論文の概要: Vol-Mark: A Watermark for 3D Medical Volume Data Via Cubic Difference Expansion and Contrastive Learning

• arxiv url: http://arxiv.org/abs/2605.04705v1
• Date: Wed, 06 May 2026 09:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.758206
• Title: Vol-Mark: A Watermark for 3D Medical Volume Data Via Cubic Difference Expansion and Contrastive Learning
• Title（参考訳）: Vol-Mark:3次元医用ボリュームデータのための透かし -立方体差の拡大とコントラスト学習
• Abstract要約: 本稿では,医療機器の所有権と信頼性を保護するために,Vol-Markと呼ばれるリバーシブルゼロな透かし手法を提案する。 提案手法は2つの主要な利点を提供する: 1) コントラスト学習を利用したボリュームデータ特徴抽出器を設計し、3次元攻撃に対する堅牢性を確保し、2) 3次元整数ウェーブレット変換を利用した3次元差分展開(c-DE)技術を導入し、低周波係数で隣接するボクセルに透かしビットを埋め込む。
• 参考スコア（独自算出の注目度）: 6.837629786784274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Today, advances in medical technology extensively utilize 3D volume data for accurate and efficient diagnostics. However, sharing these data across networks in telemedicine poses significant security risks of data tampering and unauthorized copying. To address these challenges, this paper proposes a novel reversible-zero watermarking approach, termed Vol-Mark, for medical volume data to protect their ownership and authenticity in telemedicine. The proposed Vol-Mark method offers two key benefits: 1) it designs a volume data feature extractor that leverages contrastive learning to efficiently extract discriminative and stable volumetric features, ensuring robustness against 3D attacks; 2) it introduces the cubic difference expansion (c-DE) technique, which leverages the 3D integer wavelet transform to embed watermark bits into neighboring voxels within cubes at low-frequency coefficients. The voxel differences within each cube are expanded to create embedding space, and a majority voting mechanism is employed during extraction to enhance reliability. The embedding process incurs low distortion and supports lossless removal, thereby preserving the integrity and diagnostic accuracy of medical volume data. Through these two benefits, Vol-Mark enables both integrity verification and ownership verification. Integrity verification is first performed, and ownership verification through hypothesis testing is further conducted to enhance reliability, particularly under data tampering or watermark removal attacks. Comprehensive experimental results show the effectiveness of the proposed method and its superior robustness against conventional, geometric, and hybrid attacks on medical volume data. In particular, through multiple tasks evaluations, Vol-Mark consistently achieves an ACC above 0.90 in most attack scenarios, outperforming existing methods by a clear margin.
• Abstract（参考訳）: 今日、医療技術の進歩は、3Dボリュームデータを正確かつ効率的な診断に広く活用している。 しかし、これらのデータを遠隔医療でネットワーク間で共有することは、データの改ざんと不正コピーの重大なセキュリティリスクをもたらす。 これらの課題に対処するために,遠隔医療における所有権と信頼性を保護するために,Vol-Markと呼ばれる新しい可逆ゼロ透かし手法を提案する。 提案したVol-Mark法には2つの利点がある。 1) コントラスト学習を活用するボリュームデータ特徴抽出器を設計し, 識別的かつ安定したボリューム特徴を効率的に抽出し, 3次元攻撃に対する堅牢性を確保する。 2) 3次元整数ウェーブレット変換を応用した立方体差分展開法(c-DE)を導入し,低周波係数で隣接するボクセルに透かしビットを埋め込む。 各立方体内のボクセル差を拡大して埋め込み空間を生成し、抽出中に多数投票機構を用いて信頼性を高める。 埋め込み処理は、低歪みを生じ、損失のない除去をサポートし、医用ボリュームデータの整合性と診断精度を維持する。 これらの2つの利点により、Vol-Markは整合性検証とオーナシップ検証の両方を可能にします。 積分性検証が最初に実施され、特にデータ改ざんや透かし除去攻撃において、信頼性を高めるために仮説テストによるオーナシップ検証が実施される。 総合的な実験結果から,医療用ボリュームデータに対する従来型,幾何型,ハイブリッド型攻撃に対して,提案手法の有効性と優れたロバスト性を示す。 特に、複数のタスク評価を通じて、Vol-Markは、ほとんどの攻撃シナリオにおいて0.90以上のACCを一貫して達成し、既存のメソッドよりも明確なマージンで優れている。

