基于深度学习和矩阵分解的隐私保护医学图像分类
密码学与安全
2023-09-01 v1 计算机视觉与模式识别
图像与视频处理
摘要
近年来，基于深度学习（DL）的方案在医学领域得到了广泛研究，提升了诊断、规划与治疗的效能。由于健康相关数据的使用受到严格监管，在医院环境之外处理医疗记录以开发和使用 DL 模型需要强有力的数据保护措施。同时，在不专门针对给定任务设计的情况下，要保证 DL 方案在受保护数据上训练时能达成最低性能水平可能具有挑战性。我们的方法使用奇异值分解（SVD）和主成分分析（PCA）在进行 DL 分析之前对医学图像进行混淆。DL 算法从受保护数据中提取相关信息的能力在一个基于混淆帧的血管造影视图分类任务上进行了评估。安全级别通过模拟的基于人工智能（AI）的重建攻击来探测，考虑了具有不同目标数据先验知识的两种威胁参与者。隐私程度使用相似性指标进行定量测量。尽管需要权衡隐私与准确性，所提出的技术允许仅在受保护数据上训练血管造影视图分类器，且性能令人满意，无计算开销、模型适配或超参数调优。虽然混淆后的医学图像内容能很好地抵御人类感知，但假设的重建攻击证明，恢复原始帧的完整信息也是困难的。
引用
@article{arxiv.2308.16530,
title = {Privacy-Preserving Medical Image Classification through Deep Learning and Matrix Decomposition},
author = {Andreea Bianca Popescu and Cosmin Ioan Nita and Ioana Antonia Taca and Anamaria Vizitiu and Lucian Mihai Itu},
journal= {arXiv preprint arXiv:2308.16530},
year = {2023}
}
备注
6 pages, 9 figures, Published in: 2023 31st Mediterranean Conference on Control and Automation (MED)