面向医疗护理的隐私保护 SAM 量化技术
计算机视觉与模式识别
2024-10-04 v1 人工智能
摘要
全球医疗人员专业水平和医疗资源在不同地区之间的差异是一突出的社会议题。人工智能技术为缓解这一问题提供了新机会。Segment Anything Model（SAM）在智能图像分割方面表现出色，在医疗监测和辅助诊断中展现出卓越性能。然而，SAM巨大的计算和存储开销对部署资源受限的边缘设备构成了重大挑战。量化是一种有效的模型压缩解决方案，但传统方法依赖原始数据进行校准，引发广泛关切关于医疗数据隐私和安全的问题。本文提出一种针对SAM的数据自由量化框架，称为DFQ-SAM，该框架在无任何原始数据的情况下学习和校准量化参数，从而在模型压缩期间有效保护数据隐私。具体而言，我们提出了用于分割的伪正标签演化方法，结合块相似性，充分利用预训练模型中所具有的语义和分布先验，以促进高质量数据合成作为真实数据的替代品。此外，我们引入尺度重参数化，以确保低位量化的准确性。我们在 various 数据集上进行广泛的分割实验，DFQ-SAM在低位量化上始终提供显著性能。DFQ-SAM消除了云边协作中数据传输的需求，从而保护敏感数据免受潜在攻击。它实现了在边缘端的安全、快速且个性化的医疗护理服务，提高了系统效率并优化了资源分配，从而促进了人工智能在全球医疗护理中的普遍应用。
引用
@article{arxiv.2410.01813,
title = {Privacy-Preserving SAM Quantization for Efficient Edge Intelligence in Healthcare},
author = {Zhikai Li and Jing Zhang and Qingyi Gu},
journal= {arXiv preprint arXiv:2410.01813},
year = {2024}
}