使用条件生成对抗网络 (GAN) 进行医疗图像私人数据共享的深度学习方法
Hanxi Sun1, Jason Plawinski2, Sajanth Subramaniam2
1Department of Statistics, Purdue University, West Lafayette, IN, United States of America.
PloS one
|July 6, 2023
概括
使用生成性AI生成合成临床数据为匿名化提供了一种保护隐私的替代方案. 这项研究介绍了一种创建合成磁共振图像 (MRI) 用于结脊髓炎研究的新方法.
科学领域:
- 生物医学成像学 生物医学成像学
- 医疗保健中的人工智能
- 数据隐私 数据隐私
背景情况:
- 临床数据共享加速了研究,但也带来了隐私风险.
- 传统的数据匿名化是耗时和昂贵的.
- 合成数据生成为保护隐私提供了一个有希望的替代方案.
研究的目的:
- 介绍一种生成合成临床数据集的方法.
- 评估合成数据集的属性:图像保真度,样本多样性和隐私.
- 探索使用生成人工智能来创建保护隐私的生物医学数据.
主要方法:
- 培训了一个辅助分类器生成对抗网络 (ac-GAN).
- 产生了脊椎单元 (VU) 的合成磁共振图像 (MRI).
- 这一代受到了VU位置 (宫,胸部,腰部) 的条件.
主要成果:
- 成功生成了脊椎单元MRI的合成数据集.
- 数据集分析了图像保真度,样本多样性和隐私.
- 该ac-GAN模型展示了产生现实的合成MRI的能力.
结论:
- 开发的方法可以创建合成临床成像数据.
- 合成数据有可能促进数据共享,同时保护患者的隐私.
- 这种方法支持数据驱动的研究在条件,如结脊柱炎.
