Generative Adversarial Networks for Dental Patient Identity Protection in Orthodontic Educational Imaging

要約

目的: この研究では、歯科患者の画像を効果的に匿名化するための、領域を保存する新しい敵対的生成ネットワーク (GAN) インバージョン技術を導入します。
この革新的な方法は、重要な歯科の特徴を維持しながらプライバシーの問題に対処し、それによって歯科の教育と研究のための貴重なリソースを生み出します。
方法: 既存の GAN Inversion 手法を強化して、合成画像内の歯の特徴の保存を最大限に高めました。
画像匿名化のためのエンドツーエンドの開発ガイダンスと実用的なアプリケーションを提供するために、いくつかの深層学習モデルを組み込んだ包括的な技術フレームワークが開発されました。
結果: 私たちのアプローチはさまざまな顔の写真で評価され、骨格の非対称性と顔の異常を診断するために広く使用されました。
結果は、口腔診断と歯科教育に不可欠な歯の特徴を維持しながら、ある画像から別の画像にコンテキストを適応させ、互換性を維持するモデルの能力を実証しました。
5 人の臨床医からなるパネルが、元の画像と GAN 処理された画像のセットに対して評価を実施しました。
生成された画像は効果的な匿名化を達成し、重要な歯の特徴の現実感を維持し、歯科の診断と教育に役立つと考えられました。
臨床的意義: 当社の GAN モデルと包括的なフレームワークは、歯科患者画像の匿名化プロセスを合理化し、歯科教育の効率を向上させます。
この方法は、歯科矯正不正咬合への曝露を増やすことで、学生の診断能力を向上させます。
さらに、主要な研究機関における広範な 2D 画像研究のための匿名化されたデータセットの作成が容易になります。

要約(オリジナル)

Objectives: This research introduces a novel area-preserving Generative Adversarial Networks (GAN) inversion technique for effectively de-identifying dental patient images. This innovative method addresses privacy concerns while preserving key dental features, thereby generating valuable resources for dental education and research. Methods: We enhanced the existing GAN Inversion methodology to maximize the preservation of dental characteristics within the synthesized images. A comprehensive technical framework incorporating several deep learning models was developed to provide end-to-end development guidance and practical application for image de-identification. Results: Our approach was assessed with varied facial pictures, extensively used for diagnosing skeletal asymmetry and facial anomalies. Results demonstrated our model’s ability to adapt the context from one image to another, maintaining compatibility, while preserving dental features essential for oral diagnosis and dental education. A panel of five clinicians conducted an evaluation on a set of original and GAN-processed images. The generated images achieved effective de-identification, maintaining the realism of important dental features and were deemed useful for dental diagnostics and education. Clinical Significance: Our GAN model and the encompassing framework can streamline the de-identification process of dental patient images, enhancing efficiency in dental education. This method improves students’ diagnostic capabilities by offering more exposure to orthodontic malocclusions. Furthermore, it facilitates the creation of de-identified datasets for broader 2D image research at major research institutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google