CN117610080A - 一种基于信息瓶颈的医学图像脱敏方法 - Google Patents

一种基于信息瓶颈的医学图像脱敏方法 Download PDF

Info

Publication number
CN117610080A
CN117610080A CN202410094639.4A CN202410094639A CN117610080A CN 117610080 A CN117610080 A CN 117610080A CN 202410094639 A CN202410094639 A CN 202410094639A CN 117610080 A CN117610080 A CN 117610080A
Authority
CN
China
Prior art keywords
data
medical
patient
model
distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410094639.4A
Other languages
English (en)
Other versions
CN117610080B (zh
Inventor
崔磊
孙守岳
吴峰
张英志
高龙翔
曲悠扬
顾树俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Original Assignee
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology, Shandong Computer Science Center National Super Computing Center in Jinan filed Critical Qilu University of Technology
Priority to CN202410094639.4A priority Critical patent/CN117610080B/zh
Publication of CN117610080A publication Critical patent/CN117610080A/zh
Application granted granted Critical
Publication of CN117610080B publication Critical patent/CN117610080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6227—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database where protection concerns the structure of data, e.g. records, types, queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于信息技术的图像编码技术领域，更具体地，涉及一种基于信息瓶颈的医学图像脱敏方法。所述方法包括获取患者隐私数据以及对应的数据标签；设计PM模型，所述PM模型包括特征提取模块、特征分布变换模块和特征对抗性重构模块；将患者隐私数据输入PM模型映射为查询数据，并通过优化函数进行优化；将数据集输入医学云模型，输出查询数据标签；利用分割学习的方法更新PM。本发明解决了现有技术中患者在不依赖医学云端服务器的情况下无法定义自己的PM，泄露患者隐私的问题。

