隐私保护型加密低剂量CT去噪
密码学与安全
2023-10-16 v1 人工智能
摘要
深度学习(DL)在层析成像领域取得了显著进展，尤其在低剂量计算机断层扫描(LDCT)去噪方面。近期的一种趋势是服务器利用大量自行收集的私有数据训练强大模型，并为用户提供应用程序编程接口(API)，例如Chat-GPT。为避免模型泄露，要求用户将数据上传至服务器模型，但这种方式引发了公众对隐私泄露潜在风险的担忧，尤其是针对医疗数据。因此，为缓解相关担忧，本文提出直接在加密域中对LDCT进行去噪，以实现不向服务器暴露私有数据的隐私保护云服务。为此，我们采用同态加密对私有LDCT数据进行加密，随后将其传输至使用明文LDCT训练的服务器模型以进一步去噪。然而，由于DL方法中的传统操作（如卷积和线性变换）无法直接用于加密域，我们将明文域中的基础数学运算转换为加密域中的运算。此外，本文给出了针对线性和非线性模型的两个交互框架，二者均可实现无损运算。由此，所提方法具有两方面优点：数据隐私得到良好保护，且服务器模型免于模型泄露风险。我们还提供了理论证明以验证框架的无损特性。最后，实验表明传输内容得到良好保护且无法被重建。代码将在论文被接收后发布。
引用
@article{arxiv.2310.09101,
title = {Privacy-Preserving Encrypted Low-Dose CT Denoising},
author = {Ziyuan Yang and Huijie Huangfu and Maosong Ran and Zhiwen Wang and Hui Yu and Yi Zhang},
journal= {arXiv preprint arXiv:2310.09101},
year = {2023}
}