論文の概要: Provenance-Driven Reliable Semantic Medical Image Vector Reconstruction via Lightweight Blockchain-Verified Latent Fingerprints

• arxiv url: http://arxiv.org/abs/2512.00999v1
• Date: Sun, 30 Nov 2025 17:48:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.535193
• Title: Provenance-Driven Reliable Semantic Medical Image Vector Reconstruction via Lightweight Blockchain-Verified Latent Fingerprints
• Title（参考訳）: 軽量Blockchain-Verified Latent Fingerprintによるプロバンス駆動型信頼性セマンティック医用ベクトル再構成
• Authors: Mohsin Rasheed, Abdullah Al-Mamun,
• Abstract要約: 現実世界のデータは汚職、騒音、潜在的な改ざんに悩まされ、AI支援解釈の信頼性に挑戦する。 ハイレベルな潜伏埋め込みとハイブリッドなU-Netアーキテクチャを統合する意味認識型医用画像再構成フレームワークを提案する。 我々のソリューションは、医療画像のための信頼性の高いAIを進化させ、医療環境における診断信頼性と規制コンプライアンスの両面を強化します。
• 参考スコア（独自算出の注目度）: 0.6466067363961121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging is essential for clinical diagnosis, yet real-world data frequently suffers from corruption, noise, and potential tampering, challenging the reliability of AI-assisted interpretation. Conventional reconstruction techniques prioritize pixel-level recovery and may produce visually plausible outputs while compromising anatomical fidelity, an issue that can directly impact clinical outcomes. We propose a semantic-aware medical image reconstruction framework that integrates high-level latent embeddings with a hybrid U-Net architecture to preserve clinically relevant structures during restoration. To ensure trust and accountability, we incorporate a lightweight blockchain-based provenance layer using scale-free graph design, enabling verifiable recording of each reconstruction event without imposing significant overhead. Extensive evaluation across multiple datasets and corruption types demonstrates improved structural consistency, restoration accuracy, and provenance integrity compared with existing approaches. By uniting semantic-guided reconstruction with secure traceability, our solution advances dependable AI for medical imaging, enhancing both diagnostic confidence and regulatory compliance in healthcare environments.
• Abstract（参考訳）: 医療画像は臨床診断に必須であるが、実世界のデータは汚職、騒音、潜在的な改ざんに悩まされ、AI支援解釈の信頼性に挑戦する。 従来の再建技術は、ピクセルレベルの回復を優先し、臨床結果に直接影響を及ぼす問題である解剖学的忠実さを妥協しつつ、視覚的に可視な出力を生成する可能性がある。 本稿では,ハイレベルな潜伏埋め込みとハイブリッドなU-Netアーキテクチャを融合した意味認識型医用画像再構成フレームワークを提案する。 信頼性と説明責任を確保するため、スケールフリーなグラフ設計を使用して、軽量なブロックチェーンベースの証明層を組み込んで、大幅なオーバーヘッドを伴わずに、各再構成イベントの検証可能な記録を可能にする。 複数のデータセットと破損タイプにわたる広範囲な評価は、既存のアプローチと比較して、構造的整合性、復元精度、および証明整合性を改善したことを示している。 セマンティックガイドによる再構築と安全なトレーサビリティを両立させることで、医療現場における診断信頼性と規制コンプライアンスの両面を向上し、医療画像の信頼性の高いAIを進化させる。

関連論文リスト

• Decentralized LoRA Augmented Transformer with Context-aware Multi-scale Feature Learning for Secured Eye Diagnosis [2.1358421658740214]
  本稿では、コンテキスト認識型マルチスケールパッチ埋め込み、ローランド適応(LoRA)、知識蒸留、フェデレーション学習を統合し、これらの課題に統一的に対処する新しいデータ効率画像変換器(DeiT)ベースのフレームワークを提案する。 提案モデルでは,マルチスケールパッチ表現と局所的および大域的注意機構を活用することで,局所的および大域的網膜特徴を効果的に捉えている。
  論文  参考訳（メタデータ） (2025-05-11T13:51:56Z)
• MedMNIST-C: Comprehensive benchmark and improved classifier robustness by simulating realistic image corruptions [0.13108652488669734]
  神経ネットワークに基づくシステムの臨床実践への統合は、ドメインの一般化と堅牢性に関連する課題によって制限される。 我々は、12のデータセットと9つの画像モダリティをカバーするMedMNIST+コレクションに基づくベンチマークデータセットであるMedMNIST-Cを作成し、オープンソース化した。
  論文  参考訳（メタデータ） (2024-06-25T13:20:39Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Towards Trustworthy Healthcare AI: Attention-Based Feature Learning for COVID-19 Screening With Chest Radiography [70.37371604119826]
  信頼性を備えたAIモデルの構築は、特に医療などの規制領域において重要である。 これまでの研究では、畳み込みニューラルネットワークをバックボーンアーキテクチャとして使用していた。 本稿では,視覚変換器を用いた特徴学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T14:55:42Z)

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。