論文の概要: VoxShield: Protecting 3D Medical Datasets from Unauthorized Training via Frequency-Aware Inter-Slice Disruption

• arxiv url: http://arxiv.org/abs/2605.17345v1
• Date: Sun, 17 May 2026 09:35:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.911031
• Title: VoxShield: Protecting 3D Medical Datasets from Unauthorized Training via Frequency-Aware Inter-Slice Disruption
• Title（参考訳）: VoxShield:周波数認識による非許可トレーニングから3D医療データセットを保護する
• Authors: Xinyao Liu, Zhipeng Deng, Wenhan Jiang, Haolin Wang, Xun Lin, Yafei Ou, Yefeng Zheng,
• Abstract要約: Unlearnable Examples (UE) は、効果的なモデル学習を防ぐために、知覚不能な摂動を注入することによって保護を提供する。 本稿では,3次元ネットワークの帰納バイアスを明示的に対象とするUEフレームワークであるVoxShieldを提案する。 BraTS19とFLARE21の実験では、VoxShieldが3Dセグメンテーション性能を低下させることに成功した。
• 参考スコア（独自算出の注目度）: 25.533159285300176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The release of public 3D medical image segmentation (MIS) datasets accelerates clinical research but simultaneously heightens risks of unauthorized AI model training. While Unlearnable Examples (UE) offer protection by injecting imperceptible perturbations to prevent effective model learning, existing methods primarily target 2D scenarios. They neglect the volumetric spatial correlations and inter-slice anatomical consistency inherent in 3D medical volumes, which serve as critical learning priors for 3D segmentation networks. To bridge this gap, we propose VoxShield, a UE framework that explicitly targets the volumetric inductive biases of 3D networks. Our core insight is that by systematically dismantling the cross-slice continuity that 3D architectures rely on, we can fundamentally impair their spatial aggregation process. Specifically, we introduce an Inter-Slice Frequency Consistency Disruption mechanism that maximizes the spectral divergence between adjacent slices, injecting structural incoherence along the $z$-axis. Complementing this structural attack, a Semantic Prediction Disruption module is incorporated. By maximizing the $\ell_1$ divergence between clean and perturbed logits, it forces the injected noise to penetrate the entire network and corrupt the final semantic mapping. Experiments on BraTS19 and FLARE21 demonstrate that VoxShield successfully degrades 3D segmentation performance, reducing the DSC from 80.0% to near 0.0% and from 88.6% to 6.8%, respectively. All protections are achieved with minimal perturbation ($ε=4/255$) to preserve high visual fidelity. The code is available at https://github.com/KK266299/VoxShield.
• Abstract（参考訳）: パブリックな3D医療画像セグメンテーション(MIS)データセットのリリースは、臨床研究を加速すると同時に、認可されていないAIモデルのトレーニングのリスクを高める。 Unlearnable Examples (UE)は、効果的なモデル学習を防ぐために知覚できない摂動を注入することで保護を提供するが、既存の手法は主に2Dシナリオをターゲットにしている。 彼らは、3Dセグメンテーションネットワークにおいて重要な学習先となる3D医療ボリュームに固有の空間的相関と解剖学的相互整合性を無視した。 このギャップを埋めるために,3次元ネットワークの体積帰納バイアスを明示的に対象とするUEフレームワークであるVoxShieldを提案する。 私たちの中核的な洞察は、3Dアーキテクチャが依存するクロススライス連続性を体系的に分解することで、空間集約プロセスを根本的に損なうことができるということです。 具体的には、隣接するスライス間のスペクトルのばらつきを最大化し、z$軸に沿って構造的不整合を注入するインタースライス周波数整合破壊機構を導入する。 この構造攻撃を補完するセマンティック予測破壊モジュールが組み込まれている。 クリーンロジットと摂動ロジット間の$\ell_1$のばらつきを最大化することで、注入されたノイズをネットワーク全体に浸透させ、最終的なセマンティックマッピングを破損させる。 BraTS19とFLARE21の実験では、VoxShieldは3Dセグメンテーション性能の劣化に成功し、DSCは80.0%から0.0%近くまで低下し、それぞれ88.6%から6.8%に低下した。 すべての保護は、高い視力を維持するために、最小の摂動(ε=4/255$)で達成される。 コードはhttps://github.com/KK266299/VoxShieldで公開されている。

関連論文リスト

• LightSplit: Practical Privacy-Preserving Split Learning via Orthogonal Projections [54.51153206716027]
  Split Learning(SL)は、ニューラルネットワークをクライアントと中央サーバに分割することで、協調的なトレーニングを可能にする。 カット層に軽量な固定ランダムプロジェクションを適用することにより,情報露出を制限し,通信オーバーヘッドを低減するLightSplitを提案する。 提案手法は, 伝送次元の最大32倍の精度で, 95%以上の精度を維持できることを示した。
  論文  参考訳（メタデータ） (2026-05-13T09:45:49Z)
• Optimization in Sparse 2D to Dense 3D Weakly Supervised Learning: Application to Multi-Label Segmentation of Large ex vivo MRI Data [1.38067449150135]
  高分解能体外MRIの完全な3Dセグメント化は、容積アノテーションの禁止コストによって制限される。 我々は高分解能外脊髄MRIのマルチクラス分割のための分岐正則化の必要性を解析した。
  論文  参考訳（メタデータ） (2026-05-12T21:06:53Z)
• Structure-Adaptive Sparse Diffusion in Voxel Space for 3D Medical Image Enhancement [10.028882244604809]
  3次元3D画像強調は,CT,PET,MRIの診断において重要である。 そこで本研究では,一様サブサンプリングタイムステップのコンパクトなセット上で,サンプルをトレーニングし,サンプルをサンプル化する,スパースボクセル空間拡散フレームワークを提案する。 我々のフレームワークは、圧縮を損なわずに微細な解剖学的詳細を保存しつつ、最大10倍のトレーニングアクセラレーションを実現している。
  論文  参考訳（メタデータ） (2026-04-20T03:52:49Z)
• Anatomy Aware Cascade Network: Bridging Epistemic Uncertainty and Geometric Manifold for 3D Tooth Segmentation [13.650721192161079]
  境界のあいまいさを解消し,グローバルな構造的整合性を維持するために,AACNet(Anatomy Aware Cascade Network)を提案する。 AACNetは90.17 %のDice類似度係数と95%のHausdorff Distanceの3.63 mmを実現し,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-01-12T12:53:27Z)
• JanusNet: Hierarchical Slice-Block Shuffle and Displacement for Semi-Supervised 3D Multi-Organ Segmentation [8.81080587136333]
  我々は3次元医療データのためのデータ拡張フレームワークであるJanusNetを提案する。 私たちのSlice-Block Shuffleステップは、ランダムな軸に沿ってボリュームに同じインデックススライスブロックをシャッフルします。 我々の信頼誘導変位ステップは、予測信頼性を利用して各スライス内のブロックを置換し、困難な領域からの信号を増幅する。
  論文  参考訳（メタデータ） (2025-08-06T01:08:02Z)
• Toward Availability Attacks in 3D Point Clouds [28.496421433836908]
  距離正規化による2次元アベイラビリティーアタックを3次元点群に直接適用することは, 縮退の影響を受けやすいことを示す。 特徴空間に新たなショートカットを生成するFC-EM(Feature Collision Error-Minimization)法を提案する。 典型的なポイントクラウドデータセット,3次元頭蓋内動脈瘤医療データセット,および3次元顔データセットを用いて,我々のアプローチの優位性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-06-26T08:13:30Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)

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。