Safeguarding Medical Image Segmentation Datasets against Unauthorized Training via Contour- and Texture-Aware Perturbations

公开可获取的医学影像大幅推动了各种研究和临床领域的进展。然而，对于未经授权用于商业目的的人工智能系统的训练以及保护患者隐私的责任等问题，许多机构都犹豫不决是否分享他们的影像。特别是对于医学图像分割(MIS)数据集，由于收集和精细注释的过程费时费力，这种情况尤为突出。最近，不可学习示例(UEs)方法已经显示出通过添加不可见的快捷方式来保护图像的潜力。这些快捷方式可以防止未经授权的深度神经网络进行泛化。然而，现有的UEs是为自然图像分类而设计的，无法像MIS数据集中的重要先验知识(如轮廓和纹理特征)那样不可察觉地保护MIS数据集。为此，我们提出了一种不可学习的医学图像生成方法，称为UMed。UMed通过注入轮廓和纹理感知扰动来整合MIS的先验知识以保护图像。考虑到我们的目标仅是污染对MIS至关重要的特征，UMed仅需要在感兴趣区域(ROI)及其轮廓内进行最小的扰动，即可实现更高的不可察觉性(平均峰值信噪比为50.03)和保护性能(干净的平均DSC从82.18%降至6.80%)。

本文旨在解决医学图像分割（MIS）数据集的隐私保护问题，提出了一种新的不可学习医学图像生成方法（UMed）。

UMed方法通过注入轮廓和纹理感知扰动来保护MIS数据集，使得未经授权的深度神经网络无法推广。

UMed方法的亮点在于将MIS的先验知识整合到保护过程中，仅需要在感兴趣区域（ROI）和其轮廓内进行最小的扰动，即可实现更高的不可察觉性和保护性能。实验结果表明，UMed方法的平均峰值信噪比（PSNR）为50.03，干净数据的平均Dice相似系数（DSC）从82.18％降至6.80％。

近期的相关研究包括使用Unlearnable Examples（UEs）方法保护图像的隐私，但UEs方法的保护扰动不如MIS的先验知识，无法实现对MIS数据集的保护。