语义与身份: 面向可调节医学图像去标识化的分治方法
计算机视觉与模式识别
2025-07-30 v1
摘要
医学成像显著推进了计算机辅助诊断, 但其重新识别 (ReID) 风险引发了关键隐私关注, 要求开发去标识化 (DeID) 技术. 不幸的是, 现有的 DeID 方法既未特别保留医学语义, 也不够灵活地针对不同的隐私层级进行调整. 为此, 我们提出一种分治框架, 包括两个步骤: (1) 身份阻塞, 用于阻塞不同比例的身份相关区域, 以实现不同的隐私层级; 和 (2) 医学语义补偿, 利用预训练的医学基础模型 (MFM) 提取医学语义特征以补偿被阻塞的区域. 此外, 鉴于 MFM 的特征可能仍包含残余身份信息, 我们引入基于最小描述长度原理的特征解耦策略, 以有效解耦并丢弃此类身份成分. 在七个数据集和三个下游任务上的广泛评估表明, 我们的方法在性能上领先于现有方法, 实现了最先进的水平.
引用
@article{arxiv.2507.21703,
title = {Semantics versus Identity: A Divide-and-Conquer Approach towards Adjustable Medical Image De-Identification},
author = {Yuan Tian and Shuo Wang and Rongzhao Zhang and Zijian Chen and Yankai Jiang and Chunyi Li and Xiangyang Zhu and Fang Yan and Qiang Hu and XiaoSong Wang and Guangtao Zhai},
journal= {arXiv preprint arXiv:2507.21703},
year = {2025}
}
备注
Accepted to ICCV2025;