[論文レビュー] Enabling Competitive Performance of Medical Imaging with Diffusion Model-generated Images without Privacy Leakage

Yongyi Shi, Xia, Wenjun+3 more|arXiv (Cornell University)|Jan 16, 2023

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本論文は、患者データの漏洩を防ぐ潜在変数拡散モデルを提案し、高精細な医療用CT、MRI、PET画像を生成する。合成画像が実際の画像と著しく異なることを保証するセーフティメカニズムを埋め込むことで、実データで訓練されたモデルと同等の性能（p > 0.05）を示す、最先端のノイズ除去およびスーパーレンジングネットワークを合成データで訓練可能にする。

ABSTRACT

Deep learning methods have impacted almost every research field, demonstrating notable successes in medical imaging tasks such as denoising and super-resolution. However, the prerequisite for deep learning is data at scale, but data sharing is expensive yet at risk of privacy leakage. As cutting-edge AI generative models, diffusion models have now become dominant because of their rigorous foundation and unprecedented outcomes. Here we propose a latent diffusion approach for data synthesis without compromising patient privacy. In our exemplary case studies, we develop a latent diffusion model to generate medical CT, MRI and PET images using publicly available datasets. We demonstrate that state-of-the-art deep learning-based denoising/super-resolution networks can be trained on our synthetic data to achieve image quality equivalent to what the same network can achieve after being trained on the original data (the p values well exceeding the threshold of 0.05). In our advanced diffusion model, we specifically embed a safeguard mechanism to protect patient privacy effectively and efficiently. Consequently, every synthetic image is guaranteed to be different by a pre-specified threshold from the closest counterpart in the original patient dataset. Our approach allows privacy-proof public sharing of diverse big datasets for development of deep models, potentially enabling federated learning at the level of input data instead of local network weights.

研究の動機と目的

• 深層学習研究における医療画像データ共有におけるプライバシー漏洩という重要な課題に取り組む。
• 患者の機密性を損なわず、大規模なデータ共有を可能にする、医療画像AI開発を促進する。
• 臨床的有用性を保ちつつ、実際の画像と区別がつかない多様で高品質な合成医療画像を生成する生成モデルを開発する。
• すべての合成画像が、事前に定めた閾値以上に、いかなる実際の患者画像とも異なることを保証する。これにより再特定が不可能になる。
• プライバシー保証付きの合成データセットを公開可能にすることで、入力データレベルでのフェデレーテッドラーニングを可能にする。

提案手法

• 公開済みの医療画像データセット（CT、MRI、PET）を用いて、潜在変数拡散モデルを訓練し、合成画像を生成する。
• 合成画像とトレーニングセット内のいかなる実患者画像に対しても最小限の知覚的距離を保証するプライバシー保護メカニズムを実装する。
• 潜在空間最適化を用いた事前学習済みの拡散モデルを採用することで、生成効率と画像品質を向上させる。
• 微分可能な距離メトリクス（例：LPIPSまたはFIDベース）を用い、トレーニング中にプライバシー制約を強制する。
• 下流の深層学習モデル（例：ノイズ除去およびスーパーレンジングネットワーク）を合成データで訓練し、実データで訓練したモデルと性能を比較評価する。
• 統計的検定（p > 0.05）を用いてプライバシー保証を検証し、合成画像と実画像との間に有意な類似性がないことを確認する。

実験結果

リサーチクエスチョン

• RQ1 拡散モデルは、臨床的有用性を保ちつつ、患者のプライバシーを確保する合成医療画像を生成できるか？
• RQ2 合成データで訓練された深層学習モデルは、実画像データで訓練されたモデルとどの程度同等の性能を達成できるか？
• RQ3 提案されたプライバシー保護メカニズムは、合成画像から患者の再特定を防ぐのにどの程度効果的か？
• RQ4 合成データは、モデル重みの共有に依存せず、入力データレベルでのフェデレーテッドラーニングを可能にするか？
• RQ5 合成画像と実患者画像との間の統計的類似性はどの程度で、検出可能な閾値を下回っているか？

主な発見

• 提案された潜在変数拡散モデルは、多様な解剖的領域にわたり、高精細な合成CT、MRI、PET画像を成功裏に生成した。
• 合成データで訓練した深層学習モデルは、画像品質指標（例：PSNR、SSIM）において、実データで訓練したモデルと統計的に差がない（p > 0.05）。
• プライバシー保護メカニズムにより、すべての合成画像が最も近い実画像と、知覚的類似性の限界を超える閾値以上に異なることが保証された。
• 合成データセットにより、ノイズ除去およびスーパーレンジングタスクで競争力のある性能が得られ、ベンチマーク評価では実データで訓練したモデルと同等またはそれを上回る性能を示した。
• この手法により、プライバシーリスクを伴わず、合成データを公開可能にしたため、研究開発への広範なアクセスが可能になった。
• 本手法により、ローカルモデル重みの交換に依存せず、共有された合成データを用いたフェデレーテッドラーニングの実現が可能になった。