Anonymizing medical case-based explanations through disentanglement

要約

症例ベースの説明は、臨床状況における深層学習モデルの意思決定プロセスについての洞察を得る直感的な方法です。
ただし、プライバシーの観点から医療画像を説明として共有することはできません。
この問題に対処するために、我々は画像のアイデンティティと医療的特徴を解きほぐす新しい方法を提案し、それを医療画像の匿名化に適用します。
もつれ解除メカ​​ニズムは、画像内の一部の特徴ベクトルを置き換える一方で、残りの特徴は確実に保存され、画像のアイデンティティと医療的特徴をエンコードする独立した特徴ベクトルを取得します。
また、元の画像のアイデンティティを置き換えて匿名化を実現するために、プライバシーを保護する合成アイデンティティを製造するモデルも提案します。
このモデルは医療データセットと生体認証データセットに適用され、元の医療内容を保存したリアルな見た目の匿名化画像を生成する能力を実証します。
さらに、この実験は、医療上の特徴の置き換えを通じて反事実の画像を生成するネットワークの固有の能力を示しています。

要約(オリジナル)

Case-based explanations are an intuitive method to gain insight into the decision-making process of deep learning models in clinical contexts. However, medical images cannot be shared as explanations due to privacy concerns. To address this problem, we propose a novel method for disentangling identity and medical characteristics of images and apply it to anonymize medical images. The disentanglement mechanism replaces some feature vectors in an image while ensuring that the remaining features are preserved, obtaining independent feature vectors that encode the images’ identity and medical characteristics. We also propose a model to manufacture synthetic privacy-preserving identities to replace the original image’s identity and achieve anonymization. The models are applied to medical and biometric datasets, demonstrating their capacity to generate realistic-looking anonymized images that preserve their original medical content. Additionally, the experiments show the network’s inherent capacity to generate counterfactual images through the replacement of medical features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google