Deep Learning-based Anonymization of Chest Radiographs: A Utility-preserving Measure for Patient Privacy

要約

胸部 X 線写真の堅牢かつ信頼性の高い匿名化は、研究目的で胸部 X 線写真の大規模なデータセットを公開する前に不可欠なステップとなります。
従来の匿名化処理は、画像内の個人情報をブラックボックスで覆い隠したり、メタ情報を削除または置き換えたりすることで行われていた。
しかし、このような単純な対策では胸部 X 線写真に生体情報が残るため、連鎖攻撃によって患者を再特定することが可能になります。
したがって、画像に現れる生体情報を難読化することが急務となっている。
私たちは、診断と機械学習の目的でデータの有用性を維持しながら、胸部 X 線写真を対象を絞って匿名化する、初の深層学習ベースのアプローチ (PriCheXy-Net) を提案します。
私たちのモデル アーキテクチャは 3 つの独立したニューラル ネットワークで構成されており、これらを集合的に使用すると、患者の再識別を妨げる可能性がある変形フィールドを学習できるようになります。
ChestX-ray14 データセットの定量的結果は、再トレーニング後の患者の再識別率が 81.8% から 57.7% (AUC) に減少し、異常分類パフォーマンスにはほとんど影響を与えないことを示しています。
これは、患者のプライバシーを高めながら、根本的な異常パターンを保存できることを示しています。
最後に、私たちが提案する匿名化アプローチを他の 2 つの難読化ベースの方法 (Privacy-Net、DP-Pix) と比較し、胸部 X 線写真のプライバシーと実用性のトレードオフの解決に対する私たちの方法の優位性を実証します。

要約(オリジナル)

Robust and reliable anonymization of chest radiographs constitutes an essential step before publishing large datasets of such for research purposes. The conventional anonymization process is carried out by obscuring personal information in the images with black boxes and removing or replacing meta-information. However, such simple measures retain biometric information in the chest radiographs, allowing patients to be re-identified by a linkage attack. Therefore, there is an urgent need to obfuscate the biometric information appearing in the images. We propose the first deep learning-based approach (PriCheXy-Net) to targetedly anonymize chest radiographs while maintaining data utility for diagnostic and machine learning purposes. Our model architecture is a composition of three independent neural networks that, when collectively used, allow for learning a deformation field that is able to impede patient re-identification. Quantitative results on the ChestX-ray14 dataset show a reduction of patient re-identification from 81.8% to 57.7% (AUC) after re-training with little impact on the abnormality classification performance. This indicates the ability to preserve underlying abnormality patterns while increasing patient privacy. Lastly, we compare our proposed anonymization approach with two other obfuscation-based methods (Privacy-Net, DP-Pix) and demonstrate the superiority of our method towards resolving the privacy-utility trade-off for chest radiographs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google