算机视觉与模式识别
摘要
医学成像数据包含需要强隐私保护的患者信息。许多分析设置需要将数据发送到服务器进行推断。同态加密（HE）提供了解决方案，通过在不透露原始信息的情况下对加密数据执行计算。然而，HE 推断在大型图像（如胸部 X 光）方面计算昂贵。本研究提出了一个用于医学图像的 HE 推断框架，使用 VQGAN 将图像压缩为潜在表示，从而显著减少计算负担，同时保持图像质量。我们用低阶多项式近似激活函数，以平衡 HE 要求下的准确性和效率。我们观察到压缩采样因为 8 achieves 性能和计算成本之间的最佳平衡。我们进一步适配 squeeze and excitation 模块，这一模块已知能提高传统 CNN 的性能，以增强 HE 框架。我们的方法在两个胸部 X 光数据集上用于基于 vanilla CNN 背bone 的多标签分类任务进行测试。尽管 HE 推断仍相对缓慢并引入轻微的性能差异，但与非加密推断相比，我们的方法在医学图像方面显示出强大的实际应用潜力。
引用
@article{arxiv.2506.15258,
title = {Privacy-Preserving Chest X-ray Classification in Latent Space with Homomorphically Encrypted Neural Inference},
author = {Jonghun Kim and Gyeongdeok Jo and Sinyoung Ra and Hyunjin Park},
journal= {arXiv preprint arXiv:2506.15258},
year = {2025}
}
备注
11 pages, 5 figures