論文の概要: RELICT: A Replica Detection Framework for Medical Image Generation

• arxiv url: http://arxiv.org/abs/2502.17360v1
• Date: Mon, 24 Feb 2025 17:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:56:24.395803
• Title: RELICT: A Replica Detection Framework for Medical Image Generation
• Title（参考訳）: 医用画像生成のためのレプリカ検出フレームワークRELICT
• Authors: Orhun Utku Aydin, Alexander Koch, Adam Hilbert, Jana Rieger, Felix Lohrke, Fujimaro Ishida, Satoru Tanioka, Dietmar Frey,
• Abstract要約: 生成モデルにおける記憶化は、意図しない機密情報漏洩とリミットモデルユーティリティを引き起こす可能性がある。 合成医用画像データセットにおいて、複製、すなわち、ほぼ同一のトレーニングデータのコピーを識別するためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.82692226532414
• License:
• Abstract: Despite the potential of synthetic medical data for augmenting and improving the generalizability of deep learning models, memorization in generative models can lead to unintended leakage of sensitive patient information and limit model utility. Thus, the use of memorizing generative models in the medical domain can jeopardize patient privacy. We propose a framework for identifying replicas, i.e. nearly identical copies of the training data, in synthetic medical image datasets. Our REpLIca deteCTion (RELICT) framework for medical image generative models evaluates image similarity using three complementary approaches: (1) voxel-level analysis, (2) feature-level analysis by a pretrained medical foundation model, and (3) segmentation-level analysis. Two clinically relevant 3D generative modelling use cases were investigated: non-contrast head CT with intracerebral hemorrhage (N=774) and time-of-flight MR angiography of the Circle of Willis (N=1,782). Expert visual scoring was used as the reference standard to assess the presence of replicas. We report the balanced accuracy at the optimal threshold to assess replica classification performance. The reference visual rating identified 45 of 50 and 5 of 50 generated images as replicas for the NCCT and TOF-MRA use cases, respectively. Image-level and feature-level measures perfectly classified replicas with a balanced accuracy of 1 when an optimal threshold was selected for the NCCT use case. A perfect classification of replicas for the TOF-MRA case was not possible at any threshold, with the segmentation-level analysis achieving a balanced accuracy of 0.79. Replica detection is a crucial but neglected validation step for the development of generative models in medical imaging. The proposed RELICT framework provides a standardized, easy-to-use tool for replica detection and aims to facilitate responsible and ethical medical image synthesis.
• Abstract（参考訳）: 深層学習モデルの一般化可能性を高めるための合成医療データの可能性にもかかわらず、生成モデルにおける記憶は、機密情報や限定モデルの有用性の意図しない漏洩につながる可能性がある。 したがって、医療領域における遺伝子モデル記憶の使用は患者のプライバシを危険にさらす可能性がある。 合成医用画像データセットにおいて、複製、すなわち、ほぼ同一のトレーニングデータのコピーを識別するためのフレームワークを提案する。 医用画像生成モデルのためのRepLIca deteCTion (RELICT) フレームワークは,(1)ボクセルレベル解析,(2)事前訓練医療基盤モデルによる特徴レベル解析,(3)セグメンテーションレベル解析の3つの相補的アプローチを用いて画像類似性を評価する。 脳内出血(N=774)を伴う非コントラスト頭部CT(N=1,782)と飛行時MR血管造影(N=1,782)の2症例を臨床的に検討した。 専門家の視覚的スコアリングは、レプリカの存在を評価する基準として使用された。 レプリカ分類性能を評価するため,最適なしきい値でバランスの取れた精度を報告する。 基準視力評価では, NCCTおよびTOF-MRA症例のレプリカとして, 50例中45例, 50例中5例が同定された。 NCCT症例に対して最適な閾値が選択された場合, 画像レベル, 特徴レベルを1のバランス精度で完全に分類した。 TOF-MRAのレプリカの完全な分類は、どのしきい値でも不可能であり、セグメンテーションレベルの分析では0.79の精度が得られた。 レプリカ検出は、医療画像における生成モデルの開発において、不可欠だが無視された検証ステップである。 提案するRELICTフレームワークは、レプリカ検出のための標準化された使いやすいツールを提供し、責任と倫理的な医用画像合成を促進することを目的としている。

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)
• Non-Reference Quality Assessment for Medical Imaging: Application to Synthetic Brain MRIs [0.0]
  本研究では,3次元ResNetをトレーニングすることで脳MRI品質を評価するための,ディープラーニングに基づく新しい非参照手法を提案する。 このネットワークは、MRIスキャンでよく見られる6つの異なるアーティファクトで品質を推定するように設計されている。 その結果、歪みを正確に推定し、複数の視点から画質を反映する性能が向上した。
  論文  参考訳（メタデータ） (2024-07-20T22:05:30Z)
• Deep Learning for Vascular Segmentation and Applications in Phase Contrast Tomography Imaging [33.23991248643144]
  本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。 我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。 HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
  論文  参考訳（メタデータ） (2023-11-22T11:15:38Z)
• Bi-parametric prostate MR image synthesis using pathology and sequence-conditioned stable diffusion [3.290987481767681]
  テキストに条件付けされた多列前立腺MR画像のための画像合成機構を提案する。 我々は、ペア化されたデータに条件付けされた画像に条件付けされたペア化されたバイパラメトリック画像を生成する。 前立腺癌を疑う症例の2次元画像スライスを用いて本法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-03T17:24:39Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Medical Diffusion -- Denoising Diffusion Probabilistic Models for 3D Medical Image Generation [0.6486409713123691]
  拡散確率モデルが高品質な医用画像データを合成可能であることを示す。 本研究は,2人の医療専門家による読影研究を通じて,そのパフォーマンスを定量的に測定する。 自己教師付き事前訓練において合成画像が利用可能であることを示し,データ不足時の乳房分割モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2022-11-07T08:37:48Z)
• Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
  我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。 提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
  論文  参考訳（メタデータ） (2022-09-28T10:27:10Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• 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)

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。