Apprentissage profond en imagerie médicale : risques d’atteinte à la vie privée des patients et solutions possibles
Organisation
Université de Calgary
Publication
2021
Responsable(s) du projet
Nils D. Forkert, Anup Tuladhar et Matthias Wilms
Résumé
Des recherches récentes en vision artificielle ont montré que les images originales utilisées pour l’entraînement des modèles d’apprentissage profond peuvent être reconstruites à l’aide d’attaques dites d’inversion. Cependant, la faisabilité de ce type d’attaque n’a pas été étudiée pour les images médicales 3D complexes. Ainsi, l’objectif de cette étude était d’examiner la vulnérabilité des techniques d’apprentissage profond utilisées en imagerie médicale aux attaques par inversion du modèle et d’étudier plusieurs mesures quantitatives pour évaluer la qualité des images reconstruites.
Pour le développement et l’évaluation des modèles d’attaques par inversion, la base de données publique LPBA40, composée de 40 examens d’imagerie par résonance magnétique du cerveau avec les segmentations correspondantes des gyri et des structures profondes de la matière grise du cerveau, a été utilisée pour entraîner deux réseaux neuronaux convolutifs profonds populaires, à savoir un U-Net et un SegNet, et les décodeurs d’inversion correspondants. Le coefficient de corrélation de Matthews, la mesure de l’indice de similarité structurelle (SSIM) et l’ampleur du champ de déformation résultant de l’enregistrement non linéaire des images originales et reconstruites ont été utilisés pour évaluer la précision de la reconstruction.
Une comparaison des mesures de similarité a révélé que la SSIM est l’outil le mieux adapté pour évaluer la précision de la reconstruction, suivi de près par la magnitude du champ de déformation. L’évaluation qualitative a montré que les images d’entraînement peuvent être reconstruites avec une certaine dégradation due au flou, mais qu’elles peuvent, dans la majorité des cas, être correctement mises en correspondance avec les images originales. En conclusion, les résultats de cette étude indiquent qu’il est possible de reconstruire les données des patients utilisées pour l’entraînement des réseaux neuronaux convolutifs et que la SSIM est une bonne mesure pour évaluer la précision de la reconstruction.
Accessibles dans la langue suivante
Anglais
Projet financé par le CPVP
Ce projet a été financé dans le cadre du Programme des contributions du Commissariat à la protection de la vie privée du Canada. Les opinions exprimées dans les résumés et les rapports sont celles des auteurs et ne reflètent pas nécessairement l’opinion du Commissariat. Les résumés ont été fournis par les auteurs des projets. Veuillez noter que les projets sont publiés dans leur langue d’origine.
Coordonnées
Nils Daniel Forkert (Dr. rer nat)
Chaire de recherche du Canada en analyse d’images médicales
Directeur de programme – Sciences des données sur la santé des enfants, Institut de recherche de l’hôpital pour enfants de l’Alberta
Responsable du thème Apprentissage machine en neurosciences, Hotchkiss Brain Institute
Professeur associé aux départements de radiologie et de neurosciences cliniques,
École de médecine Cumming, et département de génie électrique et logiciel,
École de génie Schulich, Université de Calgary
Courriel : nils.forkert@ucalgary.ca
- Date de modification :