関連論文リスト

• Tracing Provenance and Detecting Tampering with Complementary LLM Watermarks [68.64050157343334]
  既存の透かしは編集の際は残されているが、このような堅牢性は、敵が帰属を維持しながら重要な内容を変更することを可能にする。 実証と改ざんの証拠を共同で提供する革新的な透かしを導入する。 信号は同じメカニズムを共有するが、独立キーと正規化テキスト上の異なるシードウィンドウを使用するため、一方は編集に耐性があり、もう一方は読み取り可能な変更に敏感である。
  論文  参考訳（メタデータ） (2026-08-13T01:55:16Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• 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)
• Leave No TRACE: Black-box Detection of Copyrighted Dataset Usage in Large Language Models via Watermarking [51.74368870268278]
  我々は,大規模な言語モデルにおける著作権付きデータセット使用量を完全にブラックボックスで検出するフレームワークであるTRACEを提案する。 textttTRACEは、プライベートキーでガイドされた歪みのない透かしでデータセットを書き換える。 さまざまなデータセットとモデルファミリにわたって、TRACEは一貫して重要な検出を実現している。
  論文  参考訳（メタデータ） (2025-10-03T12:53:02Z)
• Generalizable Speech Deepfake Detection via Information Bottleneck Enhanced Adversarial Alignment [48.73836179661632]
  信頼誘導対向アライメントは、識別的手がかりを消去することなく攻撃固有のアーティファクトを適応的に抑制する。 IB-CAANは、多くのベンチマークにおいて、ベースラインと最先端のパフォーマンスを一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-28T03:48:49Z)
• Enhancing Dual Network Based Semi-Supervised Medical Image Segmentation with Uncertainty-Guided Pseudo-Labeling [5.1962665598872135]
  本稿では,デュアルネットワークアーキテクチャに基づく新しい半教師付き3次元医用画像分割フレームワークを提案する。 具体的には,クロス・擬似とエントロピーフィルタの両方を用いたクロス・コンシステンシー・エンハンスメント・モジュールについて検討し,ノイズの多い擬似ラベルを減らす。 さらに、教師付きコントラスト学習機構を用いて、不確実なボクセル特徴を信頼性の高いクラスプロトタイプと整合させる。
  論文  参考訳（メタデータ） (2025-09-16T13:40:20Z)
• Semantic Watermarking Reinvented: Enhancing Robustness and Generation Quality with Fourier Integrity [31.666430190864947]
  我々はHermitian Symmetric Fourier Watermarking (SFW)と呼ばれる新しい埋め込み手法を提案する。 SFWはエルミート対称性を強制することによって周波数整合性を維持する。 我々は,収穫攻撃による意味的透かしの脆弱性を低減する中心認識型埋め込み戦略を導入する。
  論文  参考訳（メタデータ） (2025-09-09T12:15:16Z)
• A Novel Double Pruning method for Imbalanced Data using Information Entropy and Roulette Wheel Selection for Breast Cancer Diagnosis [2.8661021832561757]
  SMOTEBoost法はデータセットのバランスをとるために合成データを生成するが、決定境界付近で重要な重複する領域を見落としてしまう可能性がある。 本稿では,SMOTEBoostの拡張版であるRE-SMOTEBoostを提案する。 情報エントロピーに基づくフィルタリング機構を組み込んで、ノイズや境界ケースを低減し、生成されたデータの品質を向上させる。
  論文  参考訳（メタデータ） (2025-03-15T19:34:15Z)
• Towards Clinical Practice in CT-Based Pulmonary Disease Screening: An Efficient and Reliable Framework [16.98886836566185]
  クラスタベースサブサンプリング(CSS)法は,CTスライスをコンパクトかつ包括的に選択する。 ハイブリッド不確実性定量化(HUQ)メカニズムは、Aleatoric Uncertainty(AU)とEpistemic Uncertainty(EU)の両方を最小の計算オーバーヘッドで評価する。
  論文  参考訳（メタデータ） (2024-12-02T14:18:17Z)
• Reliable Multi-View Learning with Conformal Prediction for Aortic Stenosis Classification in Echocardiography [6.540741143328299]
  得られた画像は、しばしば3次元解剖学の2次元断面であり、重要な解剖学的詳細を欠いている可能性がある。 トレーニングセット内の弱い情報入力に不確実性を導入するデータ中心の手法であるRe-Training for Uncertainty (RT4U)を提案する。 共形予測技術と組み合わせると、RT4Uは、基底真理クラスを含むことが保証される適応的な大きさの予測セットを高精度に得ることができる。
  論文  参考訳（メタデータ） (2024-09-15T10:06:06Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
  本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。 実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T02:04:12Z)

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。