基于深度学习的CT血管学破坏工具:CTA-DEFACE

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 数据 隐私 数据 隐私 数据

背景情况:

• 计算机断层扫描血管学 (CTA) 分析越来越多地使用人工神经网络 (ANN) 工具.
• 对CTA数据越来越依赖ANN,因此需要加强患者数据保护措施.
• 在CTA数据集中,自动破坏敏感的面部信息对于隐私至关重要.

研究的目的:

• 使用人工神经网络 (ANN) 开发和验证计算机断层扫描血管学 (CTA) 数据的自动化破坏管道.
• 确保在CTA扫描中对患者数据进行可靠的非识别,同时保持图像完整性以进行分析.
• 将开发的ANN破坏模型的性能与现有的公共算法进行比较.

主要方法:

• 对多机构CTA数据集 (n=100) 的回顾性分析,用于训练ANN模型.
• 面罩的注释以及随后的ANN模型培训和外部验证 (n=50).
• 使用MTCNN进行面部检测和FaceNet进行验证,以评估识别后的图像相似性,计算子相似系数 (DSC).

主要成果:

• 在CTA-DEFACE模型中,在试验组上,面部软组织的细分得到了0.94±0.02的高子相似系数 (DSC).
• 与公开的算法进行基准测试显示,CTA-DEFACE的面部检测概率显著降低 (p < 0.001),并且与原始CTA图像的相似性降低 (p < 0.001).
• 该模型展示了强大而精确的破坏能力,经过外部验证和公开访问.

结论:

• 开发的ANN模型CTA-DEFACE提供了一种有效和自动化的解决方案,用于消除CTA数据的识别.
• 在隐私保护方面,CTA-DEFACE显著优于公开可用的破坏算法.
• 该模型的外部验证和公众可访问性支持其在临床和研究环境中的可靠应用.