一个更快的隐私保护医疗图像诊断方案与机器学习
1Hospital of Chongqing University, Chongqing University, No. 174, Shazheng Street, Shapingba, 400044, Chongqing, China.
Journal of imaging informatics in medicine
|January 3, 2025
概括
这项研究引入了一种新的隐私保护方法,用于医疗图像诊断,使用完全同型加密 (FHE). 该方法提高了医疗图像诊断疾病的准确性和效率,同时保护敏感的患者数据.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 密码学 密码学 密码学 密码学
背景情况:
- 卷积神经网络 (CNN) 对于医学图像诊断至关重要,但也引发了隐私问题.
- 使用完全同型加密 (FHE) 的现有隐私保护方法在非线性层方面存在局限性,影响诊断准确性.
研究的目的:
- 开发一个强大的隐私保护医疗诊断方案,保持诊断准确性和有效性.
- 解决当前基于FHE的方案在处理深 convolutional神经网络方面的局限性.
主要方法:
- 使用FHE来加密医疗图像和诊断模型以保密.
- 引入批量规范化,以便在加密文本上下文中实现多个非线性层.
- 为ReLU激活函数采用2度多项式近似,并开发了网络深度优化技术.
主要成果:
- 拟议的方案有效地保护了医疗图像和诊断模型的机密性.
- 批量规范化和多项式近似允许在FHE框架内进行更深入的CNN.
- 网络深度优化技术解决了CNN深度不足的问题.
结论:
- 开发的方案为保护隐私的医疗影像诊断提供了实用和高效的解决方案.
- 它成功地平衡了数据/模型保密性与高诊断准确性.
- 这项工作促进了FHE在敏感的医疗AI任务中的应用.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.1K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.6K
