Preserving Patient Privacy in MRI Scans: A Comprehensive Approach with 3D Masked Autoencoders

要約

MRI スキャンは貴重な医療情報を提供しますが、保護する必要がある機密の個人情報 (PII) も含まれています。
MRI メタデータは簡単に無害化できますが、MRI 画像データにはプライバシー リスクがあります。これは、MRI 画像データには、患者の頭部の非常に現実的な 3D 視覚化をレンダリングするための情報が含まれており、悪意のある攻撃者がデータベースを相互参照することで対象を特定できる可能性があるためです。
データの匿名化と匿名化は、個人の個人情報のプライバシーと機密性の確保に関係します。
従来の MRI 匿名化方法では、特定のスキャンからプライバシーに敏感な部分 (目、鼻など) が削除されます。
これには、下流の分析を混乱させる可能性のあるドメインシフトの導入という犠牲が伴います。
最近、部品を削除するのではなく改造（顔の変更など）することで患者のスキャンを匿名化する GAN ベースのアプローチが提案されました。
この研究では、マスクされたオートエンコーダを使用して顔を匿名化するモデルである CP-MAE を提案します。このモデルは、下流のタスクのパフォーマンスと匿名化の点で、これまでのすべてのアプローチよりも優れています。
私たちの方法では、最大 $256^3$ (以前は $128^3$) の解像度のスキャンを合成できます。これはボクセル数が 8 倍に増加したことになります。
私たちの構築を使用して、非常に堅牢なトレーニング段階を示すシステムを設計することができ、新しいデータにネットワークを簡単に適合させることができました。

要約(オリジナル)

MRI scans provide valuable medical information, however they also contain sensitive and personally identifiable information (PII) that needs to be protected. Whereas MRI metadata is easily sanitized, MRI image data is a privacy risk because it contains information to render highly-realistic 3D visualizations of a patient’s head, enabling malicious actors to possibly identify the subject by cross-referencing a database. Data anonymization and de-identification is concerned with ensuring the privacy and confidentiality of individuals’ personal information. Traditional MRI de-identification methods remove privacy-sensitive parts (e.g. eyes, nose etc.) from a given scan. This comes at the expense of introducing a domain shift that can throw off downstream analyses. Recently, a GAN-based approach was proposed to de-identify a patient’s scan by remodeling it (\eg changing the face) rather than by removing parts. In this work, we propose CP-MAE, a model that de-identifies the face using masked autoencoders and that outperforms all previous approaches in terms of downstream task performance as well as de-identification. With our method we are able to synthesize scans of resolution up to $256^3$ (previously $128^3$) which constitutes an eight-fold increase in the number of voxels. Using our construction we were able to design a system that exhibits a highly robust training stage, making it easy to fit the network on novel data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google