論文の概要: MirrorNet: Can Medical Image Anonymization Really Protect Patient Identity?

• arxiv url: http://arxiv.org/abs/2608.05938v1
• Date: Thu, 06 Aug 2026 12:06:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.899126
• Title: MirrorNet: Can Medical Image Anonymization Really Protect Patient Identity?
• Title（参考訳）: MirrorNet:医療画像の匿名化は患者の身元を保護できるか?
• Abstract要約: 横断医療画像と非医療的患者識別画像とのサイクル一貫性対応を学習する。 結果は、未確認の医療スキャンが同定され続けており、事実上、患者の写真であることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical images are routinely de-identified---names, dates, and other metadata removed---and then shared for research, teaching, and public benchmarks under the assumption that this renders them anonymous. Such de-identification protects the metadata but not the pixels, and---apart from scans that directly contain facial structures---whether the image content itself identifies the patient has received little scrutiny. We investigate this question by learning a cycle-consistent correspondence between a cross-sectional medical image and a non-medical, patient-identifying image, using a pair of coupled, cycle-consistent variational autoencoders. From a held-out scan, the model recovers a recognisable likeness of the patient (identity-region MAE = 0.163); conversely, it synthesises a scan from such an image. These results indicate that a de-identified medical scan remains identifying---it is, in effect, a photograph of the patient---and that imaging data should be governed as biometric data rather than as anonymisable records. To support reproducibility, the code and trained models are shared at https://github.com/attilasimko/public-repository.
• Abstract（参考訳）: 医療画像は、名前、日付、その他のメタデータを定期的に識別し、研究、教育、公開ベンチマークのために共有する。 このような非識別は、メタデータを保護しますが、ピクセルではなく、顔の構造を直接含むスキャンとは別に、画像の内容自体が患者にほとんど精査されていないかどうかを判断します。 本稿では,横断医療画像と非医療的患者識別画像とのサイクル一貫性対応を,一対のサイクル一貫性変分オートエンコーダを用いて学習することにより検討する。 保持されたスキャンから、モデルは患者の認識可能な類似性(アイデンティティ領域MAE = 0.163)を回復し、逆に、そのような画像からスキャンを合成する。 これらの結果は、未同定の医療スキャンは、患者の写真であり、画像データは匿名レコードとしてではなく、生体データとして管理されるべきであることを示唆している。 再現性をサポートするために、コードとトレーニングされたモデルはhttps://github.com/attilasimko/public-repository.comで共有される。

関連論文リスト

• De-Identification of Medical Imaging Data: A Comprehensive Tool for Ensuring Patient Privacy [4.376648893167674]
  オープンソースツールを使用して、DICOMの磁気共鳴画像、コンピュータ画像、スライド画像全体、および磁気共鳴twixの生データを識別することができる。 複数種類の入力のための精巧な匿名化パイプラインを備えており、画像データの非識別に使用される追加ツールの必要性を低減している。
  論文  参考訳（メタデータ） (2024-10-16T09:31:24Z)
• Anonymizing medical case-based explanations through disentanglement [4.006745047019996]
  本稿では,画像の同一性や医学的特徴を識別する新しい手法を提案し,それを医用画像の匿名化に適用する。 切り離し機構は、画像内のいくつかの特徴ベクトルを置き換えると同時に、残りの特徴が保存されることを保証する。 また、原画像のアイデンティティを置き換え、匿名化を実現するために、合成プライバシ保護IDを製造するモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-08T16:58:58Z)
• Privacy Protection in MRI Scans Using 3D Masked Autoencoders [2.463789441707266]
  データ匿名化と非識別化は、個人の個人情報のプライバシーと機密性の確保に関係している。 CP-MAE(CP-MAE)を提案する。 私たちの方法では、解像度の高忠実度スキャンを最大2563ドルまで合成することができます。
  論文  参考訳（メタデータ） (2023-10-24T12:25:37Z)
• Privacy Assessment on Reconstructed Images: Are Existing Evaluation Metrics Faithful to Human Perception? [86.58989831070426]
  本研究では,手作りのメトリクスの忠実さを,再構成画像からの人間のプライバシー情報の認識に適用する。 本稿では,SemSimと呼ばれる学習に基づく尺度を提案し,オリジナル画像と再構成画像のセマンティック類似性を評価する。
  論文  参考訳（メタデータ） (2023-09-22T17:58:04Z)
• Deep Learning-based Anonymization of Chest Radiographs: A Utility-preserving Measure for Patient Privacy [7.240611820374677]
  従来の匿名化処理は、画像中の個人情報をブラックボックスで隠蔽して行う。 このような単純な測定は、胸部X線写真に生体情報を保持し、リンケージ攻撃によって患者の再同定を可能にする。 胸部X線画像の匿名化を目的とした,初となる深層学習型アプローチ(PriCheXy-Net)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T11:36:32Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Syfer: Neural Obfuscation for Private Data Release [58.490998583666276]
  我々は、再識別攻撃から保護するための神経難読化法であるSyferを開発した。 Syferはトレーニングされたレイヤをランダムニューラルネットワークで構成し、元のデータをエンコードする。 エンコードされたデータから診断を予測する能力を維持している。
  論文  参考訳（メタデータ） (2022-01-28T20:32:04Z)
• Conditional De-Identification of 3D Magnetic Resonance Images [29.075173293529947]
  本稿では,顔の特徴を除去する代わりに,顔の特徴をモデル化する新しい非識別手法を提案する。 提案手法は,下流の医療分析を損なうことなく,従来の手法よりもはるかにプライバシーを保護できることを実証する。
  論文  参考訳（メタデータ） (2021-10-18T15:19:35Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)

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。