論文の概要: From Redaction to Restoration: Deep Learning for Medical Image Anonymization and Reconstruction

• arxiv url: http://arxiv.org/abs/2604.11376v1
• Date: Mon, 13 Apr 2026 12:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.522922
• Title: From Redaction to Restoration: Deep Learning for Medical Image Anonymization and Reconstruction
• Title（参考訳）: 医療画像の匿名化と再構築のための深層学習
• Authors: Adrienne Kline, Abhijit Gaonkar, Daniel Pittman, Chris Kuehn, Nils Forkert,
• Abstract要約: 本研究は、生臨床画像のボリュームを非同定分析可能なデータセットに変換するためのエンドツーエンドのディープラーニングフレームワークを提案する。 この手法は、まず、焼かれたテキストやメタデータなどの保護された健康情報(PHI)を含む可能性のある領域を検出し、再定義し、次に、生成的なディープラーニングモデルを使用して、その領域を塗り替える。 我々は,残量PHIと再作用の成功を定量化するプライバシ指向メトリクスと,復元されたボリュームの忠実度を評価する画像品質とタスクベースメトリクスの両方を用いて,アプローチを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Removing patient-specific information from medical images is crucial to enable sharing and open science without compromising patient identities. However, many methods currently used for deidentification have negative effects on downstream image analysis tasks because of removal of relevant but non-identifiable information. This work presents an end-to-end deep learning framework for transforming raw clinical image volumes into de-identified, analysis-ready datasets without compromising downstream utility. The methodology developed and tested in this work first detects and redacts regions likely to contain protected health information (PHI), such as burned-in text and metadata, and then uses a generative deep learning model to inpaint the redacted areas with anatomically and imaging plausible content. The proposed pipeline leverages a lightweight hybrid architecture, combining CRNN-based redaction with a latent-diffusion inpainting restoration module (Stable Diffusion 2). We evaluate the approach using both privacy-oriented metrics, which quantify residual PHI and success of redaction, and image-quality and task-based metrics, which assess the fidelity of restored volumes for representative deep learning applications. Our results suggest that the proposed method yields de-identified medical images that are visually coherent, maintaining fidelity for downstream models, while substantially reducing the risk of patient re-identification. By automating anonymization and image reconstruction within a single workflow, and dissemination of large-scale medical imaging collections, thereby lowering a key barrier to data sharing and multi-institutional collaboration in medical imaging AI.
• Abstract（参考訳）: 患者固有の情報を医用画像から取り除くことは、患者のアイデンティティを損なうことなく、共有とオープンサイエンスを可能にするために重要である。 しかし、現在特定に使われている多くの手法は、関連性はあるものの識別不能な情報の除去のため、下流画像解析タスクに悪影響を及ぼす。 本研究は、生臨床画像量を下流ユーティリティを損なうことなく、未同定で分析可能なデータセットに変換するためのエンドツーエンドのディープラーニングフレームワークを提案する。 この研究で開発された手法は、まず、焼かれたテキストやメタデータなどの保護された健康情報(PHI)を含む可能性のある領域を検知し、再定義し、次に、生成的なディープラーニングモデルを使用して、解剖学的に再現された領域を描き、可視的コンテンツを撮像する。 提案したパイプラインは、CRNNベースのリアクションと潜伏拡散塗装修復モジュールを組み合わせた軽量ハイブリッドアーキテクチャ(Stable Diffusion 2)を活用している。 我々は、残差PHIと再作用の成功を定量化するプライバシ指向メトリクスと、回復ボリュームの忠実度を評価する画像品質とタスクベースメトリクスの両方を用いて、そのアプローチを評価する。 提案手法は, 患者再同定のリスクを著しく低減しつつ, 下流モデルに対する忠実度を維持しつつ, 視覚的整合性を有する非同定医療画像が得られることを示唆する。 単一のワークフロー内で匿名化と画像再構成を自動化し、大規模な医用画像コレクションを普及させることで、医療画像AIにおけるデータ共有と多施設共同作業の重要な障壁を低くすることができる。

関連論文リスト

• Beyond Pixels: Medical Image Quality Assessment with Implicit Neural Representations [2.0934875997852096]
  アーティファクトは、診断精度と下流分析に影響を及ぼす医療画像において重要な課題となる。 画像品質評価に暗黙的ニューラル表現(INR)を用いることを提案する。 本手法は合成人工物パターンを用いてACDCデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2025-08-07T09:00:06Z)
• Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
  本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。 我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。 血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
  論文  参考訳（メタデータ） (2024-07-17T23:23:09Z)
• Plaintext-Free Deep Learning for Privacy-Preserving Medical Image Analysis via Frequency Information Embedding [9.192156293063414]
  本稿では,サロゲート画像を解析に用いる新しいフレームワークを提案する。 このフレームワークは、周波数領域交換スタイル融合(FESF)と呼ばれる。 本フレームワークは,医療画像のプライバシを効果的に保ち,DLモデルの診断精度を比較的高いレベルで維持し,各種データセットやDLベースモデルに対して有効性を示す。
  論文  参考訳（メタデータ） (2024-03-25T06:56:38Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
  本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。 我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。 本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2023-09-19T16:08:33Z)
• Uncertainty Quantification for Deep Unrolling-Based Computational Imaging [0.0]
  本稿では,観察モデルを再構成タスクに組み込んだ学習型画像再構成フレームワークを提案する。 提案手法は,最先端のDeep Unrolling手法に匹敵する再現性能を達成しつつ,不確実性情報を提供できることを示す。
  論文  参考訳（メタデータ） (2022-07-02T00:22:49Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。