論文の概要: Secure-by-Disguise: A Systematic Evaluation of Image Disguising for Confidential Medical Image Modeling
- arxiv url: http://arxiv.org/abs/2607.08867v1
- Date: Thu, 09 Jul 2026 18:43:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.730781
- Title: Secure-by-Disguise: A Systematic Evaluation of Image Disguising for Confidential Medical Image Modeling
- Title（参考訳）: セキュア・バイ・ディグライズ(Secure-by-Disguise) : 信頼できる医用画像モデリングのためのイメージ・ディグライジングの体系的評価
- Abstract要約: クラウドベースのディープラーニングは、大規模な医療画像解析を可能にするが、センシティブな患者イメージがモデル開発のためにアウトソースされた場合、プライバシー上の重大な懸念が生じる。
Image Disguisingは、イメージを視覚的に理解できない表現に変換する、将来性のあるプライバシー向上技術(PET)として登場した。
- 参考スコア（独自算出の注目度）: 15.1132488412831
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud-based deep learning enables large-scale medical image analysis but raises significant privacy concerns when sensitive patient images are outsourced for model development. Image disguising has recently emerged as a promising privacy-enhancing technology (PET) that transforms images into visually unintelligible representations while preserving information for downstream learning. We established a unified framework to evaluate representative methods, DisguisedNets and NeuraCrypt, across four datasets involving classification and semantic segmentation tasks. Our analysis assessed predictive utility, efficiency, and robustness against reconstruction attacks. Results showed that image disguising performance varies significantly between tasks; while methods preserved utility for medical image classification, they caused substantial degradation in dense semantic segmentation. Specifically, Randomized Multidimensional Transformation (RMT) offered the optimal balance of performance and security, whereas AES-based disguising severely impacted utility. Furthermore, regression-based reconstruction attacks effective on natural images proved considerably less successful on realistic medical images. These findings provide a systematic assessment of PET suitability for confidential medical AI applications.
- Abstract（参考訳）: クラウドベースのディープラーニングは、大規模な医療画像解析を可能にするが、センシティブな患者イメージがモデル開発のためにアウトソースされた場合、プライバシー上の重大な懸念が生じる。
Image Disguisingは最近、画像が視覚的に理解できない表現に変換され、下流学習のための情報を保存する、有望なプライバシー保護技術(PET)として登場した。
分類とセマンティックセグメンテーションタスクを含む4つのデータセットに対して,代表的手法であるDisguizedNetsとNeuraCryptを評価する統一的なフレームワークを構築した。
本分析では,再建攻撃に対する予測的有用性,効率性,堅牢性を評価した。
その結果, 画像の分解性能はタスクによって大きく異なり, 医用画像分類に有用な手法が保存されている一方で, 密接なセマンティックセグメンテーションが著しく低下した。
特にRandomized Multidimensional Transformation (RMT)はパフォーマンスとセキュリティの最適なバランスを提供し、AESベースの使い勝手は著しく影響した。
さらに、自然な画像に有効な回帰ベースの再構成攻撃は、現実的な医療画像では顕著に成功しなかった。
これらの知見は、機密医療AI応用におけるPET適合性の体系的評価を提供する。
関連論文リスト
- Text Over Image: Auditing Multimodal Robustness in Synthetic Medical Image Detection [38.146353416394234]
我々は、画像記録インタフェースにおけるマルチモーダルロバスト性の監査として、合成医用画像検出を再構成する。
メタデータのコンテキストだけを変えることで、信頼性の判断を覆すことがわかりました。
そこで本研究では,モデルの再学習を伴わずに,予測時間短縮パイプラインを用いて前兆ショートカットの検出と中和を行う。
論文 参考訳（メタデータ） (2026-06-24T04:08:41Z) - From Redaction to Restoration: Deep Learning for Medical Image Anonymization and Reconstruction [0.0]
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。
論文 参考訳（メタデータ） (2026-04-13T12:15:52Z) - Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。
モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。
この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
論文 参考訳（メタデータ） (2026-04-13T03:59:54Z) - Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。
RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。
我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
論文 参考訳（メタデータ） (2025-09-11T06:15:52Z) - 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) - Adversarial-Robust Transfer Learning for Medical Imaging via Domain
Assimilation [17.46080957271494]
医用画像が公開されていないため、現代のアルゴリズムは、大量の自然画像に基づいて事前訓練されたモデルに依存するようになった。
自然画像と医療画像の間に重要なエムドメインの相違があり、AIモデルは敵の攻撃に対するエムの脆弱性を高める。
本稿では,テクスチャと色適応を伝達学習に導入する Em ドメイン同化手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T06:39:15Z) - Towards Robust General Medical Image Segmentation [2.127049691404299]
一般医用画像分割システムのロバスト性を評価するための新しい枠組みを提案する。
ROG(RObust Generic Medical Image segmentation)のための新しい格子アーキテクチャを提案する。
以上の結果から,ROGはMSDの様々なタスクにまたがる一般化が可能であり,高度な敵攻撃下での最先端技術を上回ることが示唆された。
論文 参考訳（メタデータ） (2021-07-09T07:17:05Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳（メタデータ） (2020-12-10T13:56:00Z) - 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) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳（メタデータ） (2020-08-03T07:56:04Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。