Description

一种基于信息瓶颈的医学图像脱敏方法
技术领域
本发明属于信息技术的图像编码技术领域，更具体地，涉及一种基于信息瓶颈的医学图像脱敏方法。
背景技术
医学数据的分析对于医学研究和临床诊断具有重要意义。然而，医学数据中往往包含患者的敏感信息，包括患者的面部信息、CT信息等。这些信息的泄露可能会侵犯患者的隐私权。因此，医学图像数据脱敏在医学研究、临床诊断和医疗数据共享等方面具有重要意义。
MLaaS的工作流程需要患者向医学云端服务商提供隐私数据，这可能会带来隐私问题。为了解决由于MLaaS中隐私查询数据的需求而引起的隐私问题，已经做了许多努力。目前的隐私保护机器学习方法通常是通过操纵数据像素、颜色通道或数据特征来防止隐私泄露。Zhang等人使用属性混淆和属性对抗网络来生成隐藏各种属性的扰动图像，同时保留了人脸验证的效用。Wang等人提出了一种分析网络，该网络执行隐私—效用权衡分析，以识别对人脸图像可视化重要但对保持高识别精度不重要的通道。Mi等人利用人类和模型之间的感知差异，在隐私数据中修剪人类可感知的低频成分，以隐藏视觉信息。
中国发明专利CN56579010A公开了一种针对医疗敏感数据的安全应用方法、设备及存储介质，方法包括：基于预设的敏感识别算法，对待应用医疗数据源中的待抽取数据进行敏感信息识别，以确定待抽取数据中的敏感实体；基于敏感实体对应的敏感信息类型，确定对应的脱敏规则进行脱敏处理，并将脱敏处理后的结果数据上传到可信执行环境中。
然而，现有的方法要求医学服务提供商向患者提供隐私保护方法（PM），患者在进行查询之前，使用PM处理了他们的本地隐私数据，这些方法隐含了医学云端服务式值得信赖的假设，许多案例表明这种假设会威胁患者的隐私。因此，为了解决医学云端服务提供商通过带有漏洞的PM泄露患者隐私的问题，现有技术中患者在不依赖医学云端服务器的情况下无法定义自己的PM，以保护自己的隐私。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷，提供一种基于信息瓶颈的医学图像脱敏方法，以解决现有技术中解决患者隐私保护等问题。
本发明详细的技术方案如下：
S1、获取患者隐私数据X以及X对应的数据标签Y。
S2、设计PM模型，所述PM模型包括特征提取模块、特征分布变换模块和特征对抗性重构模块；
所述特征提取模块提取与患者隐私数据最相关医学特征；
所述特征分布变换模块用于将最相关医学特征Z映射到分布Q中，将患者隐私数据的原分布映射到新的分布Q中，对原数据进行隐私保护；
所述特征对抗性重构模块用于将分布Q中的数据重构为医学云模型所接受的服务格式，进一步稀释特征。
S3、将患者隐私数据X输入PM模型映射为查询数据X'，并通过优化函数进行优化：
（1）；
公式（1）中，是使后面的公式即L1+L2+/>达到最小值时的变量的取值；L1和L2分别是患者隐私数据的正则化项和效用正则化项；/>是自定义优化因子；
优化L1，即最小化隐私数据X和查询数据X'的互信息：
（2）；
公式（2）中，I表示互信息，φ是将X映射到X'的函数，即φ（X）=X'；
对于L2：
（3）；
公式（3）中，Dkl代表最小化和/>二者之间的KL散度距离，k（）为医学云模型对查询数据X'的处理函数；/>为X的原始分布；/>为X'在低维空间的分布；Z为患者隐私数据X的最相关医学特征；
将X映射到X'时，保证X≠X'并且k（X）=k（X'），将L2广义化为：
（4）；
公式（4）中，Y'是对应X'输出的查询数据标签，Pf是医学云模型的输出所在分布，d表示距离度量。
所述S3具体包括：
S31、将患者隐私数据X利用信息瓶颈特征提取最相关医学特征Z；
利用信息瓶颈对患者隐私数据X中与患者疾病最相关的医学特征提取为特征Z，将其他无关特征扭曲、抹除，最大程度保护患者隐私；
信息瓶颈可以帮助医学云服务尽可能将医疗数据中与医疗服务相关的特征提取出来，筛选其他无关的特征，被筛选的特征也包含隐私信息（如背景信息、病症信息等），最大程度保护患者隐私。
S32、将最相关医学特征Z映射到分布Q中；
优选的，Q表示正态分布，则，其中/>，/>分别代表均值和方差，θ是Q的决定性参数，即为均值和方差。
