論文の概要: X-Mark: Saliency-Guided Robust Dataset Ownership Verification for Medical Imaging

• arxiv url: http://arxiv.org/abs/2602.09284v1
• Date: Tue, 10 Feb 2026 00:03:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.286785
• Title: X-Mark: Saliency-Guided Robust Dataset Ownership Verification for Medical Imaging
• Title（参考訳）: X-Mark: 医用画像用サリエンシガイドロバストデータセット所有者検証
• Authors: Pranav Kulkarni, Junfeng Guo, Heng Huang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.85884025186755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-quality medical imaging datasets are essential for training deep learning models, but their unauthorized use raises serious copyright and ethical concerns. Medical imaging presents a unique challenge for existing dataset ownership verification methods designed for natural images, as static watermark patterns generated in fixed-scale images scale poorly dynamic and high-resolution scans with limited visual diversity and subtle anatomical structures, while preserving diagnostic quality. In this paper, we propose X-Mark, a sample-specific clean-label watermarking method for chest x-ray copyright protection. Specifically, X-Mark uses a conditional U-Net to generate unique perturbations within salient regions of each sample. We design a multi-component training objective to ensure watermark efficacy, robustness against dynamic scaling processes while preserving diagnostic quality and visual-distinguishability. We incorporate Laplacian regularization into our training objective to penalize high-frequency perturbations and achieve watermark scale-invariance. Ownership verification is performed in a black-box setting to detect characteristic behaviors in suspicious models. Extensive experiments on CheXpert verify the effectiveness of X-Mark, achieving WSR of 100% and reducing probability of false positives in Ind-M scenario by 12%, while demonstrating resistance to potential adaptive attacks.
• Abstract（参考訳）: 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。 医学画像は、診断品質を保ちながら、視覚的多様性と微妙な解剖学的構造に制限された、ダイナミックで高解像度のスキャンを、固定スケールの画像で生成した静的な透かしパターンが、低速でスケールするため、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提示する。 本稿では,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手法であるX-Markを提案する。 具体的には、X-Markは条件付きU-Netを使用して、各サンプルの正常な領域内で独自の摂動を生成する。 我々は,透かしの有効性,動的スケーリングプロセスに対する堅牢性,診断品質と視覚的識別性を維持しつつ,マルチコンポーネントのトレーニング目標を設計する。 我々は、ラプラシア正規化を我々のトレーニング目標に組み込んで、高周波摂動をペナルティ化し、透かしスケール不変性を実現する。 不審なモデルにおける特性挙動を検出するため、ブラックボックス設定でオーナーシップ検証を行う。 CheXpertの大規模な実験は、X-Markの有効性を検証し、100%のWSRを達成し、Ind-Mシナリオにおける偽陽性の確率を12%削減し、潜在的な適応攻撃に対する抵抗性を実証した。

関連論文リスト

• StealthMark: Harmless and Stealthy Ownership Verification for Medical Segmentation via Uncertainty-Guided Backdoors [38.802452771776736]
  プライベートデータセット上のよく訓練された医療セグメンテーションモデルは、貴重な知的財産である。 既存のモデル保護技術は主に分類と生成タスクに焦点を当てている。 本稿では,医療セグメンテーションモデルのオーナシップを検証するために,ステルスマークという,新規でステルス的で無害な手法を提案する。
  論文  参考訳（メタデータ） (2026-01-23T17:20:25Z)
• HMARK: Radioactive Multi-Bit Semantic-Latent Watermarking for Diffusion Models [10.694242861654063]
  HMARKは画像拡散モデルのための新しいマルチビット透かし方式である。 画像拡散モデルのためのセマンティックラテント空間(h-space)において、オーナシップ情報を秘密ビットとしてエンコードする。 98.57%の透かし検出精度、95.07%のビットレベルのリカバリ精度、100%のリコールレート、1.0のAUCを実現している。
  論文  参考訳（メタデータ） (2025-11-26T16:14:47Z)
• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• Pathology-Aware Adaptive Watermarking for Text-Driven Medical Image Synthesis [14.661742509140995]
  MedSignは、テキストから医療画像の合成に特化したディープラーニングベースの透かしフレームワークである。 医療用テキストトークンと拡散復調ネットワーク間の相互注意を用いた病的局所化マップを生成する。 LDMデコーダを最適化し、画像合成中に透かしを組み込む。
  論文  参考訳（メタデータ） (2025-03-11T11:55:14Z)
• Distributional Drift Detection in Medical Imaging with Sketching and Fine-Tuned Transformer [2.7552551107566137]
  本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。 我々は,リアルタイム異常検出のための堅牢なベースラインライブラリモデルを開発し,画像の効率的な比較を可能にした。 マンモグラフィーをケーススタディとして,訓練済みのビジョントランスモデルを微調整し,関連する特徴を抽出した。
  論文  参考訳（メタデータ） (2024-08-15T23:46:37Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。