Stage M2, PFE ou équivalent (F/M) «Etudier les risques de ré-identification de patients à partir d’images médicales»

Contexte

L'apprentissage profond est de plus en plus utilisé dans le domaine médical, notamment pour l'aide au diagnostic à partir de clichés d'imagerie médicale. Ces avancées permettent de détecter des pathologies de manière plus efficace et rapide. Cependant, les bases de données médicales contenant ces images ne sont pas toujours suffisamment sécurisées, ce qui pose un risque en cas de fuite. Une telle fuite pourrait permettre la ré-identification des patients à partir de leurs clichés, même si les données sont censées être anonymisées [1,2]. Cela soulève des enjeux majeurs pour la confidentialité des patients et la sécurité des données dans un contexte où les techniques de ré-identification deviennent de plus en plus puissantes grâce à l'intelligence artificielle.

 

La protection de la vie privée et l'anonymisation des données médicales sensibles ont suscité des travaux de recherche. Dans le domaine image, Abramian et Eklund [3] ont utilisé des GANs pour reconstruire les caractéristiques faciales anonymisées, tandis que d'autres chercheurs ont développé différentes approches, telles que l'anonymisation profonde pour les images médicales [4] et la suppression automatique des caractéristiques faciales via la segmentation d'images [5]. Dans le cadre des IRMs cérébrales, nous retrouvons les méthodes de defacing [6,7] permettant de retirer la partie correspondant au visage. Ces études soulignent l'importance accordée à la protection de la vie privée et à l'anonymisation des données médicales sensibles.

 

Références :

[1] Boutet, A., Frindel, C., & Maouche, M. (2023, December). Towards an evolution in the characterization of the risk of re-identification of medical images. In 2023 IEEE International Conference on Big Data (BigData) (pp. 5454-5459). IEEE.

[2] Packhäuser, Kai, et al. "Deep learning-based patient re-identification is able to exploit the biometric nature of medical chest X-ray data." Scientific Reports 12.1 (2022): 14851.

[3] Abramian, D, and Eklund, A. "Refacing: reconstructing anonymized facial features using GANs." 2019 IEEE 16th international symposium on biomedical imaging (ISBI 2019). IEEE, 2019.

[4] Fezai, L, et al. "Deep anonymization of medical imaging." Multimedia Tools and

Applications 82.6 (2023): 9533-9547.

[5] Khazane, A, et al. "DeepDefacer: Automatic Removal of Facial Features via U-Net Image Segmentation." arXiv preprint arXiv:2205.15536 (2022).

[6] Schwarz, C. G., Kremers, W. K., Wiste, H. J., Gunter, J. L., Vemuri, P., Spychalla, A. J., ... & Jack Jr, C. R. (2021). Changing the face of neuroimaging research: Comparing a new MRI de-facing technique with popular alternatives. NeuroImage, 231, Article 117845.

[7] Mitew, S., Yeow, L. Y., Ho, C. L., Bhanu, P. K., & Nickalls, O. J. (2024). PyFaceWipe: a new defacing tool for almost any MRI contrast. Magnetic Resonance Materials in Physics, Biology and Medicine, 1-11.

 

Description du stage

Ce stage de 6 mois se déroulera au sein de l’équipe Myriad du CREATIS et l’équipe Privatics du centre INRIA Lyon et du laboratoire CITI sur le campus de la Doua dans le cadre du projet FIL RIVIERA https://fil.cnrs.fr/les-projets-2024-2025/

 

Le travail portera sur l’évaluation de l'efficacité de méthodes d’anonymisation dans le domaine image face aux risques émergents de ré-identification. Il explorera également des solutions avancées de protection de la vie privée, afin de proposer des recommandations pour sécuriser les bases de données médicales tout en préservant la qualité des diagnostics.

 

Les objectifs sont de :

  1. Évaluer les risques spécifiques aux images médicales : Analyser comment les images médicales peuvent être utilisées pour la ré-identification des patients à travers des techniques d'apprentissage profond, en tenant compte des caractéristiques spécifiques des images telles que les variations de contraste et les marques visibles dans l’anatomie. 

  2. Explorer des solutions de protection de la vie privée : Étudier des approches avancées de protection de la vie privée comme la confidentialité différentielle et évaluer leur impact sur la qualité des modèles d'apprentissage profond pour le diagnostic, tout en garantissant une meilleure sécurité des images médicales.

  3. Développer des recommandations pour les pratiques de sécurité des données : Proposer des stratégies pour améliorer la sécurité des bases de données médicales, en particulier pour les images, et réduire les risques de ré-identification, tout en préservant l'efficacité des diagnostics.

 

Mots-clés : imagerie médicale, re-identification, anonymization, vie privée.

 

Profils des candidat(e)s

  • Etudiant(e) en dernière année de Master 2 ou école d’ingénieur,
  • Vous avez reçu une solide formation en Deep learning et maitrisez Python ainsi que les outils tels que Tensorflow/Pytorch.
  • Des connaissances en imagerie médicale seraient appréciées.
  • Un bon niveau en anglais technique.
  • Vous êtes intéressé(e) par la recherche scientifique et curieux(se).

 

Informations générales

  • Thème/Domaine : Machine learning, sécurité et privée, données de santé
  • Ville :  Villeurbanne
  • Lieu : Créatis et Inria Lyon
  • Dates de prise de fonction privilégiées : 2024-02-01 au 2024-03-01
  • Durée de la convention de stage : 6 mois
  • Stage avec gratification.
  • Encadrement par : 

Mohamed Maouche (Privatics) https://mmaouche.github.io/ 

Antoine Boutet (Privatics) https://sites.google.com/site/antoineboutet/

Carole Frindel (Myriad) https://sites.google.com/view/carole-frindel/

 

Pour postuler, envoyez vos CV + bulletin de notes de master à l’adresse mohamed.maouche@inria.fr  avec comme objet [Stage RIVIERA] Nom Prénom