S33、当分布Q的决定性参数θ被确定时，从Q（θ）中随机采样得到低维特征Z'；对于相同的输入X，每个采样的Z'可以不同，这种随机抽样过程进一步增强了隐私保护效果，但直接将Z'发送到医学服务器可能会导致两个问题：
第一，医学服务器所需的数据格式与Z'不一致；
第二，Z'可能仍然包含与隐私相关的信息；
因此，通过进一步对抗性地将Z'重构为X'来解决这两个问题。
S34、将低维特征Z'对抗性重构为查询数据X'，由查询数据X'构成训练医学云模型的数据集；
对Z'进行逆重构，进一步增大了X和X'在高维和低维空间中的表示差距，有效地减少了X和X'之间的互信息：
（5）；
公式（5）中，E表示为均值，是最大化Z'与X'在高维和低维的信息差异，d1是高维空间中Z'与X'的差异，d2是低维空间中Z'与X'的差异；FE是特征提取。
S4、将数据集输入医学云模型，输出查询数据标签Y'：
。
S5、利用分割学习的方法更新PM；
PM模型构建完成后，仍需要对其进行训练，以确保隐私效用的权衡，医学云端可以与患者合作培训PM，但他们不想向用户公开自己的云模型；患者无法访问医学云端的Y和Y'输出，同样，用户也不希望将他们的PM提交给云端进行训练，因此，我们利用分割学习来促进更新过程。
与现有技术相比，本发明的有益效果为：
1.本发明提出一种基于信息瓶颈的医学图像脱敏方法，不依赖任何第三方，利用分割学习的方法，患者端在本地进行训练，训练的时候需要医学云端进行辅助，不需要可信第三方的参与，进一步增强了患者的隐私保护。
2.本发明提出一种基于信息瓶颈的医学图像脱敏方法，建立了中间的PM模型，将患者隐私数据转化为查询数据，能够使用户隐私数据在本地，可不借助原来的隐私数据而使用查询数据获取服务；并且本发明仅关注患者隐私数据中最相关的部分，不需要对其他冗余信息进行处理，相比于其他方法具有很好的隐私效用权衡，更加高效，所需要的时间和空间都相对低。
附图说明
图1是本发明所述基于信息瓶颈的医学图像脱敏方法流程图。
图2是本发明实施例1中所述PM模型结构示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例 1
本实施例提供一种基于信息瓶颈的医学图像脱敏方法，如图1所示：
S1、获取患者隐私数据X以及X对应的数据标签Y；
具体的，由于医学图像特征的丰富程度比自然数据集小，自然数据集特征复杂度高，如利用同等能力的模型检测肺结核，相对于使用自然数据集更加简单，所以使用了三个常用的验证数据集：Mnist，Fashion-Mnist和CIFAR10，其中MNIST和FMNIST包含70000个尺寸为28*28的图像，其中MNIST是手写数据集，FMNIST包含十个不同的服装类别标签，CIFAR10包含10种不同物体的60000张图像，每张图像的大小为32*32*3。
S2、设计PM模型，所述PM模型包括特征提取模块、特征分布变换模块和特征对抗性重构模块；
所述特征提取模块提取与患者隐私数据最相关医学特征；
所述特征分布变换模块用于将最相关医学特征Z映射到分布Q中，将患者隐私数据的原分布映射到新的分布Q中，对原数据进行隐私保护；
所述特征对抗性重构模块用于将分布Q中的数据重构为医学云模型所接受的服务格式，进一步稀释特征。
S3、将患者隐私数据X输入PM模型映射为查询数据X'，并通过优化函数进行优化：
设计PM模型，在X映射到X'的过程中，保证医学服务效用，总体的优化函数如下：
（1）
公式（1）中，是使后面的公式即/>达到最小值时的变量的取值；L1和L2分别是患者隐私数据的正则化项和效用正则化项；/>是自定义优化因子。
优化L1，即最小化隐私数据X和查询数据X'的互信息：
（2）；
公式（2）中，I表示互信息，φ是将X映射到X'的函数，即φ（X）=X'。
对于L2：
（3）；
公式（3）中，Dkl代表最小化和/>二者之间的KL散度距离，k（）为医学云模型对查询数据X'的处理函数；/>为X的原始分布；/>为X'在低维空间的分布；Z为患者隐私数据X的最相关医学特征。
将X映射到X'时，保证X≠X'并且k（X）=k（X'），将L2广义化为：
（4）；
