論文の概要: The K-Space Signature: Frequency-Domain Representation Learning for Medical Deepfake Detection

• arxiv url: http://arxiv.org/abs/2607.29541v2
• Date: Mon, 03 Aug 2026 13:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.301222
• Title: The K-Space Signature: Frequency-Domain Representation Learning for Medical Deepfake Detection
• Title（参考訳）: K空間信号:医療用ディープフェイク検出のための周波数領域表現学習
• Authors: Riccardo Raciti, Francesco Guarnera, Francesco Rundo, Luca Guarnera, Sebastiano Battiato,
• Abstract要約: 医用画像では、生成モデルは現実的なデータを合成し、限られたデータセットを増やすためにますますデプロイされている。 これらのモデルは悪意のある意図のために再利用することができ、メディカルディープフェイクを作成することで公衆衛生を脅かす。 我々は、スペクトル領域内でハードウェアと生成トレースを分離する新しいフレームワークであるK-Space Signature (KSS)を紹介した。
• 参考スコア（独自算出の注目度）: 7.5579492133859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medical imaging, generative models are increasingly deployed to synthesize realistic data and augment limited datasets. Unfortunately, while beneficial for privacy-preserving data sharing, these synthesized images can be repurposed for malicious intents, threatening public health through the creation of Medical Deepfakes. To address this threat, we introduce the K-Space Signature (KSS), a novel forensic framework that isolates hardware and generative traces within the spectral domain. By shifting analysis to the frequency domain, the KSS suppresses macroscopic anatomical variance by subtracting an empirical global anatomical prior computed in the Logarithmic Power Spectral Density (Log-PSD) space. To effectively process these globally distributed spectral artifacts without the local spatial bias inherent to Convolutional Neural Networks, we pair the KSS representation with a novel 3D MLP-Mixer architecture equipped with an ArcFace metric-learning head. Extensive experiments on multi-center 3D MRI datasets demonstrate that this combined approach achieves exceptional detection performance, exceeding 0.99 Accuracy and ROC-AUC on multi-generator synthetic datasets. Furthermore, the framework exhibits robust zero-shot generalization, maintaining strong discriminative power (up to 0.93 Accuracy) on independent datasets acquired from entirely unseen scanners. To ensure full reproducibility, the complete source code and pre-trained models will be made publicly available upon acceptance.
• Abstract（参考訳）: 医用画像では、生成モデルは現実的なデータを合成し、限られたデータセットを増やすためにますますデプロイされている。 残念ながら、プライバシー保護データ共有には有益だが、これらの合成画像は悪意のある意図のために再利用され、医療用ディープフェイクを作成することで公衆衛生を脅かすことができる。 この脅威に対処するために、スペクトル領域内でハードウェアと生成トレースを分離する新しい法医学フレームワークであるK-Space Signature (KSS)を導入する。 周波数領域に解析を移すことにより、KSSは対数パワースペクトル密度(Log-PSD)空間で計算された経験的グローバルな解剖学を減じることで、マクロな解剖学的分散を抑制する。 畳み込みニューラルネットワークに固有の局所的空間バイアスを伴わずに、これらのグローバル分散スペクトルアーティファクトを効果的に処理するために、KSS表現と、ArcFace計量学習ヘッドを備えた新しい3次元MLP-Mixerアーキテクチャをペアリングする。 マルチセンター3D MRIデータセットに対する大規模な実験により、この組み合わせは、マルチジェネレータ合成データセット上の0.99精度とROC-AUCを超える例外的な検出性能を達成することが示された。 さらに、このフレームワークは堅牢なゼロショットの一般化を示し、完全に見えないスキャナーから取得した独立したデータセットに対して強力な識別力(最大0.93精度)を維持する。 完全な再現性を確保するため、完全なソースコードと事前訓練されたモデルは、受理時に公開される。

関連論文リスト

• Anatomically-conditioned Latent Diffusion Model for Data-Efficient Few-Shot Cross-Domain 3D Glioma MRI Synthesis [1.4312099612976772]
  解剖学的条件付き潜在拡散モデル(ALDM)は,データ効率,少数ショットMRI合成のための新しいフレームワークである。 ターゲット画像は16枚しかなく、極端に数発の撮影で評価された。
  論文  参考訳（メタデータ） (2026-06-24T04:42:42Z)
• Wavelet-Fusion Diffusion Model for Multimodal Brain MRI Synthesis with Modality and Metadata Conditioning [0.0]
  マルチモーダルMRI(Multimodal MRI)は、異なる画像モダリティが解剖学的、組織学的、病理学的特徴を捉える神経画像解析に補完的な情報を提供する。 大規模な構造MRIリソースはますます利用可能になっているが、そのモダリティのカバレッジは、パブリックおよびプール化されたニューロイメージングデータセットで不均一であることが多い。 本研究では,Wavelet-Fusion 変分オートエンコーダ (WF-VAE) と条件付き3次元U-Net拡散モデルを組み合わせた。
  論文  参考訳（メタデータ） (2026-05-30T11:57:27Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Unified Supervision For Vision-Language Modeling in 3D Computed Tomography [1.4193731654133002]
  汎用視覚言語モデル(VLM)は放射線学において有望なツールとして登場し、ゼロショット機能を提供している。 診断放射線学のような高度な領域では、これらのモデルは信頼できる臨床使用に必要な識別精度を欠いていることが多い。 分類ラベルやセグメンテーションマスクにエンコードされた多種多様な監視信号を統合するボリュームVLMであるUniferumを,単一のトレーニングフレームワークに導入する。
  論文  参考訳（メタデータ） (2025-09-01T15:30:17Z)
• AnatoMaskGAN: GNN-Driven Slice Feature Fusion and Noise Augmentation for Medical Semantic Image Synthesis [1.5295022700131624]
  AnatoMaskGANはスライスに関連する空間的特徴を埋め込んで、スライス間のコンテキスト依存を正確に集約する。 多様な画像拡張戦略を導入し、複雑な医用画像の性能向上のために、深い特徴学習を最適化する。
  論文  参考訳（メタデータ） (2025-08-15T10:19:38Z)
• 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)
• Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
  我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。 この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
  論文  参考訳（メタデータ） (2023-12-16T14:27:06Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。