論文の概要: Anonymizing medical case-based explanations through disentanglement

• arxiv url: http://arxiv.org/abs/2311.04833v1
• Date: Wed, 8 Nov 2023 16:58:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-09 14:57:12.388855
• Title: Anonymizing medical case-based explanations through disentanglement
• Title（参考訳）: 混乱による医療事例に基づく説明の匿名化
• Authors: Helena Montenegro and Jaime S. Cardoso
• Abstract要約: 本稿では,画像の同一性や医学的特徴を識別する新しい手法を提案し,それを医用画像の匿名化に適用する。 切り離し機構は、画像内のいくつかの特徴ベクトルを置き換えると同時に、残りの特徴が保存されることを保証する。 また、原画像のアイデンティティを置き換え、匿名化を実現するために、合成プライバシ保護IDを製造するモデルを提案する。
• 参考スコア（独自算出の注目度）: 4.006745047019996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Case-based explanations are an intuitive method to gain insight into the decision-making process of deep learning models in clinical contexts. However, medical images cannot be shared as explanations due to privacy concerns. To address this problem, we propose a novel method for disentangling identity and medical characteristics of images and apply it to anonymize medical images. The disentanglement mechanism replaces some feature vectors in an image while ensuring that the remaining features are preserved, obtaining independent feature vectors that encode the images' identity and medical characteristics. We also propose a model to manufacture synthetic privacy-preserving identities to replace the original image's identity and achieve anonymization. The models are applied to medical and biometric datasets, demonstrating their capacity to generate realistic-looking anonymized images that preserve their original medical content. Additionally, the experiments show the network's inherent capacity to generate counterfactual images through the replacement of medical features.
• Abstract（参考訳）: 症例に基づく説明は、臨床文脈における深層学習モデルの意思決定過程に関する洞察を得るための直感的な方法である。 しかし、プライバシー上の懸念から医療画像は説明として共有できない。 そこで本研究では, 画像の同一性と医療的特徴を分離し, 医用画像の匿名化に応用する新しい手法を提案する。 切り離し機構は、画像内のいくつかの特徴ベクトルを置き換え、残りの特徴が保存されることを保証し、画像のアイデンティティと医療特性を符号化する独立した特徴ベクトルを得る。 また,プライバシ保存idを合成し,元の画像のアイデンティティを置き換え,匿名化を実現するモデルを提案する。 モデルは医療用および生体用データセットに適用され、元の医療コンテンツを保存したリアルな匿名画像を生成する能力を示す。 さらに、実験により、医療的特徴の代替を通じて、対物画像を生成するネットワーク固有の能力を示す。

関連論文リスト

• Anonymization Prompt Learning for Facial Privacy-Preserving Text-to-Image Generation [56.46932751058042]
  我々は、テキストから画像への拡散モデルのための学習可能なプロンプトプレフィックスをトレーニングし、匿名化された顔のアイデンティティを生成するよう強制する。 実験では,非同一性固有の画像生成の品質を損なうことなく,特定の個人を匿名化するAPLの匿名化性能を実証した。
  論文  参考訳（メタデータ） (2024-05-27T07:38:26Z)
• Unrecognizable Yet Identifiable: Image Distortion with Preserved Embeddings [22.338328674283062]
  本稿では,ニューラルネットワークモデルによる顔画像の識別性を保ちながら,目に対して認識不能な顔画像を描画する,革新的な画像変換手法を提案する。 提案手法は、様々な人工知能アプリケーションにおいて、視覚データを歪曲し、派生した特徴を近接に保つために使用することができる。 同一の認識精度を維持しつつ、画像内容が70%以上変化する歪みを構築することができることを示す。
  論文  参考訳（メタデータ） (2024-01-26T18:20:53Z)
• VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
  医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。 本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。 結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
  論文  参考訳（メタデータ） (2024-01-02T19:51:49Z)
• When StyleGAN Meets Stable Diffusion: a $\mathscr{W}_+$ Adapter for Personalized Image Generation [60.305112612629465]
  テキストと画像の拡散モデルは、多種多様で高品質でフォトリアリスティックな画像を生成するのに優れている。 本稿では,拡散モデルのための拡張されたアイデンティティ保存とアンタングル化を実現するために,StyleGAN 埋め込み空間 $mathcalW_+$ の新たな利用法を提案する。 提案手法は,即時記述に適合するだけでなく,一般的なスタイルGAN編集方向に対応可能なパーソナライズされたテキスト・ツー・イメージ出力を生成する。
  論文  参考訳（メタデータ） (2023-11-29T09:05:14Z)
• HFORD: High-Fidelity and Occlusion-Robust De-identification for Face Privacy Protection [60.63915939982923]
  顔の身元特定は、身元保護問題を解決するための実践的な方法である。 既存の顔の特定方法にはいくつかの問題がある。 これらの問題に対処するために,HFORD(High-Fidelity and Occlusion-Robust De-identification)法を提案する。
  論文  参考訳（メタデータ） (2023-11-15T08:59:02Z)
• Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
  本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。 我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
  論文  参考訳（メタデータ） (2023-03-20T17:34:05Z)
• Cyclic Generative Adversarial Networks With Congruent Image-Report Generation For Explainable Medical Image Analysis [5.6512908295414]
  医用画像の説明可能なラベリングと解釈のための新しい枠組みを提案する。 本研究の目的は、胸部X線画像を診断するモデルの出力について、信頼できる、忠実な説明を生成することである。
  論文  参考訳（メタデータ） (2022-11-16T12:41:21Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• 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)
• Privacy Preserving for Medical Image Analysis via Non-Linear Deformation Proxy [21.618490847217164]
  マルチ中心医療画像の解析を可能にするクライアントサーバシステムを提案する。 本手法では,入力画像に擬似ランダムな非線形変形を適用することにより,患者の身元を保護している。 サーバは、クライアントが標準形式に戻す変形した処理イメージを返します。
  論文  参考訳（メタデータ） (2020-11-25T15:44:12Z)
• VAE/WGAN-Based Image Representation Learning For Pose-Preserving Seamless Identity Replacement In Facial Images [15.855376604558977]
  We present a novel variational generative adversarial network (VGAN) based on Wasserstein loss。 我々のネットワークは、ポーズ保存されたアイデンティティ・モーフィングとアイデンティティ保存されたポーズ・モーフィングの実行に利用できることを示す。
  論文  参考訳（メタデータ） (2020-03-02T03:35:59Z)

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。