公式（4）中，是通过优化PM来最小化模型的输出的均值，Y'是对应X'输出的查询数据标签，Pf是医学云模型的输出所在分布，d表示距离度量。
具体的，优化L1，即最小化隐私数据X和查询数据X'的互信息，设计PM模型，以最小化它们的互信息；
将互信息的优化公式（1）转为JS散度优化，所得的函数表示为最大化JS散度优化：
（6）；
公式（6）中，等式右侧的JS表示Jensen-Shannon散度，通过JS最大化Q与P之间的相似度，保证X和X'在隐私信息表达上相互独立，对等式左侧的JS进行展开得：
（7）。
在优化JS时，P已知且固定，P为X的分布，通过对JS进行展开，最大化可以转化为最大化中采样的Z的熵与从/>中采样的熵的差：
（8）；
公式（8）中，为最大化Q分布和P分布联合分布的混乱程度，/>为Q分布的混乱程度。
从开始最小化，即最小化Q分布的熵：
（9）。
当Z是固定值的时候，Q的熵最小，然而这样会使PM失去泛化性，因此我们使Q是一个简单的数学表达式表示的分布，比如正态分布N、均匀分布U、泊松分布π等，优选的，选择正态分布：
（10）；
公式（10）表示患者隐私数据X的特征Z映射到一个正态分布Q上，Q表示正态分布，则，其中/>，/>分别代表正态分布的均值和方差。
Q的参数θ不应该人工确定，更适合使用优化的方法，在PM的训练中，可根据不同的输入X来调整θ，以控制Q的不确定性，由于不同X中包含的信息是多样的，不同的X对应于Q的不同确定性水平（即一些X需要Q的高确定性，以使医学云模型输出正确的标签，反之亦然）：
（11）；
公式（11）为最小化P和Q两个分布的联合分布的熵，P为患者隐私数据分布，P是常数，由于熵的可加性，而Q和P理论上是两个完全独立的源，那么有：
（12）；
公式（12）中，为最大化Q分布的熵，/>作为常数项，并记为C，可看出，公式（12）的优化目标与/>相矛盾。
从理论上讲，P是一个复杂的混沌分布，因此C的值是较大的，因此只要增加Q的熵，即在和公式（12）建立一个权衡；
显然，这种权衡主要取决于θ，故使用X来决定θ，当θ被确定时，从Q（θ）中随机采样以得到低维特征Z。
下述方程对Z'进行逆重构，进一步增大了X和X'在高维和低维空间中的表示差距，有效地减少了X和X'之间的互信息：
（5）；
公式（5）中，E表示为均值，代表最大化X与X'在高维和低维的信息差异，d1代表最大化高维空间中的差异，d2代表最大化低维空间中的差异；FE代表特征提取。
进一步地，对于L2隐私效用权衡，要找到映射方法ϕ（PM），将X映射到X'，确保并且k（X）=k（X'），使得X和X'在效用上尽可能平行，将L2简化为：
（13）；
公式（13）中，是使后方的公式达到最小值，/>可以作为常数项忽略；公式（12）称为交叉熵，在许多分类任务场景里面，交叉熵通常被作为损失函数；
将L2重写为下式，这是一种更广义的表示：
（4）；
公式（4）中，Y'是对应X'输出的查询数据标签，d表示距离度量，优选的，d为欧氏距离。
所述S3具体包括：
S31、将患者隐私数据X利用信息瓶颈特征提取最相关医学特征Z；
利用信息瓶颈对患者隐私数据X中与患者疾病最相关的医学特征提取为特征Z，将其他无关特征扭曲、抹除，最大程度保护患者隐私；
信息瓶颈可以帮助医学云服务尽可能将医疗数据中与医疗服务相关的特征提取出来，筛选其他无关的特征，被筛选的特征也包含隐私信息（如背景信息、病症信息等），最大程度保护患者隐私。
S32、将最相关医学特征Z映射到分布Q中；
优选的，Q表示正态分布，则，其中/>，/>分别代表均值和方差，θ是Q的决定性参数，即为均值和方差。
S33、当分布Q的决定性参数θ被确定时，从Q（θ）中随机采样得到低维特征Z。
S34、将低维特征Z'对抗性重构为查询数据X'，由查询数据X'构成训练医学云模型的数据集。
对Z'进行逆重构，进一步增大了X和X'在高维和低维空间中的表示差距，有效地减少了X和X'之间的互信息：
（5）；
公式（5）中，E表示为均值，是最大化Z'与X'在高维和低维的信息差异，d1是高维空间中Z'与X'的差异，d2是低维空间中Z'与X'的差异，是X'和Z'的信息分布；FE是特征提取。
S4、将数据集输入医学云模型，输出查询数据标签Y'：
。
S5、利用分割学习的方法更新PM；
