联邦自动编码模型用于安全的医疗图像分析与隐私保护和保证

科学领域:

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

背景情况:

• 边缘设备上的医学成像分析在平衡计算需求与患者隐私和数据安全方面面临挑战.
• 现有的方法往往难以保持高准确度,同时实施强大的隐私保护机制.

研究的目的:

• 介绍U-NeTrans,一种新型的联合自动编码器模型,旨在在边缘设备上进行安全和私密的医疗图像重建.
• 提高边缘设备的医疗成像分析能力,而不会损害患者的机密性.

主要方法:

• 开发了U-NeTrans,这是一个联合的自动编码模型,包含随机掩盖,用于训练复杂性和部分数据利用.
• 实施了一种保护隐私的机制,其中编码器处理可见补丁,解码器使用编码数据进行图像重组.
• 整合了辅助重建任务和对比损失,以改善医疗图像中高阶特征的表示.

主要成果:

• 与基于边缘的医疗图像分析中最先进的方法相比,U-NeTrans表现出更高的性能.
• 在实验评估中获得了高准确度 (98.97%),精度 (98.68%),灵敏度 (98.73%) 和AUROC (99.19%).
• 在整个图像分析过程中有效地维护患者的安全和隐私.

结论:

• 在边缘设备上,U-NeTrans在安全和私人医疗图像分析方面取得了重大进展.
• 该模型具有广泛的应用,特别是在胸部X射线分析中,有可能增强边缘医疗保健能力.
• 提出的方法有效地平衡了精确的医学图像分析与严格的患者隐私要求.