Δύο Γεωμετρικές Μέθοδοι Αποπροσωποποίησης CBCT: Τεχνικό Σημείωμα (προδημοσίευση)

Η προδημοσίευση της εργασίας “Δύο Γεωμετρικές Μέθοδοι Αποπροσωποποίησης CBCT: Τεχνικό Σημείωμα” είναι διαθέσιμη.

doi: https://doi.org/10.5281/zenodo.22007870

———————————————————————-

Περίληψη

Σκοπός: Η προστασία των προσωπικών δεδομένων σε CBCT με μεγάλο Field of View (FOV) αποτελεί πρόκληση, καθώς η απλή ανωνυμοποίηση των DICOM μεταδεδομένων δεν εξαλείφει την πιθανότητα αναγνώρισης από την εξωτερική μορφολογία του προσώπου. Σκοπός του παρόντος τεχνικού σημειώματος ήταν η αξιολόγηση δύο απλών γεωμετρικών μεθόδων αποπροσωποποίησης (defacing) CBCT.

Υλικά και μέθοδοι: Αξιολογήθηκαν 30 CBCT εξετάσεις. Μετά την ανωνυμοποίηση, 9 εξετάσεις με ανεπαρκή εξωτερική μορφολογία προσώπου αποκλείστηκαν και 21 χρησιμοποιήθηκαν για την αξιολόγηση. Εφαρμόστηκαν δύο μέθοδοι: μία ημιαυτόματη μέθοδος βασισμένη σε καμπύλη (Curve-based Defacing) και μία χειροκίνητη μέθοδος βασισμένη σε κέλυφος (Shell-based Defacing). Και οι δύο υλοποιήθηκαν αποκλειστικά με γεωμετρικά εργαλεία ανοικτού λογισμικού.

Αποτελέσματα: Και οι δύο μέθοδοι πέτυχαν την αφαίρεση ή κάλυψη των αναγνωρίσιμων εξωτερικών χαρακτηριστικών του προσώπου χωρίς εμφανείς μεταβολές στην υποκείμενη εσωτερική ανατομία ενδιαφέροντος. Ο μέσος χρόνος επεξεργασίας ήταν 33,8±3,3 sec για την Curve-based και 151±16,7 sec για την Shell-based μέθοδο.

Συμπεράσματα: Οι δύο μέθοδοι παρουσίασαν σταθερή και ομοιόμορφη απόδοση στο συγκεκριμένο σύνολο CBCT και μπορούν να αποτελέσουν απλές, ανοικτές και τοπικά εκτελέσιμες προσεγγίσεις για την αποπροσωποποίηση CBCT. Απαιτείται περαιτέρω ποσοτική και εξωτερική επικύρωση.

---

Two Geometric Methods for CBCT Defacing: A Technical Note (preprint)

The preprint of the paper “Two Geometric Methods for CBCT Defacing: A Technical Note” is available.

doi: https://doi.org/10.5281/zenodo.22007870

——————————————————————-

Abstract

Purpose: Protecting personal data in large-field-of-view (FOV) CBCT examinations presents a challenge, as simple anonymization of DICOM metadata does not eliminate the possibility of identification from the external facial morphology. The purpose of this technical note was to evaluate two simple geometric methods for CBCT defacing.

Materials and Methods: Thirty CBCT examinations were evaluated. Following anonymization, nine examinations with insufficient external facial morphology were excluded, and 21 were included in the evaluation. Two methods were applied: a semi-automated curve-based defacing method and a manual shell-based defacing method. Both methods were implemented exclusively using geometric tools within an open-source software environment.

Results: Both methods successfully removed or covered recognizable external facial features without apparent alteration of the underlying internal anatomy of interest. The mean processing time was 33.8 ± 3.3 sec for the curve-based method and 151 ± 16.7 sec for the shell-based method.

Conclusion: Both methods demonstrated consistent and uniform performance in the evaluated CBCT dataset and may provide simple, open-source, locally executable approaches for CBCT defacing. Further quantitative assessment and external validation are required.