所述PM模型构建完成后，仍需要对其进行训练，医学云模型提供商即医学云端与患者端合作训练PM，但医学云模型不想向患者公开自己的云模型；同样，患者端也不希望将PM模型提交给医学云端进行训练；
通过患者端和医学云端分别训练，以此来更新PM，同时限制患者与医学云模型的交互，将查询数据X'交付给医学云端以获取服务，以确保隐私效用的权衡，且患者无法直接访问医学云端输出的Y'。
进一步地，在电网场景下本发明与其他方法的对比结果如下：
其中，推理时间就是模型输入到输出的过程，本发明只需要从输入到输出，然而加密的方法需要先加密再推理最后解密的过程，本发明时间上要缩短很多。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明要求的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于信息瓶颈的医学图像脱敏方法，其特征在于，包括；
S1、获取患者隐私数据X以及X对应的数据标签Y；
S2、设计PM模型，所述PM模型包括特征提取模块、特征分布变换模块和特征对抗性重构模块；
所述特征提取模块提取与患者隐私数据最相关医学特征；
所述特征分布变换模块用于将最相关医学特征Z映射到分布Q中，将患者隐私数据的原分布映射到新的分布Q中，对原数据进行隐私保护；
所述特征对抗性重构模块用于将分布Q中的数据重构为医学云模型所接受的服务格式；
S3、将患者隐私数据X输入PM模型映射为查询数据X'，并通过优化函数进行优化：
（1）；
公式（1）中，是使后面的公式达到最小值时的变量的取值；L1和L2分别是患者隐私数据的正则化项和效用正则化项；/>是自定义优化因子；
S4、将数据集输入医学云模型，输出查询数据标签Y'：
S5、利用分割学习的方法更新PM模型。
2.根据权利要求1所述的一种基于信息瓶颈的医学图像脱敏方法，其特征在于，所述优化函数包括：
优化L1，即最小化隐私数据X和查询数据X'的互信息：
（2）；
公式（2）中，I表示互信息，φ是将X映射到X'的函数，即φ（X）=X'；
优化L2：
（3）；
公式（3）中，Dkl代表最小化和/>二者之间的KL散度距离，k（）为医学云模型对查询数据X'的处理函数；/>为X的原始分布；/>为X'在低维空间的分布；Z为患者隐私数据X的最相关医学特征；
将X映射到X'时，保证并且k（X）=k（X'），将L2广义化为：
（4）；
公式（4）中，Y'是对应X'输出的查询数据标签，Pf是医学云模型的输出所在分布，d表示距离度量。
3.根据权利要求2所述的一种基于信息瓶颈的医学图像脱敏方法，其特征在于，所述S3具体包括：
S31、将患者隐私数据X利用信息瓶颈特征提取最相关医学特征Z；
S32、将最相关医学特征Z映射到分布Q中；
S33、当分布Q的决定性参数θ被确定时，从Q（θ）中随机采样得到低维特征Z'；
S34、将低维特征Z对抗性重构为查询数据X'，由查询数据X'构成训练医学云模型的数据集；
对Z进行逆重构：
（5）；
公式（5）中，E表示为均值，是最大化Z'与X'在高维和低维的信息差异，d1是高维空间中Z'与X'的差异，d2是低维空间中Z'与X'的差异；FE是特征提取。
4.根据权利要求1所述的一种基于信息瓶颈的医学图像脱敏方法，其特征在于，所述利用分割学习的方法更新PM模型具体包括：
患者端与医学云端分别将隐私数据以及医学云模型检测结果输入PM模型用于更新PM模型。
CN202410094639.4A 2024-01-24 2024-01-24 一种基于信息瓶颈的医学图像脱敏方法 Active CN117610080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410094639.4A CN117610080B (zh) 2024-01-24 2024-01-24 一种基于信息瓶颈的医学图像脱敏方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410094639.4A CN117610080B (zh) 2024-01-24 2024-01-24 一种基于信息瓶颈的医学图像脱敏方法

