Generative AI for Artifact Correction and Privacy-Secure Medical Imaging
Tid: Fr 2024-12-13 kl 13.00
Plats: F2, Lindstedtsvägen 26 & 28, Stockholm
Videolänk: https://kth-se.zoom.us/j/69355780837
Språk: Engelska
Ämnesområde: Datalogi
Respondent: Lennart Alexander Van der Goten , Beräkningsvetenskap och beräkningsteknik (CST), Science for Life Laboratory, SciLifeLab
Opponent: Associate Professor Ida Häggström, Chalmers University of Technology, Gothenburg, Sweden
Handledare: Associate professor Kevin Smith, Science for Life Laboratory, SciLifeLab, Beräkningsvetenskap och beräkningsteknik (CST); Professor Zeynep Akata, Technical University of Munich, Munich, Bavaria, Germany
QC 20241120
Abstract
Magnetisk resonanstomografi (MRT) är en allmänt använd, icke-invasiv teknik som ger detaljerade visualiseringar av kroppens inre strukturer, särskilt mjukvävnader som hjärnan, muskler och organ. Trots sina fördelar medför MRT två kritiska utmaningar. För det första kan rekonstruktionen av 3D-bilder från enskilda bildsnitt exponera identifierbara ansiktsdrag, vilket utgör en integritetsrisk om dessa bilder missbrukas för återidentifiering genom ansiktsigenkänning eller offentliga databaser. Detta väcker allvarliga oro för datasäkerhet i ett alltmer digitaliserat hälso- och sjukvårdslandskap. För det andra kräver MRT-skanningar att patienter förblir stilla under bildtagningen, eftersom även små rörelser kan försämra bildkvaliteten eller i allvarliga fall göra skanningar oanvändbara, vilket leder till kostsamma omtagningar och obehag för patienten.
För att möta dessa utmaningar utnyttjar denna avhandling generativ modellering och artificiella neurala nätverk. För den första utmaningen presenterar vi ett nytt metod för visuell avidentifiering av MRT-skanningar genom omformning, samtidigt som medicinskt relevant information, såsom hjärnan, bevaras. Konventionella metoder som tar bort känsliga områden (t.ex. ansikte eller öron) stör ofta efterföljande analyser genom att införa en domänförskjutning – en betydande förändring i datadistributionen. Vår metod omformar integritetskänsliga områden, vilket bibehåller både integritet och diagnostisk användbarhet samt prestanda i efterföljande uppgifter.
För den andra utmaningen utvecklar vi avancerade tekniker för att ta bort rörelseartefakter från MRT-skanningar, vilket möjliggör återhämtning av skanningar som annars skulle vara oanvändbara. Genom att integrera 3D-visionstransformatorer med självlärande och transferlärande tekniker förbättrar våra metoder bildkvaliteten samtidigt som den beräkningsmässiga belastningen minimeras. Detta minskar behovet av omtagningar, förbättrar diagnostisk noggrannhet och ökar patientkomforten genom att effektivisera MRT-processen.
Våra resultat belyser den transformativa potentialen hos generativ modellering inom medicinsk bildbehandling. Genom att hantera både integritetsrisker och borttagning av artefakter etablerar denna forskning nya standarder för säkra, effektiva och precisa diagnoser. Med den växande integrationen av AI inom hälso- och sjukvården, lägger dessa innovationer grunden för skalbara, integritetsskyddande och tillgängliga diagnostiska metoder över olika bildbehandlingsmodaliteter.