Einführung

Der RSNA DICOM Anonymizer ist ein plattformübergreifendes, eigenständiges De-Identifikations-Werkzeug. DICOM-Bilddateien werden entweder über Netzwerkübertragungen oder direkt aus dem lokalen Dateisystem importiert. Wenn eine DICOM-Datei empfangen wird, erfolgt die De-Identifikation und anschließend wird sie in einem benutzerdefinierten lokalen Speicherverzeichnis gespeichert. Anonymisierte Bilder können entweder auf einen entfernten DICOM-Server oder in ein AWS S3-Objektspeicher wie das RSNA Imaging Archive exportiert werden.

Designrichtlinien

  1. Open Source
  2. Eigenständig GUI in Python 3 geschrieben
  3. Keine Internetverbindung erforderlich
  4. Geeignet für Benutzer mit begrenztem DICOM-Wissen, die medizinische Bildgebungssätze für die Entwicklung von KI-Modellen kuratieren und einreichen möchten
  5. Unterstützte Plattformen: Windows, OSX (Intel & ARM), Linux-Plattformen
  6. Fortlaufende Entwicklung, Build-Prozesse und Veröffentlichungsverteilung über das öffentliche RSNA-GitHub-Konto
  7. Rückwärtskompatibel mit Java-Version
  8. PACS, Cloud PACS und VNA kompatibel
  9. Alle Fehler dem Benutzer anzeigen, nicht auf Log-Analyse verlassen
  10. Projektbasiert mit zentralisierter Einstellungsverwaltung
  11. Modell-Präsentation-Steuerung (MVC) Softwarearchitektur
  12. Verarbeitung von 1 Million Patienten
  13. Anonymisierung von 10 Dateien pro Sekunde

Vorherige Java-Anonymizer Version

Diese Version des Anonymizers basiert auf dem Clinical Trial Processor (CTP) des Medical Imaging Resource Centre (MIRC) Java Anonymizer V16

Unterschiede zur Java-Version

  1. Geschrieben in Python für Version 3.11
  2. Implementiert eine Betriebsuntermenge zur Handhabung des Standard-Anonymisierungsskripts: {@remove, @empty, @hashdate, @round, ptid, acc, uid}
  3. Felder mit ptid in der Operation werden durch eine sequenziell generierte Patienten-ID ab 1 ersetzt
  4. Felder mit acc in der Operation werden durch eine sequenziell generierte Zugangsnummer ab 1 ersetzt
  5. Felder mit uid in der Operation werden durch eine sequenziell generierte UID der Form {UIDRoot.SiteID.N} N = 1,2,3... ersetzt
  6. Kein integrierter Editor für Anonymisierungsskript
  7. Kein Filter-Skript, verwendet DICOM-Assoziationskontexte, um zu beschränken, welche Speicherklassen und Transfersyntaxen importiert werden
  8. Kein interner DICOM-Bildbetrachter
  9. Projektbasiert: Mehrere separate Projekte mit gesandboxten Einstellungen können auf derselben Maschine erstellt und verwaltet werden
  10. Das Projekt definiert erlaubte Modalitäten, Speicherklassen, Transfersyntaxen, Netzwerk-Timeouts und Protokollierungsstufen
  11. Vereinfachte Konfiguration von DICOM-Client & Server
  12. Eingehende Dateien werden nicht in ein temporäres lokales Disk-Verzeichnis geschrieben, sondern in einer Speicherwarteschlange gehalten
  13. Export in AWS S3-Objektspeicher mit AWS Cognito-Benutzerauthentifizierung
  14. Erstellen eines Patienten-Lookups / Index im CSV-Format mit Anzahl der Serien und Anzahl der Instanzen, die jeder Studienzeile angehängt sind
  15. Ermöglicht gleichzeitige Import- und Exportprozesse
  16. Bietet eine zuverlässige Studienabrufmethode auf allen Ebenen (Studie, Serie, Instanz), um mit entfernten DICOM-Servern umzugehen, die asynchrone C-MOVE implementieren (z. B. VNA)
  17. Schneller In-Memory-Datenspeicher für Anonymizer-Datenmodell