論文の概要: Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks

• arxiv url: http://arxiv.org/abs/2603.05541v1
• Date: Wed, 04 Mar 2026 12:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.181581
• Title: Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks
• Title（参考訳）: 潜時変換ネットワークを用いたプライバシー保護型医用画像分割
• Authors: Saheed Ademola Bello, Muhammad Shahid Jabbar, Muhammad Sohail Ibrahim, Shujaat Khan,
• Abstract要約: 本研究は、異種医療データセット用に設計されたプライバシ保護協調医療画像セグメンテーションフレームワーク(PPCMI-SF)を紹介する。 サーバ側の統一マッピングネットワークは、複数スケールの潜時-潜時変換を実行し、生データを公開することなくセグメンテーション推論を可能にする。
• 参考スコア（独自算出の注目度）: 2.4149105714758545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative training across multiple institutions is becoming essential for building reliable medical image segmentation models. However, privacy regulations, data silos, and uneven data availability prevent hospitals from sharing raw scans or annotations, limiting the ability to train generalizable models. Latent-space collaboration frameworks such as privacy-segmentation framework (SF) offer a promising alternative, but such methods still face challenges in segmentation accuracy and vulnerability to latent inversion and membership-inference attacks. This work introduces a privacy-preserving collaborative medical image segmentation framework (PPCMI-SF) designed for heterogeneous medical datasets. The approach combines skip-connected autoencoders for images and masks with a keyed latent transform that applies client-specific orthogonal mixing and permutation to protect latent features before they are shared. A unified mapping network on the server-side performs multi-scale latent-to-latent translation, enabling segmentation inference without exposing raw data. Experiments on four datasets: PSFH ultrasound, ultrasound nerve segmentation, FUMPE CTA, and cardiac MRI show that the proposed PPCMI-SF consistently achieves high Dice scores and improved boundary accuracy, as reflected by lower 95th percentile Hausdorff distance (HD95) and average symmetric surface distance (ASD) compared to the current state-of-the-art and performs competitively with privacy-agnostic baselines. Privacy tests confirm strong resistance to inversion and membership attacks, and the overall system achieves real-time inference with low communication overhead. These results demonstrate that accurate and efficient medical image segmentation can be achieved without compromising data privacy in multi-institution settings.
• Abstract（参考訳）: 信頼性の高い医用画像セグメンテーションモデルの構築には, 複数施設での協調トレーニングが不可欠である。 しかし、プライバシー規制、データサイロ、不均一なデータ可用性は、病院が生のスキャンやアノテーションを共有することを妨げ、一般化可能なモデルを訓練する能力を制限する。 プライバシ・セグメンテーションフレームワーク(SF)のような潜在空間のコラボレーションフレームワークは、有望な代替手段を提供するが、そのような手法は、潜時インバージョンやメンバシップ推論攻撃に対するセグメンテーションの精度と脆弱性に依然として直面している。 本研究は、異種医療データセット用に設計されたプライバシ保護協調医療画像セグメンテーションフレームワーク(PPCMI-SF)を紹介する。 このアプローチは、画像とマスクのスキップ接続されたオートエンコーダと、クライアント固有の直交混合と置換を適用して、共有前に潜在機能を保護するキー付き潜在変換を組み合わせる。 サーバ側の統一マッピングネットワークは、複数スケールの潜時-潜時変換を実行し、生データを公開することなくセグメンテーション推論を可能にする。 PSFH超音波、超音波神経節、FUMPE CTA、心臓MRIの4つのデータセットの実験では、提案したPPCMI-SFは、現在の最先端技術と比較して95%のHausdorff距離(HD95)と平均対称表面距離(ASD)で反射され、高いDiceスコアと境界精度を一貫して達成し、プライバシーに依存しないベースラインと競合することを示した。 プライバシテストでは、インバージョンやメンバシップ攻撃に対する強い抵抗が確認され、全体的なシステムは、通信オーバーヘッドの少ないリアルタイム推論を実現する。 これらの結果から,多施設間におけるデータのプライバシーを損なうことなく,正確かつ効率的な医用画像分割を実現することが可能であることが示唆された。

関連論文リスト

• Federated Learning for Coronary Artery Plaque Detection in Atherosclerosis Using IVUS Imaging: A Multi-Hospital Collaboration [8.358846277772779]
  経皮的冠動脈インターベンション(PCI)における血管内超音波(IVUS)画像の従来的解釈は時間集約的かつ矛盾する。 多段階セグメンテーションアーキテクチャを持つ並列2次元U-Netモデルを開発した。 0.706のDice similarity Coefficient (DSC) は、プラークを効果的に識別し、リアルタイムで円形の境界を検出する。
  論文  参考訳（メタデータ） (2024-12-19T13:06:28Z)
• FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation [2.864354559973703]
  本稿では,医用画像データの分散特性とプライバシ感受性について,フェデレート学習フレームワークを用いて検討する。 提案手法であるFedDPは,がん画像データのプライバシーを効果的に保護しつつ,モデルの精度に最小限の影響を与える。
  論文  参考訳（メタデータ） (2024-11-07T08:02:58Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Differential Privacy for Adaptive Weight Aggregation in Federated Tumor Segmentation [0.05411994681207571]
  Federated Learning(FL)は、個々のクライアントデータのプライバシを尊重しながら、公平なグローバルモデルを作成することによって、プライバシを保護する分散機械学習アプローチである。 医用画像セグメンテーションにおける差分プライバシー(DP)統合ディープラーニングフレームワークを提案する。 我々は, 類似度重み付け法(SimAgg)を, 脳腫瘍セグメント化のための差分プライベート類似度重み付けアルゴリズムDP-SimAggアルゴリズムに拡張する。
  論文  参考訳（メタデータ） (2023-08-01T21:59:22Z)
• 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)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)

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。