Privacidad de la imagen médica en el aprendizaje federado: Segmentación-reorganización y ataques de coincidencia de...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Ciberseguridad

Sus antecedentes:

• Las imágenes médicas son cruciales para el diagnóstico, pero contienen datos sensibles de los pacientes.
• El aprendizaje federado (FL) protege la privacidad mediante el entrenamiento en gradientes, no en datos brutos.
• Los ataques de inversión de gradiente amenazan a FL reconstruyendo datos privados desde gradientes.

Objetivo del estudio:

• Proponer un nuevo ataque de inversión de gradiente para reconstruir imágenes médicas de alta resolución y alta similitud en modo por lotes.
• Mejorar las capacidades de los ataques de inversión de gradiente existentes contra el aprendizaje federado.

Principales métodos:

• Desarrolló un ataque de inversión de gradiente utilizando el emparejamiento de gradiente disperso y la reorganización de segmentación (SR).
• Se empleó una función de pérdida L1 para la optimización de la dispersión del gradiente.
• Utilizó un mecanismo de ajuste de la velocidad de aprendizaje adaptativo para una optimización estable.

Principales resultados:

• El método propuesto reconstruye imágenes médicas de alta resolución y alta similitud.
• Logró mejoras significativas con respecto a los métodos de última generación en la calidad visual y las métricas cuantitativas.
• Demostró hasta un 146% de mejora en la similitud de la imagen.

Conclusiones:

• El nuevo ataque de inversión de gradiente representa una amenaza significativa para la privacidad en el aprendizaje federado para imágenes médicas.
• Se superan las limitaciones actuales de los ataques de inversión de gradiente, lo que permite el procesamiento por lotes de imágenes de alta resolución.