Automatic De-Identification of Magnetic Resonance Images : by utilizing Machine Learning / Automatisk avidentifiering av MRT-Bilder : genom att använda maskininlärning
- Authors
- Publication Date
- Jan 01, 2024
- Source
- DiVA - Academic Archive On-line
- Keywords
- Language
- English
- License
- Green
- External links
Abstract
Magnetic Resonance (MR) images of the head need to be de-identified to enable re-search and education while complying with rules and regulations such as HIPAA andGDPR. This thesis explores a new approach to de-identifying MR images by utilizinggenerative Machine Learning (ML) techniques. The presented solution combines a Vec-tor Quantized Variational Autoencoder (VQ-VAE) with a Latent Diffusion Model (LDM)featuring a modified reverse process to enable postconditional inpainting of 3D MR im-ages. The solution takes two inputs: the image to be de-identified and a binary mask of theregions that should not be modified by the inpainting process. Given these, the VQ-VAEencodes the inputs into a latent representation, where the modified LDM blends the orig-inal image with new sampled data. The output of LDM is then decoded to achieve a newde-identified MR image that looks like an unmodified image but contains synthesized datato hide the identity of the original subject.Three different defacing tools are used to produce binary masks of different sizes to testthe solution. The result shows that the size of the mask has a large impact on how differ-ent an inpainted image is compared to the original, and how different multiple inpaintedimages are from each other. Furthermore, downstream performance is measured by apply-ing skull stripping tools to original, defaced, and inpainted images. Inpainted images areshown to perform as well or slightly better than defaced images in this task. Finally, theinpainted images are fed to a classifier trained to classify whether an image contains a faceor not. The model predicts that the images contain a face more than 93 % of the time. / För att möjliggöra forskning och utbildning samtidigt som man följer dataskyddslagstiftningar såsom HIPAA och GDPR, krävs det att bilder från magnetisk resonanstomografi (MRT) av huvudet avidentifieras. I detta arbete introduceras en ny metod för avidentifiering av MRT-bilder som utnyttjar generativ maskininlärning. Lösningen består av en kombination mellan en vektorkvantiserad variationell autokodare (VQ-VAE) och en latent diffusionsmodell (LDM) som har anpassats med en modifierad bakåtprocess för postvillkorlig inmålning av tredimensionella MRT-bilder. Metoden kräver två typer av indata: MRT-bilden som ska avidentifieras och en binärmask som urskiljer de områden som inte ska ändras under inmålningsprocessen. Autokodaren omvandlar indatan till en latent representation, därefter används den justerade diffusionsmodellen för att kombinera den ursprungliga bilden med genererad data. Efter avkodning är resultatet en ny MRT-bild som ser ut som en omodifierad bild, men i sjäva verket innehåller syntetisk data för att dölja patientens identitet. För att utvärdera metoden används tre externa avidentiferingsverktyg för att skapa binärmasker med varierande storlekar. Mätningar visar att maskernas storlek har en stor påverkan på hur annorlunda en inmålad bild ser ut i jämförelse med dess originalbild, samt hur olika flera inmålade bilder är gentemot varandra. Dessutom utvärderas påverkan av inmålningsprocessen på efterföljande mjukvaror genom att använda ett skullstrip-verktyg på bilder avidentifierade av de externa verktygen, samt de inmålade bilderna. Skullstrip-verktyget presterade liknande eller något bättre på de inmålade bilderna. Avslutningsvis klassificerades de inmålade bilderna med en klassificerare tränad för att bestämma om en bild innehåller ett ansikte eller inte, där modellen identifierade ansikten i mer än 93 % av fallen.
