論文の概要: RetinaGuard: Obfuscating Retinal Age in Fundus Images for Biometric Privacy Preserving

• arxiv url: http://arxiv.org/abs/2509.06142v1
• Date: Sun, 07 Sep 2025 17:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.873966
• Title: RetinaGuard: Obfuscating Retinal Age in Fundus Images for Biometric Privacy Preserving
• Title（参考訳）: RetinaGuard:バイオメトリックなプライバシー保護のための基盤画像の網膜時代を忘れる
• Authors: Zhengquan Luo, Chi Liu, Dongfu Xiao, Zhen Yu, Yueye Wang, Tianqing Zhu,
• Abstract要約: RetinaGuardは、特徴レベルの生成的対向性マスキング機構を不明瞭な網膜年齢に応用した、新しいプライバシー強化フレームワークである。 網膜年齢予測を画像品質と病理的特徴表現に最小限の影響で難読化する。
• 参考スコア（独自算出の注目度）: 19.534805047318162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of AI with medical images enables the extraction of implicit image-derived biomarkers for a precise health assessment. Recently, retinal age, a biomarker predicted from fundus images, is a proven predictor of systemic disease risks, behavioral patterns, aging trajectory and even mortality. However, the capability to infer such sensitive biometric data raises significant privacy risks, where unauthorized use of fundus images could lead to bioinformation leakage, breaching individual privacy. In response, we formulate a new research problem of biometric privacy associated with medical images and propose RetinaGuard, a novel privacy-enhancing framework that employs a feature-level generative adversarial masking mechanism to obscure retinal age while preserving image visual quality and disease diagnostic utility. The framework further utilizes a novel multiple-to-one knowledge distillation strategy incorporating a retinal foundation model and diverse surrogate age encoders to enable a universal defense against black-box age prediction models. Comprehensive evaluations confirm that RetinaGuard successfully obfuscates retinal age prediction with minimal impact on image quality and pathological feature representation. RetinaGuard is also flexible for extension to other medical image derived biomarkers. RetinaGuard is also flexible for extension to other medical image biomarkers.
• Abstract（参考訳）: AIと医療画像の統合により、暗黙的な画像由来のバイオマーカーを抽出して正確な健康評価を行うことが可能になる。 最近、眼底画像から予測される生体マーカーである網膜年齢は、全身疾患のリスク、行動パターン、老化軌跡、死亡率の予測因子として証明されている。 しかし、このような敏感なバイオメトリックデータを推測する能力は、未承認の画像の使用が生体情報漏洩を招き、個人のプライバシーを侵害する可能性のある、重大なプライバシーリスクを生じさせる。 これに対し、医用画像に関連付けられた生体情報プライバシーの新たな研究課題を定式化し、画像品質と疾患診断ユーティリティを保ちながら、網膜年齢を隠蔽する特徴レベルの生成逆マスキング機構を用いた、新しいプライバシ向上フレームワークであるRetinaGuardを提案する。 このフレームワークはさらに、網膜基盤モデルと多様な代理年齢エンコーダを組み込んだ新しい多対一の知識蒸留戦略を活用し、ブラックボックス年齢予測モデルに対する普遍的な防御を可能にする。 総合的な評価では、RetinaGuardは網膜年齢予測を画像品質と病理的特徴表現に最小限の影響で難読化する。 RetinaGuardは、他の医療画像由来のバイオマーカーにも柔軟性がある。 RetinaGuardは、他の医療画像バイオマーカーにも柔軟性がある。

関連論文リスト

• Natias: Neuron Attribution based Transferable Image Adversarial Steganography [62.906821876314275]
  逆行性ステガナグラフィーは、ディープラーニングに基づくステガナリシスを効果的に欺く能力から、かなりの注目を集めている。 そこで我々は,Natias という新たな逆向きステガノグラフィー手法を提案する。 提案手法は既存の逆向きステガノグラフィーフレームワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-09-08T04:09:51Z)
• Synthetic Forehead-creases Biometric Generation for Reliable User Verification [6.639785884921617]
  本稿では,前頭葉画像データを一意性やリアリズムといった重要な特徴を維持しつつ合成する新しい枠組みを提案する。 Fr'echet Inception Distance (FID) と構造類似度指数測定 (SSIM) を用いて、生成された額部画像の多様性と現実性を評価する。
  論文  参考訳（メタデータ） (2024-08-28T10:33:00Z)
• Disentangling representations of retinal images with generative models [12.235975451036047]
  患者属性をカメラ効果から効果的に切り離す網膜基底画像の集団モデルを提案する。 提案するモデルは,不整合部分空間において所望の情報を符号化し,学習した部分空間に基づいて制御可能な画像生成を可能にする。
  論文  参考訳（メタデータ） (2024-02-29T14:11:08Z)
• 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)
• Embedding Non-Distortive Cancelable Face Template Generation [22.80706131626207]
  我々は、目では認識できないが、任意のカスタム埋め込みニューラルネットワークモデルで識別可能な顔画像を実現する革新的な画像歪み技術を導入する。 生体認証ネットワークの信頼性を,予測された同一性を変化させない最大画像歪みを判定することによって検証する。
  論文  参考訳（メタデータ） (2024-02-04T15:39:18Z)
• MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative Adversarial Networks [48.686454485328895]
  本研究では,医療画像の改ざんを防止する新しいアプローチであるMITS-GANを紹介する。 このアプローチは、人間の目には知覚できない微調整された摂動を導入することで、攻撃者のCT-GANアーキテクチャの出力を妨害する。 CTスキャンによる実験結果から,MITS-GANの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-01-17T22:30:41Z)
• Counterfactual Image Synthesis for Discovery of Personalized Predictive Image Markers [0.293168019422713]
  そこで本研究では,深部条件生成モデルを用いて,主観的疾患の進展に関連があるベースライン画像の局所像特徴を摂動させることが可能であることを示す。 本モデルでは, 臨床像を反映した画像特徴の変化により, 集団レベルでのMRI像の現況を予測し, 治療効果を検証した。
  論文  参考訳（メタデータ） (2022-08-03T18:58:45Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Deep Learning-Assisted Co-registration of Full-Spectral Autofluorescence Lifetime Microscopic Images with H&E-Stained Histology Images [5.9861067768807]
  我々は,共同登録の成功を著しく改善する,教師なし画像-画像間翻訳ネットワークを示す。 このアプローチは、この範囲を超えるライフタイムイメージや他の染色技術に、力ずくで拡張できる可能性がある。
  論文  参考訳（メタデータ） (2022-02-15T22:09:06Z)
• 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)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。