論文の概要: CTForensics: A Comprehensive Dataset and Method for AI-Generated CT Image Detection
- arxiv url: http://arxiv.org/abs/2603.01878v1
- Date: Mon, 02 Mar 2026 13:58:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.89988
- Title: CTForensics: A Comprehensive Dataset and Method for AI-Generated CT Image Detection
- Title（参考訳）: CTForensics:AI生成CT画像検出のための包括的データセットと方法
- Authors: Yiheng Li, Zichang Tan, Guoqing Xu, Yijun Ye, Yang Yang, Zhen Lei,
- Abstract要約: 我々はCTフォージェリ検出手法の一般化能力を評価するためのデータセットであるCTForensicsを提案する。
ESF-CTFDは,ウェーブレット,空間,周波数領域にまたがる偽の手がかりを捕捉する,効率的なCNNベースのニューラルネットワークである。
実験により、ESF-CTFDは既存の手法より一貫して優れており、異なるCT生成モデルに対して優れた一般化を示すことが示された。
- 参考スコア（独自算出の注目度）: 28.766572737220482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of generative AI in medical imaging, synthetic Computed Tomography (CT) images have demonstrated great potential in applications such as data augmentation and clinical diagnosis, but they also introduce serious security risks. Despite the increasing security concerns, existing studies on CT forgery detection are still limited and fail to adequately address real-world challenges. These limitations are mainly reflected in two aspects: the absence of datasets that can effectively evaluate model generalization to reflect the real-world application requirements, and the reliance on detection methods designed for natural images that are insensitive to CT-specific forgery artifacts. In this view, we propose CTForensics, a comprehensive dataset designed to systematically evaluate the generalization capability of CT forgery detection methods, which includes ten diverse CT generative methods. Moreover, we introduce the Enhanced Spatial-Frequency CT Forgery Detector (ESF-CTFD), an efficient CNN-based neural network that captures forgery cues across the wavelet, spatial, and frequency domains. First, it transforms the input CT image into three scales and extracts features at each scale via the Wavelet-Enhanced Central Stem. Then, starting from the largest-scale features, the Spatial Process Block gradually performs feature fusion with the smaller-scale ones. Finally, the Frequency Process Block learns frequency-domain information for predicting the final results. Experiments demonstrate that ESF-CTFD consistently outperforms existing methods and exhibits superior generalization across different CT generative models.
- Abstract（参考訳）: 医用画像における生成AIの急速な発展に伴い、CT(Computerd Tomography)画像は、データ拡張や臨床診断などの応用に大きな可能性を示しているが、深刻なセキュリティリスクももたらしている。
セキュリティ上の懸念が高まるにもかかわらず、CT偽造検出に関する既存の研究はまだ限られており、現実の課題に適切に対処することができない。
これらの制限は主に、実際のアプリケーション要件を反映してモデル一般化を効果的に評価できるデータセットの欠如と、CT固有の偽物に敏感な自然画像のために設計された検出方法への依存の2つの側面に反映されている。
本稿では,10種類のCT生成法を含むCT偽造検出手法の一般化能力を体系的に評価するための総合的データセットであるCTForensicsを提案する。
さらに、ウェーブレット、空間、周波数領域のフォージェリーキューを捕捉する効率的なCNNベースのニューラルネットワークである拡張空間周波数CTフォージェリー検出器(ESF-CTFD)を導入する。
まず、入力されたCT画像を3つのスケールに変換し、ウェーブレット強化中央ステムを介して各スケールの特徴を抽出する。
次に、大規模機能から始めると、Spatial Process Blockはより小規模な機能と徐々に機能融合を行う。
最後に、周波数プロセスブロックは、最終結果を予測するための周波数領域情報を学ぶ。
実験により、ESF-CTFDは既存の手法より一貫して優れており、異なるCT生成モデルに対して優れた一般化を示すことが示された。
関連論文リスト
- 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) - Random Window Augmentations for Deep Learning Robustness in CT and Liver Tumor Segmentation [21.50697223751202]
我々は,CT画像中の強度のHU分布を利用して,ランダムウィンドウと呼ばれるCT固有の拡張手法を提案する。
提案手法を複数のデータセット上で改善・解析し,最先端の代替手法と比較し,性能を比較検討する。
論文 参考訳（メタデータ） (2025-10-09T11:57:04Z) - Rethinking Whole-Body CT Image Interpretation: An Abnormality-Centric Approach [57.86418347491272]
全身に404例の異常所見を呈する包括的階層分類システムを提案する。
複数平面および全人体領域からの14.5K以上のCT画像を含むデータセットを寄贈し,19K以上の異常に対する接地アノテーションを念頭に提供した。
OminiAbnorm-CTは,テキストクエリに基づいて,多面的および全身的なCT画像に異常な所見を自動的に検出し,記述することができる。
論文 参考訳（メタデータ） (2025-06-03T17:57:34Z) - Tomographic Foundation Model -- FORCE: Flow-Oriented Reconstruction Conditioning Engine [9.228750443979733]
深層学習はCT画像再構成を著しく進歩させた。
ディープラーニングの手法は、ほぼペアのデータでうまく機能するが、それらは本質的に幻覚のリスクを負う。
我々は新しいCTフレームワークFORCE(Flow-Oriented Restruction Conditioning Engine)を提案する。
論文 参考訳（メタデータ） (2025-06-02T18:25:12Z) - Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。
これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。
これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。
我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
論文 参考訳（メタデータ） (2023-07-02T11:09:08Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-12-23T19:20:38Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳（メタデータ） (2021-11-16T15:03:42Z) - CT-SGAN: Computed Tomography Synthesis GAN [4.765541373485143]
胸部CTスキャンの小さなデータセットを用いて,大規模な3次元合成CTスキャンボリュームを生成するCT-SGANモデルを提案する。
その結果,CT-SGANは大量の合成データに基づいて結節を事前訓練することにより,肺検出精度を著しく向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-10-14T22:20:40Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。