論文の概要: Semantics versus Identity: A Divide-and-Conquer Approach towards Adjustable Medical Image De-Identification
- arxiv url: http://arxiv.org/abs/2507.21703v1
- Date: Fri, 25 Jul 2025 06:59:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.061899
- Title: Semantics versus Identity: A Divide-and-Conquer Approach towards Adjustable Medical Image De-Identification
- Title（参考訳）: セマンティックス対アイデンティティ: 適応可能な医用画像認識への分断的アプローチ
- Authors: Yuan Tian, Shuo Wang, Rongzhao Zhang, Zijian Chen, Yankai Jiang, Chunyi Li, Xiangyang Zhu, Fang Yan, Qiang Hu, XiaoSong Wang, Guangtao Zhai,
- Abstract要約: 医用画像はコンピュータ支援診断を大幅に進歩させたが、その再識別(ReID)リスクは重要なプライバシー上の懸念を引き起こす。
本研究では,(1)アイデンティティ関連領域の多様性の割合をブロックし,異なるプライバシレベルを達成するためのアイデンティティ・ブロッキングと,(2)事前訓練された医療財団モデル(MFM)を活用して,ブロックされた領域を補うための医療意味的特徴を抽出するメディカル・セマンティクス・コンペンセーションという2つのステップからなるディバイス・アンド・コンカレンス・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）: 40.752955342198824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical imaging has significantly advanced computer-aided diagnosis, yet its re-identification (ReID) risks raise critical privacy concerns, calling for de-identification (DeID) techniques. Unfortunately, existing DeID methods neither particularly preserve medical semantics, nor are flexibly adjustable towards different privacy levels. To address these issues, we propose a divide-and-conquer framework comprising two steps: (1) Identity-Blocking, which blocks varying proportions of identity-related regions, to achieve different privacy levels; and (2) Medical-Semantics-Compensation, which leverages pre-trained Medical Foundation Models (MFMs) to extract medical semantic features to compensate the blocked regions. Moreover, recognizing that features from MFMs may still contain residual identity information, we introduce a Minimum Description Length principle-based feature decoupling strategy, to effectively decouple and discard such identity components. Extensive evaluations against existing approaches across seven datasets and three downstream tasks, demonstrates our state-of-the-art performance.
- Abstract（参考訳）: 医用画像はコンピュータ支援診断を大幅に進歩させたが、ReID(re-identification)リスクは重要なプライバシー上の懸念を生じさせ、DeID(de-identification)技術を要求する。
残念ながら、既存のDeIDメソッドは、特に医学的な意味を保存せず、異なるプライバシーレベルに対して柔軟に調整可能である。
これらの課題に対処するため,(1)アイデンティティ関連領域の多様性をブロックし,異なるプライバシレベルを達成するためのアイデンティティ・ブロッキング,(2)事前に訓練された医療財団モデル(MFM)を活用して,ブロックされた領域を補うための医療意味的特徴を抽出するメディカル・セマンティクス・コンペンセーションという2つのステップからなるディバイス・アンド・コンカレント・フレームワークを提案する。
さらに, MFM から得られる特徴が残余のアイデンティティ情報を含んでいることを認識し, 最小記述長に基づく特徴分離戦略を導入し, それらの特徴を効果的に切り離し, 破棄する。
7つのデータセットと3つの下流タスクにわたる既存のアプローチに対する大規模な評価は、私たちの最先端のパフォーマンスを示しています。
関連論文リスト
- Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。
MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
論文 参考訳（メタデータ） (2025-08-07T03:41:41Z) - Task-oriented Uncertainty Collaborative Learning for Label-Efficient Brain Tumor Segmentation [6.722672686635773]
マルチコントラストMRI(Multi-Contrast magnetic resonance imaging)は、脳腫瘍の分節化と診断において重要な役割を担っている。
既存の手法は、異なるコントラストをまたいだマルチレベル特異性知覚の課題に直面している。
マルチコントラストMRIセグメンテーションのためのタスク指向不確実性協調学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-07T18:44:53Z) - OCL: Ordinal Contrastive Learning for Imputating Features with Progressive Labels [4.434835769977399]
本稿では,全被写体を維持しつつ,多様な画像特徴を活用できる全体像特徴量計算手法を提案する。
提案手法は,共有埋め込み空間における様々なモーダルの全体像特徴計算を促進する。
実験の結果,本ネットワークは統計解析や計算基準に対する分類に好適な結果をもたらすことがわかった。
論文 参考訳（メタデータ） (2025-03-03T07:23:29Z) - Incomplete Modality Disentangled Representation for Ophthalmic Disease Grading and Diagnosis [16.95583564875497]
本稿では,不完全なモダリティ・ディアンタングル表現(IMDR)戦略を提案する。
4つのマルチモーダルデータセットの実験により、提案したIMDRが最先端の手法を大幅に上回ることを示した。
論文 参考訳（メタデータ） (2025-02-17T12:10:35Z) - Retrieval-augmented Few-shot Medical Image Segmentation with Foundation Models [17.461510586128874]
本稿では,DINOv2 と Segment Anything Model 2 を併用して,画像の検索を行う手法を提案する。
我々のアプローチでは、DINOv2の機能をクエリとして使用し、制限付きアノテートデータから類似したサンプルを検索し、それをメモリバンクにエンコードする。
論文 参考訳（メタデータ） (2024-08-16T15:48:07Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Disentangle Before Anonymize: A Two-stage Framework for Attribute-preserved and Occlusion-robust De-identification [55.741525129613535]
匿名化前の混乱」は、新しい二段階フレームワーク(DBAF)である
このフレームワークには、Contrastive Identity Disentanglement (CID)モジュールとKey-authorized Reversible Identity Anonymization (KRIA)モジュールが含まれている。
大規模な実験により,本手法は最先端の非識別手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-11-15T08:59:02Z) - AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image
Segmentation [67.97926983664676]
自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。
しかし,このような手法を医用画像に直接適用することは依然として困難である。
適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-08T13:18:10Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - ReFuSeg: Regularized Multi-Modal Fusion for Precise Brain Tumour
Segmentation [5.967412944432766]
本稿では,4つの異なる画像モダリティからの情報を活用した,脳病変セグメンテーションのための新しいマルチモーダルアプローチを提案する。
提案する正規化モジュールは,これらのシナリオに対して堅牢であり,病変のセグメンテーションの信頼性を保証する。
論文 参考訳（メタデータ） (2023-08-26T13:41:56Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳（メタデータ） (2020-02-22T14:32:04Z)
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。