通过轮廓与纹理感知扰动保护医学图像分割数据集免受未经授权的训练
图像与视频处理
2024-03-22 v1 密码学与安全
计算机视觉与模式识别
摘要
公开可访问的医学图像广泛可用，极大地推动了各类研究和临床领域的进步。然而，对出于商业目的未经授权训练 AI 系统的担忧以及保护患者隐私的责任，导致许多机构不愿分享其图像。对于医学图像分割（MIS）数据集而言尤其如此，因为其收集和精细标注过程耗时且费力。近来，不可学习样本（UEs）方法已显示出通过添加不可见捷径来保护图像的潜力。这些捷径可以阻止未经授权的深度神经网络进行泛化。然而，现有的 UEs 是为自然图像分类设计的，无法在不被察觉的情况下保护 MIS 数据集，因为其保护性扰动相较于 MIS 中重要的先验知识（如轮廓和纹理特征）更不易被学习。为此，我们提出了一种名为 UMed 的不可学习医学图像生成方法。UMed 通过注入轮廓和纹理感知的扰动来整合 MIS 的先验知识以保护图像。鉴于我们的目标仅是毒化对 MIS 至关重要的特征，UMed 仅需在 ROI 及其轮廓内施加极小的扰动，即可实现更高的不可察觉性（平均 PSNR 为 50.03）和保护性能（干净数据的平均 DSC 从 82.18% 降至 6.80%）。
引用
@article{arxiv.2403.14250,
title = {Safeguarding Medical Image Segmentation Datasets against Unauthorized Training via Contour- and Texture-Aware Perturbations},
author = {Xun Lin and Yi Yu and Song Xia and Jue Jiang and Haoran Wang and Zitong Yu and Yizhong Liu and Ying Fu and Shuai Wang and Wenzhong Tang and Alex Kot},
journal= {arXiv preprint arXiv:2403.14250},
year = {2024}
}