論文の概要: DS@GT ARC at ImageCLEFmed GANs 2026: Geometric Filtering for Privacy-Preserving CT Slice Generation
- arxiv url: http://arxiv.org/abs/2607.20692v1
- Date: Wed, 22 Jul 2026 19:46:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.210999
- Title: DS@GT ARC at ImageCLEFmed GANs 2026: Geometric Filtering for Privacy-Preserving CT Slice Generation
- Title（参考訳）: DS@GT ARC at ImageCLEFmed GANs 2026: Geometric Filtering for Privacy- Preserving CT Slice Generation
- Authors: Eric Regina, Richard Arnaud, Samir Hadi Cisneros,
- Abstract要約: 本稿では,画像CLEFを用いたGANs 2026チャレンジのために開発された合成肺CTスライス生成のためのプライバシ保護フレームワークを提案する。
このアプローチは、最適輸送条件フローマッチングとプライバシ指向のトレーニングと、ポストジェネレーションの"スーパーバイザ"パイプラインを組み合わせたものだ。
公式な結果は、プライバシー保護スコア0.549を達成し、FID0.3290で競争力のある視覚的忠実度を達成できる最高のパフォーマンスモデルである、強力なリアリズムとプライバシのトレードオフを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a privacy-preserving framework for synthetic lung CT slice generation developed for the Image-CLEFmed GANs 2026 challenge. The approach combines Optimal Transport Conditional Flow Matching with privacy-oriented training and a post-generation "Supervisor" pipeline that filters generated candidates in learned geometric latent spaces using autoencoder embeddings, Determinantal Point Processes, and Stein Kernel Thinning. Official results show a strong realism-privacy trade-off, with the best-performing model achieving a Privacy Preservation Score of 0.549 and competitive visual fidelity with an FID of 0.3290. While the proposed geometric filtering substantially reduces nearest-neighbor memorization and membership-inference leakage, persistent patient re-identification scores indicate that preventing direct image copying is not sufficient to remove deeper patient-specific anatomical identity, highlighting an important frontier for future privacy-preserving medical image generation.
- Abstract（参考訳）: 本稿では,画像CLEFを用いたGANs 2026チャレンジのために開発された合成肺CTスライス生成のためのプライバシ保護フレームワークを提案する。
このアプローチは、最適輸送条件フローマッチングとプライバシ指向のトレーニングと、オートエンコーダの埋め込み、決定ポイントプロセス、スタインカーネルの薄型化を使用して、学習された幾何学的潜在空間で生成された候補をフィルタリングする、後の"スーパーバイザ"パイプラインを組み合わせる。
公式な結果は、プライバシー保護スコア0.549を達成し、FID0.3290で競争力のある視覚的忠実度を達成できる最高のパフォーマンスモデルである、強力なリアリズムとプライバシのトレードオフを示している。
提案した幾何フィルタリングは,近辺の暗記や会員推論のリークを著しく低減するが,患者の再識別スコアは,直接画像コピーの防止が患者固有の解剖学的アイデンティティの深化に十分でないことを示し,将来のプライバシ保存医療画像生成における重要なフロンティアを浮き彫りにしている。
関連論文リスト
- Synthetic Cardiac MRI Image Generation using Deep Generative Models [0.4733942082447995]
人工心臓MRI(CMRI)は, 注記医用画像データの不足を克服するための有望な戦略として浮上している。
GAN、VAE、拡散確率モデル、フローマッチング技術の最近の進歩は、解剖学的に正確な画像を生成することを目的としている。
このレビューは、忠実度、実用性、プライバシのレンズによる既存のCMRI生成アプローチを比較することを目的としている。
論文 参考訳（メタデータ） (2026-03-25T19:37:05Z) - Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks [2.4149105714758545]
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。
論文 参考訳（メタデータ） (2026-03-04T12:05:45Z) - Synthesis of Late Gadolinium Enhancement Images via Implicit Neural Representations for Cardiac Scar Segmentation [5.831251510136535]
後期ガドリニウム造影(LGE)は、心筋傷の診断における臨床標準である。
LGE画像と対応するセグメンテーションマスクの両方を合成する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-12T13:38:07Z) - SIDeR: Semantic Identity Decoupling for Unrestricted Face Privacy [53.75084833636302]
本稿では,非制限顔プライバシー保護のためのセマンティックデカップリング駆動フレームワークSIDeRを提案する。
SIDeRは、顔画像をマシン認識可能な識別特徴ベクトルと視覚的に知覚可能なセマンティックな外観成分に分解する。
認証されたアクセスのために、SIDeRは正しいパスワードが提供されるときに元の形式に復元できる。
論文 参考訳（メタデータ） (2026-02-04T19:30:48Z) - Edge-Native Generative De-identification: Inversion-Free Flow for Privacy-Preserving Federated Skin Image Analysis [1.8864137667201766]
臨床皮膚学のためのフェデレートラーニング(FL)は、患者のプライバシ保護と診断機能の保存という競合する要件によって妨げられている。
本稿では,クライアント側プライバシ保護ユーティリティとして機能するアイデンティティに依存しない保存病理の枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-31T17:19:23Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Sensitivity, Specificity, and Consistency: A Tripartite Evaluation of Privacy Filters for Synthetic Data Generation [57.13635002340272]
個人識別可能な情報を含むサンプルを除去するためのポストホックプライバシーフィルタリング技術が提案されている。
本研究は胸部X線合成に適用した濾過パイプラインの厳密な評価を行う。
これらの手法がセンシティブなアプリケーションに確実にデプロイされるためには,フィルタ設計の大幅な進歩が必要であると結論付けている。
論文 参考訳（メタデータ） (2025-10-02T08:32:20Z) - OpticalDR: A Deep Optical Imaging Model for Privacy-Protective
Depression Recognition [66.91236298878383]
抑うつ認識(DR)は、特にプライバシー上の懸念の文脈において、大きな課題となる。
我々は,疾患関連特徴を保持しつつ,撮像した顔画像の識別情報を消去する新しいイメージングシステムを設計した。
正確なDRに必要な本態性疾患の特徴を保ちながら、アイデンティティ情報の回復には不可逆である。
論文 参考訳（メタデータ） (2024-02-29T01:20:29Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-24T17:29:26Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。