論文の概要: Local Differential Privacy Image Generation Using Flow-based Deep
Generative Models
- arxiv url: http://arxiv.org/abs/2212.10688v1
- Date: Tue, 20 Dec 2022 23:08:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 15:30:51.181133
- Title: Local Differential Privacy Image Generation Using Flow-based Deep
Generative Models
- Title(参考訳): フローベース深部生成モデルを用いた局所微分プライバシー画像生成
- Authors: Hisaichi Shibata, Shouhei Hanaoka, Yang Cao, Masatoshi Yoshikawa,
Tomomi Takenaga, Yukihiro Nomura, Naoto Hayashi, Osamu Abe
- Abstract要約: 局所微分プライバシー(LDP)アルゴリズムとフローベース深層生成モデル(GLOW)のハイブリッドであるDP-GLOWを提案する。
画像はGLOWモデルの潜在ベクトルにマッピングされ、各要素は独立正規分布に従う。
胸部X線画像にDP-GLOWを適用し,病理組織を保存しながらLPP画像を生成する。
- 参考スコア(独自算出の注目度): 16.40972651502009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnostic radiologists need artificial intelligence (AI) for medical
imaging, but access to medical images required for training in AI has become
increasingly restrictive. To release and use medical images, we need an
algorithm that can simultaneously protect privacy and preserve pathologies in
medical images. To develop such an algorithm, here, we propose DP-GLOW, a
hybrid of a local differential privacy (LDP) algorithm and one of the
flow-based deep generative models (GLOW). By applying a GLOW model, we
disentangle the pixelwise correlation of images, which makes it difficult to
protect privacy with straightforward LDP algorithms for images. Specifically,
we map images onto the latent vector of the GLOW model, each element of which
follows an independent normal distribution, and we apply the Laplace mechanism
to the latent vector. Moreover, we applied DP-GLOW to chest X-ray images to
generate LDP images while preserving pathologies.
- Abstract(参考訳): 診断放射線技師は医用画像に人工知能(AI)を必要とするが、AIの訓練に必要な医療画像へのアクセスはますます制限されている。
医療画像の公開と利用には,医療画像のプライバシー保護と病理保存を同時に行うアルゴリズムが必要である。
そこで本研究では,局所微分プライバシー(LDP)アルゴリズムとフローベース深層生成モデル(GLOW)のハイブリッドであるDP-GLOWを提案する。
GLOWモデルを適用することで、画像の画素方向の相関関係を解消し、画像の簡単なLPPアルゴリズムでプライバシを保護することが困難になる。
具体的には、各要素が独立した正規分布に従うグローモデルの潜在ベクトルに画像をマッピングし、ラプラス機構を潜在ベクトルに適用する。
また,胸部X線画像にDP-GLOWを適用し,病理組織を保存しながらLPP画像を生成する。
関連論文リスト
- MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative
Adversarial Networks [52.233065714716886]
本研究では,医療画像の改ざんを防止する新しいアプローチであるMITS-GANを紹介する。
このアプローチは攻撃者のCT-GANアーキテクチャの出力を妨害する。
CTスキャンデータセットの実験結果は、MITS-GANの優れた性能を示している。
論文 参考訳(メタデータ) (2024-01-17T22:30:41Z) - GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image
Generation [0.0]
生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。
本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。
提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
論文 参考訳(メタデータ) (2023-12-30T20:16:45Z) - CleftGAN: Adapting A Style-Based Generative Adversarial Network To
Create Images Depicting Cleft Lip Deformity [2.1647227058902336]
深層学習に基づく口唇生成装置を構築し, 口唇のファクシミリを高精細度に表現した, ほぼ無限の人工画像を生成する。
我々は、StyleGAN-ADAの異なるバージョンをテストするトランスファー学習プロトコルを実行した。
様々な裂裂の変形を描写した訓練画像は、回転、スケーリング、色調整、背景のぼやけを調整するために前処理された。
論文 参考訳(メタデータ) (2023-10-12T01:25:21Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - 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) - Implicit field learning for unsupervised anomaly detection in medical
images [0.8122270502556374]
オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。
回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。
脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
論文 参考訳(メタデータ) (2021-06-09T16:57:22Z) - Self-Adaptive Transfer Learning for Multicenter Glaucoma Classification
in Fundus Retina Images [9.826586293806837]
マルチセンタデータセット間のドメインギャップを埋めるための自己適応型トランスファーラーニング(SATL)戦略を提案する。
具体的には、ソースドメイン上で事前訓練されたDLモデルのエンコーダを使用して、再構成モデルのエンコーダを初期化する。
以上の結果から,SATL法はプライベートおよび2つの公共緑内障診断データセット間の領域適応作業に有効であることが示唆された。
論文 参考訳(メタデータ) (2021-05-07T05:20:37Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - Learning a Deep Reinforcement Learning Policy Over the Latent Space of a
Pre-trained GAN for Semantic Age Manipulation [4.306143768014157]
我々は、定義されたアイデンティティ境界の下で、特定の属性に沿って意味操作を行うための条件ポリシーを学習する。
以上の結果から,学習方針は年齢変化を伴う高忠実度画像のサンプルであることがわかった。
論文 参考訳(メタデータ) (2020-11-02T13:15:18Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。