Oct, 2023

增强 MRI 扫描的隐私保护的 3D 掩蔽自编码器

PDF
TL;DR利用 CP-MAE 提出的模型，通过遮蔽自动编码器对人脸进行去识别，表现出卓越的下游任务性能和去识别效果，同时能够合成高达 $256^3$ 分辨率的扫描，大大增加了体素的数量。
mri scanspiidata anonymizationde-identificationcp-mae
发现论文，激发创造
  • 使用生成神经网络对 MR 图像进行快速重新面向，降低再识别风险并保持容积一致性

    本研究提出一种基于生成对抗网络的匿名面部生成方法，可用于去除医学影像材料中的面部信息以保护受试者隐私，并与现有的处理方法进行比较评估。

    May, 2023

  • GANs 重建匿名化面部特征的 Refacing 技术

    本研究利用 CycleGAN 无监督图像转换框架，分别对面部有模糊和无脸部的 T1 MR 图像进行匿名化测试。结果表明，进行脸部模糊可能无法提供足够的保护措施，而脸部去除虽然提供更强的匿名化保护，但仍部分可逆。

    Oct, 2018

  • 3D 掩蔽自编码和伪标注用于异质婴儿脑 MRI 领域自适应分割

    本文介绍了一种名为 MAPSeg 的新颖框架，它利用 3D 遮掩自动编码和遮掩伪标签来跨越年龄、模态和场所进行婴儿大脑 MRI 次皮质区域的分割，该模型能够从标记源域数据和未标记目标域数据中进行联合学习。MAPSeg 在不同年龄、模态或获取场所的分割皮层区域任务中，始终优于其他方法。

    Mar, 2023

  • 面部去识别隐私保护 GAN

    提出了一种基于隐私保护 GAN（PP-GAN）的新框架，将具有新颖真实性验证器和调节器模块的 GAN 用于人脸去识别问题，以确保在保持结构相似度的情况下产生去识别输出。该方法在隐私保护、实用保护和结构相似度方面的表现优于现有的人脸去识别技术，并提供了一种通过领域知识先验来封装 GAN 框架的实用解决方案。

    Jun, 2018

  • 神经影像数据的去匿名攻击

    该篇论文介绍了一种基于矩阵分析技术的脑神经影像识别方法，可以揭示出参与研究的个体身份、任务和任务实施效果等信息，但也带来了隐私保护方面的担忧。

    Aug, 2019

  • 利用自编码器正则化进行三维 MRI 脑肿瘤分割

    本研究利用编码器 - 解码器结构，结合变分自编码器总体约束方法，从大量的 3D MRI 数据中，实现了对脑肿瘤细分的自动化分割，并在 BraTS 2018 挑战中获得了第一名。

    Oct, 2018

  • 面部去识别中提升保护的隐私保护光学技术

    通过硬件级别的人脸去识别方法，解决了软件级别的人脸去识别在隐私安全上的漏洞问题。

    Mar, 2024

  • MiM: 3D 医学图像分析的层叠掩模自监督预训练

    提出一种用于 3D 医学图像的新型预训练框架 “Mask in Mask（MiM）”，通过学习来自不同尺度的分层视觉标记的辨别性表示，在器官 / 病变 / 肿瘤分割和疾病分类等任务中展现出 MiM 相对于其他自我监督学习方法的优越性能，此外，大规模预训练数据集的扩展进一步提升了 MiM 在下游任务中的表现。

    Apr, 2024

  • 面具引导的多参数磁共振成像数据增强方法在一种罕见肝细胞癌中的应用

    介绍了一种新的数据增广框架，通过生成式深度学习方法生成大规模宏小结肝细胞癌的多参数（T1 动脉，T1 门静脉和 T2）磁共振图像及其相应的肿瘤掩膜，所提出的方法在有限的多参数 MRI 三元组数据集上训练，生成了 1000 个合成三元组及其相应的肝脏肿瘤掩膜，Frechet Inception Distance 得分为 86.55，此方法是由法国放射学学会组织的 2021 年数据增广挑战中的获胜者之一。

    Jul, 2023

  • 颠覆性的自编码器：利用低级特征进行三维医学图像预训练

    本文提出了一种针对 3D 医学放射图像的高效预训练框架，结合局部屏蔽和低层扰动，利用交叉模态对比损失实现多模态预训练，且在多个下游任务中取得了最先进的性能表现。

    Jul, 2023