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

要約

胸部 X 線写真の堅牢で信頼性の高い匿名化は、研究目的でそのような大規模なデータセットを公開する前の重要なステップを構成します。
従来の匿名化プロセスは、画像内の個人情報をブラック ボックスで覆い隠し、メタ情報を削除または置換することで実行されます。
ただし、このような単純な手段では、胸部 X 線写真にバイオメトリック情報が保持されるため、リンケージ攻撃によって患者が再識別される可能性があります。
したがって、画像に表示される生体情報を難読化することが急務です。
私たちの知る限りでは、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、胸部レントゲン写真をターゲットを絞って匿名化するための最初のディープラーニングベースのアプローチを提案します。
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 ネットワークの構成であり、まとめて使用すると、患者の再識別を妨げる可能性のある変形フィールドを学習できます。
各コンポーネントの個々の影響は、アブレーション研究で調査されます。
ChestX-ray14 データセットの定量的結果は、異常分類のパフォーマンスにほとんど影響を与えずに、受信者動作特性曲線 (AUC) の下の領域で患者の再識別が 81.8% から 58.6% に減少した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維持できることを示しています。
さらに、提案された深層学習ベースの匿名化アプローチを差別的にプライベートな画像ピクセル化と比較し、胸部 X 線写真のプライバシーとユーティリティのトレードオフを解決する方法の優位性を示します。

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, we see an urgent need to obfuscate the biometric information appearing in the images. To the best of our knowledge, we propose the first deep learning-based approach 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. The individual influence of each component is investigated with an ablation study. Quantitative results on the ChestX-ray14 dataset show a reduction of patient re-identification from 81.8% to 58.6% in the area under the receiver operating characteristic curve (AUC) with little impact on the abnormality classification performance. This indicates the ability to preserve underlying abnormality patterns while increasing patient privacy. Furthermore, we compare the proposed deep learning-based anonymization approach with differentially private image pixelization, 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