医学图像上破坏效果的评估及其对放射治疗的影响：患者隐私与数据利用的考量

《International Journal of Radiation Oncology*Biology*Physics》：Assessment of Defacing Techniques on Medical Images for Radiation Therapy: Implications for Patient Privacy and Data Utility

去标识化技术在放射治疗多模态成像中的隐私保护与数据效用评估显示，quickshear和Carina的deidentifier在降低重新识别风险的同时，对解剖结构的影响较小，而biometric_mask和mri_reface的平衡需结合具体应用需求。

　　

杜王 | 李尚浩 | 王婷宇 | 肖颖

宾夕法尼亚大学放射肿瘤学系，费城，PA 19104

摘要

目的

评估基于面部篡改的去识别技术对放疗中多模态成像数据重新识别风险和数据实用性的影响。

材料与方法

我们应用了四种面部篡改技术：biometric_mask、quickshear、mri_reface 和 Carina’s deidentifier，对癌症影像档案（TCIA）中88名脑部患者（MRI、CT 和 RTDose）以及97名头颈部（HN）患者（PET、CT 和 RTDose）的影像进行了处理。使用基于深度学习的面部识别模型 ArcFace，通过测量余弦相似度分数并进行接收者操作特征（ROC）分析来区分原始图像和篡改后的图像，从而评估重新识别风险。通过统计比较原始图像和篡改后图像在九个关键器官及靶区体积（GTV）上的变化，来评估数据完整性。

结果

quickshear 提供了最高的隐私保护效果，在所有成像模式中获得了最低的 AUC 值（AUC：0.61–0.74），其次是 Carina（0.59–0.80）。mri_reface 表现出中等程度的保护效果（0.70–0.91），而 biometric_mask 的保护效果最低（0.76–0.94）。Carina 保留了结构体积，mri_reface 仅导致眼睛（5%）和晶状体（9%）的轻微体积变化。相比之下，biometric_mask 显著影响了下颌骨（39%）和口腔（69%），quickshear 则显著改变了多个结构（10.0%–86.6%）。篡改后平均 CT 强度的中位数变化分别为：biometric_mask 为 -48.3%（IQR：32%），quickshear 为 -77.7%（IQR：37.7%）。对于眼睛，Carina 和 mri_reface 引起的改变分别为 +24.5%（IQR：22.6%）和 +54.9%（IQR：66.1%）。在脑部数据集中，biometric_mask 和 quickshear 分别使口腔平均剂量降低了 0.72 Gy（IQR：1.22）和 1.61 Gy（IQR：2.84）。Carina 和 mri_reface 分别使眼睛最大剂量降低了 2.11 Gy（IQR：3.44）和 1.05 Gy（IQR：1.65）。头颈部数据集也观察到了类似的趋势，但偏差更大。

结论

Carina’s deidentifier 和 mri_reface 在隐私保护与数据实用性之间取得了良好的平衡；最佳选择可能因应用优先级而异。

引言

人工智能（AI）在医学影像中的整合彻底改变了放射肿瘤学，推动了诊断、预后和治疗应用模型的发展。这些 AI 驱动的方法依赖于大规模且多样化的数据集来确保其性能的稳健性和泛化能力。然而，医学影像数据（尤其是包含面部特征的头部扫描数据）的使用和共享引发了严重的隐私问题。自动化面部识别软件的日益普及使得从常规影像中识别个体成为可能，从而加剧了对重新识别的担忧。

为应对这一问题，美国国立卫生研究院（NIH）要求按照 FAIR（可发现性、可访问性、互操作性和可重用性）原则公开共享联邦资助的研究数据。这一规定在开放数据访问的需求与保护患者身份（尤其是在面部特征可见的影像研究中）之间造成了矛盾。为了降低重新识别的风险，数据隐私法规通常要求从影像数据集中移除可识别特征，包括面部结构。尽管这保护了患者隐私，但可能会影响对放疗计划和效果评估至关重要的影像数据的使用。

传统的去识别方法通常涉及完全或部分移除面部特征以保护患者隐私。然而，这种方法可能会移除大量组织，从而复杂化数据分析和处理。最近出现了更先进的去识别技术，包括面部替换（通过替换或修改面部特征）和模糊技术（使用掩码遮挡面部结构）。这些方法旨在保护隐私的同时保持影像的完整性。

在放射肿瘤学中，CT、MRI 和 PET 对诊断、治疗计划和效果评估至关重要，而剂量图在规划和评估放射治疗过程中也起着关键作用。然而，这些技术保护隐私的效果，尤其是在剂量图方面，仍很大程度上尚未得到探索。

