論文の概要: Edge-Native Generative De-identification: Inversion-Free Flow for Privacy-Preserving Federated Skin Image Analysis
- arxiv url: http://arxiv.org/abs/2602.00821v1
- Date: Sat, 31 Jan 2026 17:19:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.418108
- Title: Edge-Native Generative De-identification: Inversion-Free Flow for Privacy-Preserving Federated Skin Image Analysis
- Title（参考訳）: エッジ-Native Generative Dedentification: プライバシ保護フェデレーション皮膚画像解析のための逆流
- Authors: Konstantinos Moutselos, Ilias Maglogiannis,
- Abstract要約: 臨床皮膚学のためのフェデレートラーニング(FL)は、患者のプライバシ保護と診断機能の保存という競合する要件によって妨げられている。
本稿では,クライアント側プライバシ保護ユーティリティとして機能するアイデンティティに依存しない保存病理の枠組みを提案する。
- 参考スコア（独自算出の注目度）: 1.8864137667201766
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The deployment of Federated Learning (FL) for clinical dermatology is hindered by the competing requirements of protecting patient privacy and preserving diagnostic features. Traditional de-identification methods often degrade pathological fidelity, while standard generative editing techniques rely on computationally intensive inversion processes unsuitable for resource-constrained edge devices. We propose a framework for identity-agnostic pathology preservation that serves as a client-side privacy-preserving utility. By leveraging inversion-free Rectified Flow Transformers (FlowEdit), the system performs high-fidelity identity transformation in near real-time (less than 20s), facilitating local deployment on clinical nodes. We introduce a "Segment-by-Synthesis" mechanism that generates counterfactual healthy and pathological twin pairs locally. This enables the extraction of differential erythema masks that are decoupled from biometric markers and semantic artifacts (e.g. jewelry). Pilot validation on high-resolution clinical samples demonstrates an Intersection over Union (IoU) stability greater than 0.67 across synthetic identities. By generating privacy-compliant synthetic surrogates at the edge, this framework mitigates the risk of gradient leakage at the source, providing a secure pathway for high-precision skin image analysis in federated environments.
- Abstract（参考訳）: 臨床皮膚学へのフェデレートラーニング(FL)の展開は、患者のプライバシ保護と診断機能の保存という競合する要件によって妨げられている。
従来の非識別法は、しばしば病的忠実度を低下させるが、標準的な生成編集技術は、資源制約されたエッジデバイスには適さない計算集約的な反転プロセスに依存している。
本稿では,クライアント側プライバシ保護ユーティリティとして機能するアイデンティティ非依存の病理保存のためのフレームワークを提案する。
Inversion-free Rectified Flow Transformers (FlowEdit) を利用することで,20秒未満のほぼリアルタイムで高忠実度ID変換を実現し,臨床ノードへの局所的なデプロイを容易にする。
そこで本研究では,2対のペアを局所的に生成する「Segment-by-Synthesis」機構を提案する。
これにより、生体マーカーやセマンティックアーティファクト(例えばジュエリー)から切り離された分化型エリテママスクの抽出が可能になる。
高分解能臨床試料の試験的検証は、合成アイデンティティ全体にわたって0.67以上のIoU(Intersection over Union)安定性を示す。
プライバシに適合した合成サロゲートをエッジに生成することにより、ソースの勾配リークのリスクを軽減し、フェデレーション環境での高精度な皮膚画像解析のためのセキュアな経路を提供する。
関連論文リスト
- A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy [8.701084151107652]
糖尿病性末梢神経障害(DPN)における角膜共焦点顕微鏡による小線維損傷の評価
強靭で自動的なディープラーニングに基づく診断モデルの開発は、角膜神経形態学におけるラベル付きデータの不足ときめ細かい変化によって制限される。
臨床誘導CCM画像合成のためのWDLoRAに基づくマルチモーダル生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-14T09:32:44Z) - X-Mark: Saliency-Guided Robust Dataset Ownership Verification for Medical Imaging [67.85884025186755]
高品質な医用画像データセットは深層学習モデルの訓練には不可欠であるが、その無許可の使用は重大な著作権と倫理的懸念を提起する。
医用画像は、自然画像用に設計された既存のデータセットの所有権検証方法に固有の課題を示す。
胸部X線著作権保護のためのサンプル特異的クリーンラベル透かし法であるX-Markを提案する。
論文 参考訳（メタデータ） (2026-02-10T00:03:43Z) - SIDeR: Semantic Identity Decoupling for Unrestricted Face Privacy [53.75084833636302]
本稿では,非制限顔プライバシー保護のためのセマンティックデカップリング駆動フレームワークSIDeRを提案する。
SIDeRは、顔画像をマシン認識可能な識別特徴ベクトルと視覚的に知覚可能なセマンティックな外観成分に分解する。
認証されたアクセスのために、SIDeRは正しいパスワードが提供されるときに元の形式に復元できる。
論文 参考訳（メタデータ） (2026-02-04T19:30:48Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。
自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。
構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
論文 参考訳（メタデータ） (2025-11-10T15:48:50Z) - StableGuard: Towards Unified Copyright Protection and Tamper Localization in Latent Diffusion Models [55.05404953041403]
拡散生成プロセスにバイナリ透かしをシームレスに統合する新しいフレームワークを提案する。
画像の忠実さ、透かしの検証、ローカライゼーションの改ざんにおいて、StableGuardは一貫して最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2025-09-22T16:35:19Z) - Clinically-guided Data Synthesis for Laryngeal Lesion Detection [2.573786844054239]
そこで本研究では,Lyngeal endoscopic image-annotation pairを生成するために,Latent Diffusion Model(LDM)とControlNetアダプタを併用した新しいアプローチを提案する。
提案手法はCADx/eモデルのトレーニングデータセットの拡張に有効であり,喉頭科学における評価プロセスの強化に有効である。
論文 参考訳（メタデータ） (2025-08-08T09:55:54Z) - From Pixels to Pathology: Restoration Diffusion for Diagnostic-Consistent Virtual IHC [37.284994932355865]
本稿では,仮想染色を画像復元タスクとして再構成する構造対応染色復元拡散モデルであるStar-Diffを紹介する。
残留物とノイズに基づく生成経路を組み合わせることで、スターディフは現実的なバイオマーカーの変動をモデル化しながら組織構造を維持する。
BCIデータセットの実験は、Star-Diffが視覚的忠実度と診断関連性の両方で最先端(SOTA)のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-08-04T15:36:58Z) - Subtyping Breast Lesions via Generative Augmentation based Long-tailed Recognition in Ultrasound [8.410718166932798]
本稿では,高忠実度データ合成による分布バイアスを緩和する長鎖分類のためのフレームワークを提案する。
提案手法は,最先端手法と比較して有望な性能を実現する。
論文 参考訳（メタデータ） (2025-07-30T10:50:41Z) - Enhancing Open-World Bacterial Raman Spectra Identification by Feature
Regularization for Improved Resilience against Unknown Classes [0.0]
従来のクローズドセット分類手法は、全ての試験サンプルが既知の病原体の1つに属すると仮定する。
ラマン分光法による病原体を同定する現在の最先端ニューラルネットワークは未知の入力に対して脆弱であることを示す。
我々はResNetアーキテクチャの新しいアンサンブルと、既存のクローズドワールド手法よりも優れたアテンションメカニズムを組み合わさった。
論文 参考訳（メタデータ） (2023-10-19T17:19:47Z) - 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)
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。