論文の概要: A Novel Metric for Detecting Memorization in Generative Models for Brain MRI Synthesis

• arxiv url: http://arxiv.org/abs/2509.16582v1
• Date: Sat, 20 Sep 2025 09:08:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.871111
• Title: A Novel Metric for Detecting Memorization in Generative Models for Brain MRI Synthesis
• Title（参考訳）: 脳MRI合成のための生成モデルにおける記憶量検出のための新しい指標
• Authors: Antonio Scardace, Lemuel Puglisi, Francesco Guarnera, Sebastiano Battiato, Daniele Ravì,
• Abstract要約: DeepSSIMは生成モデルにおける記憶の定量化のための新しい指標である。 DeepSSIMは優れたパフォーマンスを実現し、F1スコアを最高の既存メソッドよりも平均+52.03%向上させる。
• 参考スコア（独自算出の注目度）: 4.16184304316315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep generative models have emerged as a transformative tool in medical imaging, offering substantial potential for synthetic data generation. However, recent empirical studies highlight a critical vulnerability: these models can memorize sensitive training data, posing significant risks of unauthorized patient information disclosure. Detecting memorization in generative models remains particularly challenging, necessitating scalable methods capable of identifying training data leakage across large sets of generated samples. In this work, we propose DeepSSIM, a novel self-supervised metric for quantifying memorization in generative models. DeepSSIM is trained to: i) project images into a learned embedding space and ii) force the cosine similarity between embeddings to match the ground-truth SSIM (Structural Similarity Index) scores computed in the image space. To capture domain-specific anatomical features, training incorporates structure-preserving augmentations, allowing DeepSSIM to estimate similarity reliably without requiring precise spatial alignment. We evaluate DeepSSIM in a case study involving synthetic brain MRI data generated by a Latent Diffusion Model (LDM) trained under memorization-prone conditions, using 2,195 MRI scans from two publicly available datasets (IXI and CoRR). Compared to state-of-the-art memorization metrics, DeepSSIM achieves superior performance, improving F1 scores by an average of +52.03% over the best existing method. Code and data of our approach are publicly available at the following link: https://github.com/brAIn-science/DeepSSIM.
• Abstract（参考訳）: 深層生成モデルは、医用画像の変換ツールとして登場し、合成データ生成にかなりの可能性を秘めている。 しかし、最近の実証研究は重大な脆弱性を浮き彫りにしている。これらのモデルでは、センシティブなトレーニングデータを記憶することができ、無許可の患者情報開示の重大なリスクを生じさせる。 生成モデルにおける暗記の検出は依然として特に困難であり、大量の生成されたサンプルをまたいだトレーニングデータ漏洩を識別できるスケーラブルな手法が必要である。 本研究では,生成モデルにおける記憶の定量化のための自己教師付き指標であるDeepSSIMを提案する。 DeepSSIMは次のように訓練されています。 一 学習した埋め込み空間に画像を投影し、 二 埋め込み間のコサイン類似性を強制し、画像空間内で計算されたSSIMスコア(構造類似度指数)に適合させる。 ドメイン固有の解剖学的特徴を捉えるために、トレーニングは構造保存の強化を取り入れ、DeepSSIMは正確な空間的アライメントを必要とせずに、類似性を確実に見積もることができる。 我々は,2つの公開データセット (IXI, CoRR) から2,195個のMRIスキャンを用いて, 暗黙の条件下で訓練した潜在拡散モデル (LDM) によって生成された合成脳MRIデータを用いてDeepSSIMを評価した。 DeepSSIMは、最先端のメモリ化メトリクスと比較すると、優れたパフォーマンスを実現し、F1スコアを最高の既存手法よりも平均+52.03%改善する。 このアプローチのコードとデータは、以下のリンクで公開されています。

関連論文リスト

• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• Enhancing Privacy: The Utility of Stand-Alone Synthetic CT and MRI for Tumor and Bone Segmentation [2.4345008922715756]
  頭頸部癌CTと脳グリオーマMRIを2つの大きなデータセットから用いた。 生成逆数ネットワークと拡散モデルを用いて合成データを生成する。 MAE, MS-SSIM, Radiomics and a Visual Turing Test (VTT) を用いて合成データの質を評価する。
  論文  参考訳（メタデータ） (2025-06-13T08:17:48Z)
• PhaseGen: A Diffusion-Based Approach for Complex-Valued MRI Data Generation [1.683019219727036]
  磁気共鳴イメージング(MRI)の生データ(k空間データ)は複雑に評価され、大きさと位相情報の両方を含む。 我々は、大容量画像に条件付けされた合成MRI生データを生成するための、複素数値拡散モデルである$textitPhaseGen$を紹介した。 以上の結果から, 合成位相データによるトレーニングは, 実世界のデータにおける頭蓋骨切断の一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-04-10T08:44:19Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• 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)
• 3D MRI Synthesis with Slice-Based Latent Diffusion Models: Improving Tumor Segmentation Tasks in Data-Scarce Regimes [2.8498944632323755]
  本稿では,ボリュームデータ生成の複雑さに対処するスライスに基づく遅延拡散アーキテクチャを提案する。 この手法は,医療用画像と関連するマスクの同時分布モデルを拡張し,データスカース体制下での同時生成を可能にする。 構造は, 大きさ, 形状, 相対位置などの腫瘍特性によって調節できるため, 腫瘍の多様性は様々である。
  論文  参考訳（メタデータ） (2024-06-08T09:53:45Z)
• Brain Tumor Synthetic Data Generation with Adaptive StyleGANs [6.244557340851846]
  本稿では,脳腫瘍MRI画像の生成手法について述べる。 その結果, 提案手法は脳腫瘍の分布を学習できることがわかった。 このアプローチは、腫瘍のある現実的な脳MRIを生成することで、限られたデータ可用性に対処することができる。
  論文  参考訳（メタデータ） (2022-12-04T09:01:33Z)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)

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。