在头颈部（HN）影像中，由于视野范围的原因，剂量图常常会捕捉到面部部分区域，从而带来重新识别的风险。此外，篡改技术可能会改变进行精确剂量计算和图像分析所需的关键结构，可能影响数据完整性。这些变化可能会在治疗计划评估中引入误差，尤其是在使用数据进行分割、剂量分析或模型开发等任务时。迄今为止，放射肿瘤学领域很少有研究探讨篡改技术对隐私和影像数据完整性的影响。这种权衡凸显了对篡改方法进行全面评估的必要性，以量化它们在临床和研究应用中对隐私保护和数据完整性的影响。

在本研究中，我们评估了四种面部篡改技术——quickshear（完全移除面部特征）、biometric_mask（部分移除面部特征）、mri_reface（重新处理面部特征）以及 Carina Medical LLC 的去识别工具（使用模糊处理面部特征）——在多种成像模式（包括 CT、MRI、PET 和剂量图）中的应用效果。我们的目标是评估它们在防止面部识别方面的有效性，以及它们对放疗（RT）结构体积和图像强度变化的影响。通过比较这些方法，我们可以明确它们各自的权衡点，帮助用户根据其特定的临床或研究需求选择最合适的方法。

数据获取

数据获取

本研究使用了癌症影像档案（TCIA）中的两个数据集。第一个数据集包含 88 名来自 Burdenko Glioblastoma Progression 数据集（BGPD）的患者，每位患者都有 MRI 扫描、拓扑 CT 扫描以及相关的放疗计划文件（RTStruct、RTPlan 和 RTDose）。第二个数据集包含 97 名来自头颈部-PET-CT 数据集的患者，每位患者都有 CT/PET 扫描及相应的放疗计划文件（RTStruct、RTPlan 和 RTDose）。选择这些数据集的原因是……

重新识别风险

通过接收者操作特征（ROC）分析的曲线下面积（AUC）来评估每种面部篡改方法防止重新识别的有效性，AUC 越高表示重新识别风险越大，即防止面部识别的效果越差。对于每种成像模式，计算了所有原始图像和篡改后图像组合之间的相似度分数。

结果

表 1 总结了每种方法处理的扫描数量及成功篡改的数量。在脑部数据集中，最初包含了 88 名患者，但只有 48 名患者的 MRI 扫描可用于分析。由于图像质量问题导致的失败在脑部 MRI 扫描、头颈部 CT、PET 和剂量图图像中最为常见，尤其是使用 biometric_mask、mri_reface 和 Carina’s deidentifier 时。这些失败主要是由于 MRI 扫描中脑部结构不完整所致。

重新识别风险

重新识别风险通过面部识别测试进行评估，如图 2 所示。顶部显示了错误的匹配情况，即原始 CT 图像与不同患者的篡改后 CT 图像进行了比较；底部显示了正确的匹配情况，即同一患者的原始和篡改后 CT 图像进行了配对。使用 ArcFace 算法计算了每对图像的相似度分数，以量化篡改在防止重新识别方面的有效性。

图 3

数据完整性

为了评估篡改对数据完整性的影响，分析了脑部和头颈部区域多个解剖结构中的绝对百分比体积变化。较高的百分比变化表明篡改后结构改变更为显著。表 2 总结了这些变化，以平均值 ± 标准差（SD）的形式呈现。quickshear 造成的变化最为显著，尤其是在口腔（脑部为 86.6 ± 24.3%，头颈部为 51.4 ± 34.4%）、晶状体（脑部为 65.2 ± 31.7%）。

讨论

本研究全面评估了四种面部篡改方法——完全移除面部特征、部分移除面部特征、模糊处理和重新处理面部特征——在多种成像模式（包括 CT、MRI、PET 和剂量图）中的应用效果。我们的主要目标是评估这些方法在保护患者隐私的同时保持影像临床实用性的有效性，这在放射肿瘤学中至关重要。需要注意的是，目前的工具主要针对脑部扫描设计。

结论

本研究强调了为临床应用选择适当面部篡改方法的重要性。像 Carina’s deidentifier 和 mri_reface 这样的先进技术在保护隐私的同时保持了解剖结构的完整性，对于需要保持解剖结构清晰度的放疗影像非常有用。然而，它们的实现更为复杂，可能需要在实际应用前进一步优化。

负责统计分析的作者

姓名：杜王

负责数据完整性的作者

所有作者均能完全访问研究中的所有数据，并对数据的完整性负责。

数据共享声明

本研究使用的数据均来自癌症影像档案（TCIA）。

资助声明

该项目得到了 美国国家癌症研究所 的资助，资助编号分别为 U24CA180803（IROC）和 U10CA180868（NRG）。