[논문 리뷰] Secure Medical Image Analysis with CrypTFlow

Javier Alvarez-Valle, Pratik Bhatu외 7명|arXiv (Cornell University)|2020. 12. 09.

Medical Imaging Techniques and Applications참고 문헌 27인용 수 6

한 줄 요약

CrypTFlow는 단일 명령어로 텐서플로 인fer 코드를 보안 다자간 계산(MPC) 프로토콜로 컴파일하는 시스템으로, 기밀 보장 의료 영상 분석을 가능하게 한다. 이 시스템은 모델 정확도를 유지하는 고정점 변환을 위한 컴파일러인 Athos와, 통신량을 최대 두 계단 정도 감소시켜 3D-UNet에 대한 첫 번째 보안 인fer를 가능하게 한 고성능 반신뢰성 3자 MPC 프로토콜인 Porthos를 도입한다. 이는 이전에는 계산 요구량이 너무 높아 불가능했던 3D 의료 영상 분할을 위한 3D-UNet의 보안 인fer를 가능하게 한다.

ABSTRACT

We present CRYPTFLOW, a system that converts TensorFlow inference code into Secure Multi-party Computation (MPC) protocols at the push of a button. To do this, we build two components. Our first component is an end-to-end compiler from TensorFlow to a variety of MPC protocols. The second component is an improved semi-honest 3-party protocol that provides significant speedups for inference. We empirically demonstrate the power of our system by showing the secure inference of real-world neural networks such as DENSENET121 for detection of lung diseases from chest X-ray images and 3D-UNet for segmentation in radiotherapy planning using CT images. In particular, this paper provides the first evaluation of secure segmentation of 3D images, a task that requires much more powerful models than classification and is the largest secure inference task run till date.

연구 동기 및 목표

• 의료 영상에서 대규모 딥 네트워크(DNN)의 보안 인fer를 가능하게 하되, 개인 정보를暴露하지 않도록 한다.
• 암호학적 전문 지식이 필요 없도록 머신러닝 연구자들이 MPC를 채택하는 데 걸리는 장벽을 낮춘다.
• 이전에는 성능 및 통신 병목 현상으로 인해 구현이 불가능했던 복잡한 실세계 의료 DNN, 예를 들어 3D-UNet과 같은 모델에 대해 보안 인fer를 확장한다.
• 실제 의료 환경에 구현 가능한 실용적 배포를 위해 MPC 프로토콜을 최적화하여 높은 효율성과 정확도를 달성한다.

제안 방법

• Athos라는 모듈러 컴파일러를 사용해 텐서플로 인퍼런스 코드를 보안 계산 프로토콜로 컴파일하며, 2PC 및 3PC 백엔드를 지원한다.
• 정확도와 오버플로우 위험 간의 균형을 맞추기 위해 조정 가능한 스케일 요소를 가진 64비트 정수 표현 방식을 사용해 부동소수점 연산을 고정소수점 산술로 변환한다.
• Porthos라는 반신뢰성 3자 MPC 프로토콜을 구현하여, 데이터 재구성 및 통신 복잡도 감소를 통해 행렬 곱셈 및 비선형 연산(예: ReLU, MaxPool)을 최적화한다.
• 베이버 트리플 생성을 재구성함으로써 컨볼루션 레이어의 통신량을 줄이며, 기존의 약 2q²f²에서 ~2m² + 2f² + q² 레이어 요소로 감소시킨다.
• 3D 전치 컨볼루션과 같은 3D 연산을 지원하여, 부피적 의료 영상 분할을 위한 3D-UNet에 대한 보안 인퍼런스를 가능하게 한다.
• ONNX와 통합하여 원래 파이토치로 작성된 모델도 지원함으로써 텐서플로를 초월한 호환성을 확보한다.

실험 결과

연구 질문

• RQ1 암호학적 전문 지식이 최소한으로 필요한 시스템을 구축해 대규모 의료 DNN의 보안 인퍼런스를 가능하게 할 수 있는가?
• RQ2 MPC에서의 고정점 변환으로 부동소수점 모델의 정확도가 의료 영상 분석 작업에서 유지될 수 있는가?
• RQ3 기존 작업 대비 새로운 MPC 프로토콜이 대규모 DNN에 대해 통신량과 실행 시간을 크게 줄일 수 있는가?
• RQ4 3D 의료 영상 분할 모델인 3D-UNet에 대해 암호학적으로 보장된 인퍼런스가 실현 가능한가?
• RQ5 NIH 흉부 X-ray 및 골반 CT 스캔과 같은 실세계 의료 데이터셋에 대해 수용 가능한 지연 시간을 유지하면서도 시스템이 확장 가능한가?

주요 결과

• CrypTFlow는 ResNet50에 대해 5초, DenseNet121에 대해 35초, 3D-UNet에 대해 2분의 컴파일 시간으로 텐서플로 모델을 MPC 프로토콜로 컴파일한다.
• Athos를 사용한 고정점 구현은 모델 정확도를 유지하며, ResNet50는 부동소수점 대비 76.45%의 top-1 정확도를 달성했고, DenseNet121는 74.33%의 top-1 정확도를 기록했다.
• Porthos는 ImageNet 규모의 모델에서 SecureNN 대비 통신량을 1.2배~1.5배, 실행 시간을 1.4배~1.5배 감소시켰다.
• 골반 CT 스캔에서 3D-UNet의 보안 인퍼런스는 1시간 57분이 소요되었고, 통신량은 557GB였다. 이는 보안 3D 영상 분할에 대한 첫 평가이다.
• 이전에 지원되지 않았던 3D 전치 컨볼루션과 같은 연산을 지원하여, 분할 작업에 필수적인 기능을 확보했다.
• 3D-UNet에 대한 지연 시간 1시간 57분은 임상 워크플로우에서 수동 분할에 며칠이 소요되는 것과 비교해 수용 가능한 수준이며, 실세계 구현에 실현 가능하다.