論文の概要: MedLocker: A Transferable Adversarial Watermarking for Preventing
Unauthorized Analysis of Medical Image Dataset
- arxiv url: http://arxiv.org/abs/2303.09858v2
- Date: Mon, 20 Mar 2023 13:00:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 11:20:24.962548
- Title: MedLocker: A Transferable Adversarial Watermarking for Preventing
Unauthorized Analysis of Medical Image Dataset
- Title（参考訳）: MedLocker:医療画像データセットの不正解析を防止するためのトランスファー可能な逆向き透かし
- Authors: Bangzheng Pu, Xingxing Wei, Shiji Zhao and Huazhu Fu
- Abstract要約: そこで我々は,MedLockerと呼ばれる,医用画像著作権保護のための新しい可視的対角透かし手法を提案する。
提案手法では,透かしロゴの位置と透明度を連続的に最適化することで,目標モデルの性能を低下させる。
各種メインストリームのバックボーン上でのMedLockerの有効性を評価し,2つの糖尿病網膜症検出データセットにおける著作権保護のための敵対的透かしの有効性を検証した。
- 参考スコア（独自算出の注目度）: 33.95527881878494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The collection of medical image datasets is a demanding and laborious process
that requires significant resources. Furthermore, these medical datasets may
contain personally identifiable information, necessitating measures to ensure
that unauthorized access is prevented. Failure to do so could violate the
intellectual property rights of the dataset owner and potentially compromise
the privacy of patients. As a result, safeguarding medical datasets and
preventing unauthorized usage by AI diagnostic models is a pressing challenge.
To address this challenge, we propose a novel visible adversarial watermarking
method for medical image copyright protection, called MedLocker. Our approach
involves continuously optimizing the position and transparency of a watermark
logo, which reduces the performance of the target model, leading to incorrect
predictions. Importantly, we ensure that our method minimizes the impact on
clinical visualization by constraining watermark positions using semantical
masks (WSM), which are bounding boxes of lesion regions based on semantic
segmentation. To ensure the transferability of the watermark across different
models, we verify the cross-model transferability of the watermark generated on
a single model. Additionally, we generate a unique watermark parameter list
each time, which can be used as a certification to verify the authorization. We
evaluate the performance of MedLocker on various mainstream backbones and
validate the feasibility of adversarial watermarking for copyright protection
on two widely-used diabetic retinopathy detection datasets. Our results
demonstrate that MedLocker can effectively protect the copyright of medical
datasets and prevent unauthorized users from analyzing medical images with AI
diagnostic models.
- Abstract（参考訳）: 医療画像データセットの収集は、膨大なリソースを必要とする、要求の厳しい作業である。
さらに、これらの医療データセットには個人識別可能な情報が含まれており、不正アクセスを防止するための措置が必要である。
そうしないことは、データセット所有者の知的財産権を侵害し、患者のプライバシーを侵害する可能性がある。
結果として、医療データセットの保護と、AI診断モデルによる不正使用の防止が課題となっている。
この課題に対処するため,MedLocker という医用画像著作権保護のための新しい対面透かし手法を提案する。
提案手法では,透かしロゴの位置と透明度を連続的に最適化することで,目標モデルの性能を低下させ,誤った予測を行う。
重要なことは,本手法が意味的セグメンテーションに基づく病変領域の境界ボックスである意味的マスク(WSM)を用いて透かし位置を拘束することにより,臨床視覚化への影響を最小限に抑えることである。
異なるモデル間での透かしの転送性を確保するため,単一モデル上で生成された透かしのクロスモデル転送性を検証する。
さらに,認証の認証として使用可能なユニークな透かしパラメータリストを毎回生成する。
各種メインストリームのバックボーン上でのMedLockerの有効性を評価し,2つの糖尿病網膜症検出データセットにおける著作権保護のための敵対的透かしの有効性を検証した。
この結果から、MedLockerは医療データセットの著作権を効果的に保護し、不正使用者がAI診断モデルを用いて医療画像を分析するのを防ぐことができることが示された。
関連論文リスト
- The Limits of Perception: Analyzing Inconsistencies in Saliency Maps in XAI [0.0]
説明可能な人工知能(XAI)は、AIの意思決定プロセスの解明に不可欠である。
ブラックボックス」として機能し、その理由が曖昧でアクセスできないため、誤診のリスクが高まる。
この透明性へのシフトは、単に有益であるだけでなく、医療におけるAI統合の責任を負うための重要なステップでもある。
論文 参考訳（メタデータ） (2024-03-23T02:15:23Z) - Medical Image Data Provenance for Medical Cyber-Physical System [8.554664822046966]
本研究では,画像にデバイス指紋(DFP)を埋め込むための透かし技術を提案する。
DFPは、キャプチャ装置のユニークな特性と生画像を表すもので、保存前に生画像に埋め込まれる。
相互接続型医療システムにおける医用画像データの整合性を高めるため、画像認証のために堅牢な遠隔検証手法が導入された。
論文 参考訳（メタデータ） (2024-03-22T13:24:44Z) - OpticalDR: A Deep Optical Imaging Model for Privacy-Protective
Depression Recognition [66.91236298878383]
抑うつ認識(DR)は、特にプライバシー上の懸念の文脈において、大きな課題となる。
我々は,疾患関連特徴を保持しつつ,撮像した顔画像の識別情報を消去する新しいイメージングシステムを設計した。
正確なDRに必要な本態性疾患の特徴を保ちながら、アイデンティティ情報の回復には不可逆である。
論文 参考訳（メタデータ） (2024-02-29T01:20:29Z) - Adversarial-Robust Transfer Learning for Medical Imaging via Domain
Assimilation [17.46080957271494]
医用画像が公開されていないため、現代のアルゴリズムは、大量の自然画像に基づいて事前訓練されたモデルに依存するようになった。
自然画像と医療画像の間に重要なエムドメインの相違があり、AIモデルは敵の攻撃に対するエムの脆弱性を高める。
本稿では,テクスチャと色適応を伝達学習に導入する Em ドメイン同化手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T06:39:15Z) - COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical
Network to Monitor and Detect COVID-19 Infection from Point-of-Care
Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。
ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文 参考訳（メタデータ） (2023-01-04T16:05:51Z) - FUTURE-AI: Guiding Principles and Consensus Recommendations for Trustworthy Artificial Intelligence in Medical Imaging [6.099257839022179]
Future-AIフレームワークは、医療におけるAIの信頼性、安全性、採用を促進するための原則を導いてくれる。
我々は、Future-AIの一般的な医療原則を、医療画像コミュニティのニーズに合わせて、簡潔で具体的なAI実装ガイドに変換する。
論文 参考訳（メタデータ） (2021-09-20T16:22:49Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳（メタデータ） (2020-12-10T13:56:00Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳（メタデータ） (2020-04-06T15:21:34Z)
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。