論文の概要: Toward Medical Deepfake Detection: A Comprehensive Dataset and Novel Method
- arxiv url: http://arxiv.org/abs/2509.15711v1
- Date: Fri, 19 Sep 2025 07:40:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-22 18:18:11.056068
- Title: Toward Medical Deepfake Detection: A Comprehensive Dataset and Novel Method
- Title（参考訳）: 医用ディープフェイク検出に向けて:包括的データセットと新しい方法
- Authors: Shuaibo Li, Zhaohu Xing, Hongqiu Wang, Pengfei Hao, Xingyu Li, Zekai Liu, Lei Zhu,
- Abstract要約: 偽の医療画像は、診断詐欺、金融詐欺、誤報などの重大なリスクを引き起こす。
textbfMedForensicsは6つの医療モダリティと12の最先端医療生成モデルを含む大規模医療法医学データセットである。
また、AI生成医療画像の検出に適した視覚言語特徴空間を構築する新しいtextbfDual-textbfStage textbfKnowledge textbfInfusing detector である textbfDSKI を提案する。
- 参考スコア（独自算出の注目度）: 27.485830706774408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement of generative AI in medical imaging has introduced both significant opportunities and serious challenges, especially the risk that fake medical images could undermine healthcare systems. These synthetic images pose serious risks, such as diagnostic deception, financial fraud, and misinformation. However, research on medical forensics to counter these threats remains limited, and there is a critical lack of comprehensive datasets specifically tailored for this field. Additionally, existing media forensic methods, which are primarily designed for natural or facial images, are inadequate for capturing the distinct characteristics and subtle artifacts of AI-generated medical images. To tackle these challenges, we introduce \textbf{MedForensics}, a large-scale medical forensics dataset encompassing six medical modalities and twelve state-of-the-art medical generative models. We also propose \textbf{DSKI}, a novel \textbf{D}ual-\textbf{S}tage \textbf{K}nowledge \textbf{I}nfusing detector that constructs a vision-language feature space tailored for the detection of AI-generated medical images. DSKI comprises two core components: 1) a cross-domain fine-trace adapter (CDFA) for extracting subtle forgery clues from both spatial and noise domains during training, and 2) a medical forensic retrieval module (MFRM) that boosts detection accuracy through few-shot retrieval during testing. Experimental results demonstrate that DSKI significantly outperforms both existing methods and human experts, achieving superior accuracy across multiple medical modalities.
- Abstract（参考訳）: 医療画像における生成AIの急速な進歩は、重要な機会と深刻な課題、特に偽の医療画像が医療システムを損なうリスクの両方をもたらしている。
これらの合成画像は、診断詐欺、金融詐欺、誤情報などの重大なリスクを生じさせる。
しかし、これらの脅威に対処するための医学法医学の研究は依然として限られており、この分野に特化された包括的なデータセットが欠如している。
さらに、主に自然画像や顔画像のために設計された既存のメディア法医学的手法は、AI生成された医療画像の特徴と微妙なアーチファクトを捉えるのに不十分である。
これらの課題に対処するために,6つの医療モダリティと12の最先端医療生成モデルを含む大規模医療法医学データセットである「textbf{MedForensics}」を紹介した。
また,AI生成した医用画像の検出に適した視覚言語特徴空間を構築するための,新規な \textbf{D}ual-\textbf{S}tage \textbf{K}nowledge \textbf{I}nfusing detector である \textbf{DSKI} を提案する。
DSKIは2つのコアコンポーネントから構成される。
1)訓練中の空間及び雑音領域から微妙な偽の手がかりを抽出するクロスドメインファイントレースアダプタ(CDFA)
2)MFRM(Malical forensic Search Module)は,検査中の数ショット検索によって検出精度を高める。
実験の結果,DSKIは既存手法とヒトの専門家の両方で有意に優れており,複数の医療指標において精度が優れていた。
関連論文リスト
- RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。
我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。
RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
論文 参考訳（メタデータ） (2025-03-06T17:43:03Z) - MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。
本稿では,データ合成における生成モデルの利用について検討する。
本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
論文 参考訳（メタデータ） (2024-12-04T16:34:22Z) - Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。
MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。
マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
論文 参考訳（メタデータ） (2024-04-10T07:41:35Z) - Towards Universal Unsupervised Anomaly Detection in Medical Imaging [13.161402789616004]
現実的な擬似健康再構築を実現するために,新しい教師なし異常検出手法であるtextitReversed Auto-Encoders (RA) を提案する。
提案手法は, 脳のMRI, 小児手首X線, 胸部X線など, 様々な画像モダリティにまたがって評価される。
医用画像の診断精度は, より広い範囲の未知の病態を同定することによって向上する可能性がある。
論文 参考訳（メタデータ） (2024-01-19T11:35:07Z) - 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) - 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) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Medical diffusion on a budget: Textual Inversion for medical image generation [3.0826983115939823]
スクラッチからトレーニングするには、大きなキャプション付きデータセットと重要な計算リソースが必要である。
本研究は, 予め訓練した安定拡散モデルを医用画像モダリティに適応させることが, テキスト埋め込みの訓練によって達成可能であることを示す。
トレーニングされた埋め込みはコンパクト(1MB未満)で、プライバシー上の懸念を減らしてデータ共有を容易にする。
論文 参考訳（メタデータ） (2023-03-23T16:50:19Z) - Medical Image Segmentation on MRI Images with Missing Modalities: A
Review [3.9548535445908928]
本研究の主な目的は、欠落したモダリティ補償ネットワークの性能評価を提供することである。
この問題のネガティブな影響を軽減するために、様々なアプローチが時間をかけて開発されてきた。
論文 参考訳（メタデータ） (2022-03-11T19:33:26Z) - Anomaly Detection in Medical Imaging -- A Mini Review [0.2455468619225742]
本稿では,医療画像における関連異常検出論文の半発掘文献レビューを用いて,アプリケーションをクラスタリングする。
主な結果は、ラベル付きデータの必要性を減らすことで、現在の研究が主に動機付けされていることを示している。
また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。
論文 参考訳（メタデータ） (2021-08-25T11:45:40Z)
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。