Publications (2)

Publication Number Publication Date
CN117610080A true CN117610080A (zh) 2024-02-27
CN117610080B CN117610080B (zh) 2024-04-19

Family

ID=89953891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410094639.4A Active CN117610080B (zh) 2024-01-24 2024-01-24 一种基于信息瓶颈的医学图像脱敏方法

Country Status (1)

Country Link
CN (1) CN117610080B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200364624A1 (en) * 2019-05-16 2020-11-19 Retrace Labs Privacy Preserving Artificial Intelligence System For Dental Data From Disparate Sources
CN113869384A (zh) * 2021-09-17 2021-12-31 大连理工大学 基于领域自适应的隐私保护图像分类方法
CN114417427A (zh) * 2022-03-30 2022-04-29 浙江大学 一种面向深度学习的数据敏感属性脱敏系统及方法
CN116402756A (zh) * 2023-03-09 2023-07-07 西北大学 一种融合多层次特征的x光片肺部疾病筛查系统
CN116471585A (zh) * 2023-05-04 2023-07-21 山东大学 一种兼顾隐私保护的面向任务的语义通信方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200364624A1 (en) * 2019-05-16 2020-11-19 Retrace Labs Privacy Preserving Artificial Intelligence System For Dental Data From Disparate Sources
CN113869384A (zh) * 2021-09-17 2021-12-31 大连理工大学 基于领域自适应的隐私保护图像分类方法
CN114417427A (zh) * 2022-03-30 2022-04-29 浙江大学 一种面向深度学习的数据敏感属性脱敏系统及方法
CN116402756A (zh) * 2023-03-09 2023-07-07 西北大学 一种融合多层次特征的x光片肺部疾病筛查系统
CN116471585A (zh) * 2023-05-04 2023-07-21 山东大学 一种兼顾隐私保护的面向任务的语义通信方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIANYI HAN: "Privacy-Preserving Multi-Source Domain Adaptation for Medical Data", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》, 20 May 2022 (2022-05-20) *
李越;蒋路茸;童基均;: "心血管造影图像分割方法综述", 计算机系统应用, no. 09, 15 September 2020 (2020-09-15) *

Also Published As

Publication number Publication date
CN117610080B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
Wang et al. Generative partial multi-view clustering with adaptive fusion and cycle consistency
WO2020220823A1 (zh) 用于构建决策树的方法和装置
US11923070B2 (en) Automated visual reporting technique for medical imaging processing system
Sajjad et al. Mobile-cloud assisted framework for selective encryption of medical images with steganography for resource-constrained devices
CN117238458B (zh) 基于云计算的重症护理跨机构协同平台系统
Jiang et al. Toward practical privacy-preserving processing over encrypted data in IoT: an assistive healthcare use case
AU2014341919B2 (en) Systems and methods for facial representation
CN110797124A (zh) 一种模型多端协同训练方法、医疗风险预测方法和装置
CN109636658A (zh) 一种基于图卷积的社交网络对齐方法
Chen et al. Privacy preservation for image data: a gan‐based method
CN113821668A (zh) 数据分类识别方法、装置、设备及可读存储介质
CN110929806A (zh) 基于人工智能的图片处理方法、装置及电子设备
Abdi Alkareem Alyasseri et al. EEG channel selection using multiobjective cuckoo search for person identification as protection system in healthcare applications
CN112699947A (zh) 基于决策树的预测方法、装置、设备、介质及程序产品
Li et al. High-capacity coverless image steganographic scheme based on image synthesis
Gong et al. [Retracted] Robust and Secure Zero‐Watermarking Algorithm for Medical Images Based on Harris‐SURF‐DCT and Chaotic Map
Tu et al. Toward efficient and intelligent video analytics with visual privacy protection for large-scale surveillance
Kumar et al. Blockchain based privacy-preserved federated learning for medical images: a case study of COVID-19 CT scans
CN117610080B (zh) 一种基于信息瓶颈的医学图像脱敏方法
Li et al. A novel privacy-preserving outsourcing computation scheme for Canny edge detection
Patil et al. A Review on Disease Prediction using Image Processing
Zhao et al. Reconstructing images corrupted by noise based on D–S evidence theory
Wang et al. PHISS: Progressive and hierarchical image segmentation-sharing scheme
Mehdy et al. A Deep learning approach for trust-untrust nodes classification problem in WBAN
Wang et al. Generative adversarial networks-based security and applications in cloud computing: a survey

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant