普里米斯:通过深度散射转化学习与模糊化来保护隐私的医疗图像共享
Isaac Shiri1, Behrooz Razeghi2, Sohrab Ferdowsi3
1Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, Geneva, Switzerland; Department of Cardiology, Inselspital, Bern University Hospital, University of Bern, Bern, Switzerland.
Journal of biomedical informatics
|January 8, 2024
概括
我们开发了一种安全的方法来共享医疗图像,保护患者的隐私. 授权用户可以使用私钥重建图像,从而实现安全的数据交换,用于研究和临床使用.
科学领域:
- 医学成像医学成像
- 数据隐私 数据隐私
- 机器学习是机器学习.
背景情况:
- 分享医疗图像对于临床和研究目的至关重要.
- 隐私问题和数据安全限制阻碍了有效的医疗图像共享.
- 现有的方法往往无法平衡数据实用性与强大的隐私保护.
研究的目的:
- 为安全共享医疗图像设计一个保护隐私的机制.
- 允许将模糊的医疗图像存储在公共领域.
- 允许授权用户使用私钥重建原始图像.
主要方法:
- 使用神经自动编码器架构.
- 采用散散变换来生成多个紧的图像代码.
- 通过伪随机噪声实现隐蔽,以保护隐私.
主要成果:
- 使用胸部X射线图像进行分类,细分和纹理分析,证明了有效性.
- 评估了框架对监督和无监督攻击的稳定性.
- 证实了攻击者无法重建私人图像数据的计算不可行性.
结论:
- 引入了一种新的,优化的,保证隐私的医疗图像数据共享机制.
- 启用了敏感的医学成像数据的安全多方共享.
- 拟议的方法可以适应X射线以外的各种医学成像模式.


