Privacy preservation in medical image analysis

Résumé

Ces dernières années, le développement d’algorithmes basés sur l’intelligence artificielle (IA) a fait des pas de géant, notamment grâce à l’essor de l’apprentissage automatisé basé sur les réseaux de neurones profonds. Les travaux de recherche dans ce domaine se sont traduits en un large éventail d’applications, principalement en vision par ordinateur et en analyse du langage naturel. En revanche, les applications médicales de l’IA tardent toujours à s’imposer, en grande partie dû aux contraintes de confidentialité et d’accès aux données médicales. L’objectif principal de cette thèse est de développer des modèles d’apprentissage profond destinés à l’analyse d’images médicales dans un contexte client-serveur, et ce en protégeant la vie privée des patients. Pour ce faire, trois méthodes sont proposées, chacune associée à un chapitre distinct de la thèse. Les trois méthodes suivent une stratégie similaire à haut niveau, où un client (par exemple, un hôpital) encode une image de manière à masquer l’information confidentielle, avant d’envoyer celle-ci à un serveur. Le serveur traite l’image encodée à l’aide d’un réseau de neurones spécifiquement conçu pour ces données, et renvoie ensuite le résultat au client où il est décodé. Une contrainte importante à respecter dans ce contexte est de ne jamais transmettre de données contenant des informations pouvant permettre d’identifier un patient. La première méthode comprend trois réseaux entraînés de bout en bout: un réseau encodeur retirant d’une image les caractéristiques spécifiques à l’identité du patient correspondant, un réseau discriminateur qui tente d’identifier le patient à partir de l’image encodée, et un réseau de segmentation pouvant extraire des régions d’intérêt dans cette même image. En entraînant l’encodeur de manière à simultanément tromper le discriminateur et maximiser la performance du réseau de segmentation, celui-ci apprend à supprimer les caractéristiques confidentielles tout en conservant celles qui sont essentielles à la tâche de segmentation. La capacité de cette approche à offrir une segmentation de qualité, tout en masquant l’identité des patients, est démontrée sur la segmentation d’IRM de cerveaux provenant de la base de données Parkinson Progression Marker Initiative (PPMI). Une limitation de cette première approche est de ne pas encoder les cartes de segmentation produites par le réseau pouvant également être employées pour identifier le patient. La deuxième méthode présentée dans la thèse protège l’identité du patient en appliquant une déformation spatiale non linéaire pseudo-aléatoire à l’image d’entrée. Il en résulte une image distorsionnée qui est envoyée au serveur pour traitement. Le réseau de segmentation produit alors une carte déformée de segmentation où l’identité du patient est protégée. Cette carte est renvoyée au client qui remet celle-ci sous une forme canonique. Ce système comporte trois différentes composantes: un générateur de champ de flux qui produit une fonction de déformation pseudo-aléatoire, un discriminateur siamois qui tente de prédire l’identité du patient à partir de l’image traitée et un réseau de segmentation qui analyse le contenu des images encodées. Comme dans l’approche précédente, le système est entraîné de bout en bout avec une approche d’optimisation antagoniste. En trompant le discriminateur, le générateur de champ de flux apprend à produire une déformation non linéaire réversible pouvant supprimer l’identité du patient à la fois dans l’image et la carte de segmentation correspondante. La méthode proposée est à nouveau validée sur la tâche de segmentation d’IRM de cerveaux provenant de deux ensembles de données différents. Les résultats montrent que cette méthode offre une précision de segmentation similaire à celle obtenue sur des images non encodées et, de plus, réduit considérablement la capacité à récupérer l’identité du sujet. Les deux premières approches reposent sur l’apprentissage antagoniste à base de discriminateurs siamois pour encoder les images à protéger. Or, l’entraînement de tels discriminateurs nécessite plusieurs images pour un même patient, ce qui est rarement possible en pratique. De plus, l’entraînement antagoniste du modèle est souvent instable, et le modèle entraîné peut être sensible aux changements dans la distribution des images. La dernière méthode explore une stratégie différente pour préserver la confidentialité. Dans cette méthode, le client protège l’image du patient à segmenter en la mélangeant à une image de référence, rendant celle-ci inexploitable par une personne non autorisée. Cette image mélangée est envoyée à un serveur pour traitement. Le serveur renvoie ensuite au client le mélange de cartes de segmentation qui la ramène enfin à la segmentation cible. Le système complet comporte deux composantes: un réseau de segmentation du côté serveur qui traite le mélange d’images, et un réseau de “démixage” qui récupère la bonne carte de segmentation à partir du mélange de segmentations. Une fois de plus, le système est entraîné de bout en bout. Les résultats d’expériences sur différents jeux de données montrent que cette méthode obtient une segmentation de qualité supérieure ou comparable aux approches précédentes, tout en étant plus simple à implémenter et nécessitant moins de calculs que celles-ci.

Date	21 déc. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Christian Desrosiers (Directeur(-trice)), José Dolz (Codirecteur(-trice)) & Pierre Marc Jodoin (Codirecteur(-trice))