論文の概要: Assessing Privacy Leakage in Synthetic 3-D PET Imaging using Transversal GAN

• arxiv url: http://arxiv.org/abs/2206.06448v1
• Date: Mon, 13 Jun 2022 20:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 14:06:31.301256
• Title: Assessing Privacy Leakage in Synthetic 3-D PET Imaging using Transversal GAN
• Title（参考訳）: Transversal GANを用いた3次元PET画像のプライバシー漏洩評価
• Authors: Robert V. Bergen, Jean-Francois Rajotte, Fereshteh Yousefirizi, Arman Rahmim, Raymond T. Ng
• Abstract要約: 腫瘍マスクに装着した頭頸部PET画像を用いた3次元生成モデルTransversal GAN (TrGAN) を症例として紹介した。 TrGANの識別器は攻撃に対して脆弱であり、攻撃者がどのサンプルをほぼ完璧に訓練に用いたかを識別できることを示す。 これは、TrGANジェネレータは、識別器ではないが、最小限のプライバシーリスクで合成3DPETデータを共有するために使用される可能性があることを示唆している。
• 参考スコア（独自算出の注目度）: 1.4639457874288413
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Training computer-vision related algorithms on medical images for disease diagnosis or image segmentation is difficult in large part due to privacy concerns. For this reason, generative image models are highly sought after to facilitate data sharing. However, 3-D generative models are understudied, and investigation of their privacy leakage is needed. We introduce our 3-D generative model, Transversal GAN (TrGAN), using head & neck PET images which are conditioned on tumour masks as a case study. We define quantitative measures of image fidelity, utility and privacy for our model. These metrics are evaluated in the course of training to identify ideal fidelity, utility and privacy trade-offs and establish the relationships between these parameters. We show that the discriminator of the TrGAN is vulnerable to attack, and that an attacker can identify which samples were used in training with almost perfect accuracy (AUC = 0.99). We also show that an attacker with access to only the generator cannot reliably classify whether a sample had been used for training (AUC = 0.51). This suggests that TrGAN generators, but not discriminators, may be used for sharing synthetic 3-D PET data with minimal privacy risk while maintaining good utility and fidelity.
• Abstract（参考訳）: 疾患診断や画像分割のための医用画像に対するコンピュータビジョン関連アルゴリズムの訓練は,プライバシ上の懸念から難しい。 このため、データ共有を容易にするため、生成画像モデルは非常に求められている。 しかし、3次元生成モデルは未検討であり、プライバシリークの調査が必要である。 腫瘍マスクに装着した頭部・頸部PET画像を用いた3次元生成モデルTransversal GAN (TrGAN) について検討した。 画像の忠実性、実用性、プライバシーの定量的尺度を定義します。 これらの指標はトレーニングの過程で評価され、理想的な忠実さ、ユーティリティ、プライバシのトレードオフを特定し、これらのパラメータ間の関係を確立する。 trganの判別器は攻撃に対して脆弱であり、攻撃者は訓練に使用されたサンプルをほぼ完全な精度で識別できる(auc = 0.99)。 また, 生成器のみにアクセスする攻撃者は, サンプルが訓練に使われたかどうか (auc = 0.51) を確実に分類できないことを示した。 これは、TrGANジェネレータは、識別器ではなく、プライバシーのリスクを最小限に抑えつつ、優れたユーティリティと忠実さを維持しながら、合成3DPETデータを共有するために使われる可能性があることを示唆している。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Faithful Synthesis of Low-dose Contrast-enhanced Brain MRI Scans using Noise-preserving Conditional GANs [102.47542231659521]
  ガドリニウム系造影剤(GBCA)は様々な疾患の診断にMRIにおいて不可欠である。 GBCAは高価であり、副作用のある患者に蓄積される可能性がある。 診断値を維持しながらGBCAの投与量をどの程度削減できるかは不明確である。
  論文  参考訳（メタデータ） (2023-06-26T13:19:37Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• ConfounderGAN: Protecting Image Data Privacy with Causal Confounder [85.6757153033139]
  本稿では,GAN(Generative Adversarial Network)のConfounderGANを提案する。 実験は、3つの自然なオブジェクトデータセットと3つの医療データセットからなる6つの画像分類データセットで実施される。
  論文  参考訳（メタデータ） (2022-12-04T08:49:14Z)
• Haven't I Seen You Before? Assessing Identity Leakage in Synthetic Irises [4.142375560633827]
  本稿では, GANトレーニングプロセスの様々な点における3つのアイリスマッチングの解析を行い, 実際のトレーニングサンプルが生成過程を通じて漏洩する危険のある場所と時期を診断する。 以上の結果から,ほとんどの合成サンプルは同一性漏洩の兆候を示していないが,生成したサンプルのごく一部は,ほぼ完璧に一致していることがわかった。
  論文  参考訳（メタデータ） (2022-11-03T00:34:47Z)
• Generation of Anonymous Chest Radiographs Using Latent Diffusion Models for Training Thoracic Abnormality Classification Systems [7.909848251752742]
  胸部X線写真における生体認証は、研究目的のためにそのようなデータの公開を妨げている。 この研究は、高品質なクラス条件画像の匿名胸部X線データセットを合成するために潜時拡散モデルを用いている。
  論文  参考訳（メタデータ） (2022-11-02T17:43:02Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Application of Homomorphic Encryption in Medical Imaging [60.51436886110803]
  医療画像の予測にHEを用いて,不正な二次的データの使用を防止できることを示す。 結節検出に3次元胸部CT-Scansを用いた実験を行った。
  論文  参考訳（メタデータ） (2021-10-12T19:57:12Z)
• Anonymization of labeled TOF-MRA images for brain vessel segmentation using generative adversarial networks [0.9854633436173144]
  GAN(Generative Adversarial Network)は、予測特性を保持しながら、匿名画像を提供する可能性がある。 画像ラベル生成のための磁気共鳴血管造影 (MRA) パッチを用いて, 飛行時間(TOF)で3GANを訓練した。 各GANから生成された画像ラベルは、セグメント化のためのU-netのトレーニングに使用され、実際のデータでテストされた。
  論文  参考訳（メタデータ） (2020-09-09T11:30:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。