相关实验视频
Updated: May 5, 2026

Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
一个新的渐变逆转攻击框架,用于调查基于视网膜图像的联合学习期间的隐私漏洞
Christopher Nielsen1, Matthias Wilms2, Nils D Forkert3
1Department of Radiology, University of Calgary, Calgary, AB, Canada; Biomedical Engineering Graduate Program, University of Calgary, Calgary, AB, Canada.
用于视网膜图像分析的联合学习易受隐私攻击. 重建的图像显示患者数据,即使有隐私措施,突出显示在机器学习中需要更好的防御.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 视网膜图像分析的机器学习模型显示出诊断的前景.
- 联合学习 (FL) 增强了培训数据的多样性,但也引发了隐私问题.
- 渐变逆转攻击威胁着佛罗里达州的患者数据隐私.
研究的目的:
- 评估使用视网膜图像对梯度逆转攻击的联合深度学习模型的脆弱性.
- 评估公开可用的数据对重建私人视网膜图像的影响.
- 确定当前针对数据重建的隐私对策的有效性.
主要方法:
- 开发了一个新的框架来评估FL模型对梯度反转攻击的脆弱性.
- 利用图像对图像的翻译与公共数据来增强重建的图像质量.
- 使用ResNet-18,VGG-16和DenseNet-121架构对真实基底图像进行重建相似性的评估.
主要成果:
- 在所有测试模型中,超过92%的参与者可以从重建的视网膜血管结构中识别出来.
- 即使在实施差异隐私后,也可以提取重要的患者信息.
- 重建的图像与原始 fundus 图像具有很高的相似性.
结论:
- 用于视网膜图像分析的联合学习模型对梯度反转攻击非常脆弱.
- 在这种情况下,现有的差异隐私方法不足以充分保护患者数据.
- 需要紧急开发增强的防御策略,以确保患者隐私在联合视网膜图像分析.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
相关概念视频
Leaky Scanning
Imaging Biological Samples with Optical Microscopy
In optical microscopy, the specimen to be viewed is placed on a glass slide and clipped on the stage...
Masking and Demasking Agents
There are many masking agents, such as cyanide, fluoride, triethanolamine, thiourea, and 2,3-bis(sulfanyl)propan-1-ol (formerly 2,3-dimercapto-1-propanol), with the masking agent chosen based on...