An Efficient Privacy-preserving Deep Learning Scheme for Medical Image Analysis
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 168
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JITM-12-5_005
تاریخ نمایه سازی: 25 بهمن 1400
چکیده مقاله:
In recent privacy has emerged as one of the major concerns of deep learning, since it requires huge amount of personal data. Medical Image Analysis is one of the prominent areas where sensitive data are shared to a third party service provider. In this paper, a secure deep learning scheme called Metamorphosed Learning (MpLe) is proposed to protect the privacy of images in medical image analysis. An augmented convolutional layer and image morphing are two main components of MpLe scheme. Data providers morph the images without privacy information using image morphing component. The human unrecognizable image is then delivered to the service providers who then apply deep learning algorithms on morphed data using augmented convolution layer without any performance penalty. MpLe provides sturdy security and privacy with optimal computational overhead. The proposed scheme is experimented using VGG-۱۶ network on CIFAR dataset. The performance of MpLe is compared with similar works such as GAZELLE and MiniONN and found that the MpLe attracts very less computational and data transmission overhead. MpLe is also analyzed for various adversarial attack and realized that the success rate is as low as . The efficiency of the proposed scheme is proved through experimental and performance analysis.
کلیدواژه ها:
نویسندگان
Andrew Onesimu
Ph.D. Candidate, School of Computer Science and Engineering, Vellore Institute of Technology, India.
Karthikeyan
Assistant Professor, School of Information Technology and Engineering, Vellore Institute of Technology, India.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :