[论文解读] Secure Medical Image Analysis with CrypTFlow

Javier Alvarez-Valle, Pratik Bhatu+7 more|arXiv (Cornell University)|Dec 9, 2020

Medical Imaging Techniques and Applications参考文献 27被引用 6

一句话总结

CrypTFlow 是一个系统，可通过单条命令将 TensorFlow 推理代码编译为安全多方计算（MPC）协议，从而实现隐私保护的医学影像分析。它引入了 Athos，一种可保持模型准确性的定点数转换编译器；以及 Porthos，一种高性能的半诚实三服务器 MPC 协议，将通信量减少了高达两个数量级，首次实现了对 3D-UNet 进行 3D 医学影像分割的安全推理——此前由于计算需求过高而不可行。

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.

研究动机与目标

• 在不暴露私有数据的前提下，实现大规模深度神经网络（DNN）在医学影像中的安全推理。
• 通过消除对密码学专业知识的需求，降低机器学习从业者采用 MPC 的门槛。
• 将安全推理扩展到复杂的真实世界医学 DNN 模型（如 3D-UNet），这些模型此前因性能和通信瓶颈而无法实现。
• 通过针对实际医学场景部署优化 MPC 协议，实现在安全推理中高效率与高准确率。

提出的方法

• 使用 Athos（一种支持 2PC 和 3PC 后端的模块化编译器）将 TensorFlow 推理代码编译为安全计算协议。
• 通过可调节比例因子的 64 位整数表示，将浮点数运算转换为定点数运算，以在准确率与溢出风险之间取得平衡。
• 实现 Porthos，一种半诚实三服务器 MPC 协议，通过重新组织数据并降低通信复杂度，优化矩阵乘法和非线性运算（如 ReLU、MaxPool）。
• 通过重新组织 Beaver 三元组生成方式，减少卷积层中的通信量，将通信量从约 ~2q²f² 降低至 ~2m² + 2f² + q² 个环元素。
• 支持 3D 操作（如 3D 转置卷积），实现对 3D-UNet 的安全推理，用于体积分割的医学影像分析。
• 与 ONNX 集成，支持原始 PyTorch 模型，扩展了对 TensorFlow 以外模型的支持。

实验结果

研究问题

• RQ1 能否构建一个系统，使大规模医学 DNN 的安全推理仅需极少的密码学专业知识？
• RQ2 在 MPC 中进行定点数转换能否在医学影像分析任务中保持浮点模型的准确性？
• RQ3 与先前工作相比，新型 MPC 协议能否显著降低大规模 DNN 的通信量和执行时间？
• RQ4 在 3D 医学影像分割模型（如 3D-UNet）上进行密码学安全推理是否可行？
• RQ5 该系统能否在保持可接受延迟的前提下，扩展到真实世界医学数据集（如 NIH 胸部 X 光片和骨盆 CT 扫描）？

主要发现

• CrypTFlow 在 5 秒内完成 ResNet50 的编译，DenseNet121 为 35 秒，3D-UNet 为 2 分钟。
• 使用 Athos 的定点数实现保持了模型准确性：ResNet50 的 top-1 准确率为 76.45%（浮点数为 76.47%），DenseNet121 为 74.33%。
• 与 SecureNN 相比，Porthos 在 ImageNet 规模模型上将通信量减少 1.2x–1.5x，执行时间减少 1.4x–1.5x。
• 在骨盆 CT 扫描上对 3D-UNet 进行安全推理耗时 1 小时 57 分钟，通信量达 557 GB，标志着首次对安全 3D 影像分割的评估。
• 该系统支持此前不支持的操作（如 3D 转置卷积），这些操作对分割任务至关重要。
• 3D-UNet 的延迟为 1 小时 57 分钟，在临床工作流程中可接受，因为人工分割需数天时间，因此该系统具备在真实场景中部署的可行性。