論文の概要: Frequency-Calibrated Membership Inference Attacks on Medical Image Diffusion Models

• arxiv url: http://arxiv.org/abs/2506.14919v1
• Date: Tue, 17 Jun 2025 18:59:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.457101
• Title: Frequency-Calibrated Membership Inference Attacks on Medical Image Diffusion Models
• Title（参考訳）: 医用画像拡散モデルにおける周波数校正メンバーシップ推定攻撃
• Authors: Xinkai Zhao, Yuta Tokuoka, Junichiro Iwasawa, Keita Oda,
• Abstract要約: 医用画像拡散モデルにおけるMIAのための周波数校正再構成誤差(FCRE)法を提案する。 逆拡散過程を解析し、中周波再構成誤差を求め、再構成画像と原画像の間の構造類似度指数スコアを算出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing use of diffusion models for image generation, especially in sensitive areas like medical imaging, has raised significant privacy concerns. Membership Inference Attack (MIA) has emerged as a potential approach to determine if a specific image was used to train a diffusion model, thus quantifying privacy risks. Existing MIA methods often rely on diffusion reconstruction errors, where member images are expected to have lower reconstruction errors than non-member images. However, applying these methods directly to medical images faces challenges. Reconstruction error is influenced by inherent image difficulty, and diffusion models struggle with high-frequency detail reconstruction. To address these issues, we propose a Frequency-Calibrated Reconstruction Error (FCRE) method for MIAs on medical image diffusion models. By focusing on reconstruction errors within a specific mid-frequency range and excluding both high-frequency (difficult to reconstruct) and low-frequency (less informative) regions, our frequency-selective approach mitigates the confounding factor of inherent image difficulty. Specifically, we analyze the reverse diffusion process, obtain the mid-frequency reconstruction error, and compute the structural similarity index score between the reconstructed and original images. Membership is determined by comparing this score to a threshold. Experiments on several medical image datasets demonstrate that our FCRE method outperforms existing MIA methods.
• Abstract（参考訳）: 画像生成、特に医用画像などのセンシティブな領域における拡散モデルの利用が増加し、プライバシーの懸念が高まっている。 メンバーシップ推論攻撃(MIA)は、特定のイメージが拡散モデルのトレーニングに使用されたかどうかを判断し、プライバシーリスクを定量化するための潜在的アプローチとして浮上している。 既存のMIA法は拡散再構成誤差に依存することが多く、メンバー画像は非メンバー画像よりも再構成誤差が低いことが期待されている。 しかし,これらの手法を医用画像に直接適用することは困難に直面している。 再構成誤差は、固有の画像難易度に影響され、拡散モデルは高周波詳細再構成に苦慮する。 これらの問題に対処するため,医療画像拡散モデルにおけるMIAのための周波数校正再構成誤差(FCRE)法を提案する。 特定の中周波領域における再構成誤差に着目し,高頻度(再構成困難)と低周波(情報不要)の両方を除外することにより,本手法は固有画像の難易度を緩和する。 具体的には、逆拡散過程を分析し、中周波再構成誤差を求め、再構成された画像と元の画像の間の構造的類似度指数スコアを算出する。 メンバーシップは、このスコアをしきい値と比較することで決定される。 いくつかの医用画像データセットの実験により、FCRE法は既存のMIA法より優れていることが示された。

関連論文リスト

• Self-Consistent Nested Diffusion Bridge for Accelerated MRI Reconstruction [22.589087990596887]
  画像画像を用いたMRI画像再構成の課題に焦点をあてる。 拡散モデルの最近の進歩、特に拡散確率モデルのデノベーションは、画像先行をモデル化する上で強力な能力を示している。 我々は,MRI再構成の高速化をモデルとした自己持続性ネスト拡散橋(SC-NDB)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-13T09:35:34Z)
• FIRE: Robust Detection of Diffusion-Generated Images via Frequency-Guided Reconstruction Error [12.888629653445012]
  拡散モデルは実画像中帯域周波数情報を正確に再構成するのに苦労する。 火災誘導型リコンストラクションエラーは、まず、周波数分解がリコンストラクション誤差に与える影響を調査する。 実験により、FIREは目に見えない拡散モデルに効果的に一般化し、多様な摂動に対する堅牢性を維持することが示された。
  論文  参考訳（メタデータ） (2024-12-10T03:02:34Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• TC-DiffRecon: Texture coordination MRI reconstruction method based on diffusion model and modified MF-UNet method [2.626378252978696]
  本稿では,T-DiffReconという名前の拡散モデルに基づくMRI再構成法を提案する。 また、モデルにより生成されたMRI画像の品質を高めるために、MF-UNetモジュールを組み込むことを提案する。
  論文  参考訳（メタデータ） (2024-02-17T13:09:00Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)

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。