論文の概要: Auditing Patient Privacy in Medical Generative Models: Scalable Memorization Detection with DeepSSIM++

• arxiv url: http://arxiv.org/abs/2609.03615v1
• Date: Thu, 03 Sep 2026 09:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.009049
• Title: Auditing Patient Privacy in Medical Generative Models: Scalable Memorization Detection with DeepSSIM++
• Title（参考訳）: 医療生成モデルにおける患者のプライバシの監査:DeepSSIM++を用いたスケーラブルな記憶検出
• Abstract要約: DeepSSIM++は、医療生成モデルにおけるスケーラブルな記憶監査のための自己教師付き類似度指標である。 マルチスケールの特徴集約と解剖保存拡張を活用することで、DeepSSIM++は、コサイン類似度が構造類似度指数(SSIM)に近似する埋め込み空間を学習する。 DeepSSIM++は、理想的なアライメントで33ポイント、現実的な空間と強度の摂動で46ポイントという平均的なマクロF1改善を実現している。
• 参考スコア（独自算出の注目度）: 4.465016470513064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While deep generative models offer new opportunities for medical image synthesis and data sharing, their ability to memorize and reproduce training samples raises serious concerns about patient confidentiality. Detecting such memorization at scale remains challenging: traditional pixel-based metrics are sensitive to generation artifacts, whereas generic embedding-based metrics often lack the anatomical sensitivity required for medical data. To address this challenge, we introduce DeepSSIM++, a self-supervised similarity metric for scalable memorization auditing in medical generative models. By leveraging multi-scale feature aggregation and anatomy-preserving augmentations, DeepSSIM++ learns an embedding space where cosine similarity approximates the Structural Similarity Index (SSIM), eliminating the need for exact pixel-level registration. Compared with state-of-the-art baselines, DeepSSIM++ achieves an average Macro F1 improvement of 33 percentage points under ideal alignment and 46 percentage points under realistic spatial and intensity perturbations. Furthermore, it accelerates large-scale similarity computation by several orders of magnitude compared with analytical SSIM. By combining anatomical sensitivity and computational efficiency, DeepSSIM++ provides an open-source tool for scalable memorization auditing in medical generative AI. Code and data are publicly available at: https://github.com/brAIn-science/DeepSSIM.
• Abstract（参考訳）: 深層生成モデルは、医用画像合成とデータ共有の新しい機会を提供する一方で、トレーニングサンプルを記憶・再生する能力は、患者の機密性に対する深刻な懸念を引き起こす。 従来のピクセルベースのメトリクスは生成アーティファクトに敏感であるのに対して、一般的な埋め込みベースのメトリクスは医療データに必要な解剖学的感度を欠いていることが多い。 この課題に対処するために、医療生成モデルにおけるスケーラブルな記憶監査のための自己教師付き類似度指標であるDeepSSIM++を紹介する。 マルチスケールの機能集約と解剖保存の強化を活用することで、DeepSSIM++は、コサイン類似度が構造類似度指数(Structure similarity Index, SSIM)に近似する埋め込み空間を学習し、正確なピクセルレベルの登録を不要にする。 最先端のベースラインと比較すると、DeepSSIM++は理想的なアライメントで33ポイント、現実的な空間と強度の摂動で46ポイント、平均的なマクロF1改善を実現している。 さらに、解析的SSIMと比較して、大規模類似性計算を数桁の規模で高速化する。 解剖学的感度と計算効率を組み合わせることで、DeepSSIM++は、医療生成AIのスケーラブルな記憶監査のためのオープンソースツールを提供する。 コードとデータは、https://github.com/brAIn-science/DeepSSIMで公開されている。

関連論文リスト

• VesselSim: learning 3D blood vessel segmentation without expert annotations [7.634402582162916]
  ユニバーサル3D血管セグメンテーションのための2段階フレームワークである VesselSim を提案する。 3D U-Netは、合成データのみに基づいて訓練され、16,500の解剖学的に妥当な3D血管造影ボリュームを生成する。 VesselSimは最先端のセグメンテーション基盤モデルと競合するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-05-25T19:04:18Z)
• Fake It Right: Injecting Anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation [21.75204301463342]
  ビジョントランスフォーマー(ViT)は3次元の医療セグメンテーションで優れるが、大量のデータセットを必要とする。 Formula-Driven Supervised Learning (F)は、合成数学的プリミティブを事前学習することで、プライバシ保護の代替手段を提供する。 本稿では,Fの無限拡張性と解剖学的リアリズムを一体化するための注釈付きインフォームド・シンセティック・アナトロジー・プレトレーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-01T08:15:18Z)
• 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)
• A Novel Metric for Detecting Memorization in Generative Models for Brain MRI Synthesis [4.16184304316315]
  DeepSSIMは生成モデルにおける記憶の定量化のための新しい指標である。 DeepSSIMは優れたパフォーマンスを実現し、F1スコアを最高の既存メソッドよりも平均+52.03%向上させる。
  論文  参考訳（メタデータ） (2025-09-20T09:08:08Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• 3D MRI Synthesis with Slice-Based Latent Diffusion Models: Improving Tumor Segmentation Tasks in Data-Scarce Regimes [2.8498944632323755]
  本稿では,ボリュームデータ生成の複雑さに対処するスライスに基づく遅延拡散アーキテクチャを提案する。 この手法は,医療用画像と関連するマスクの同時分布モデルを拡張し,データスカース体制下での同時生成を可能にする。 構造は, 大きさ, 形状, 相対位置などの腫瘍特性によって調節できるため, 腫瘍の多様性は様々である。
  論文  参考訳（メタデータ） (2024-06-08T09:53:45Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Generalized Iris Presentation Attack Detection Algorithm under Cross-Database Settings [63.90855798947425]
  プレゼンテーションアタックは、バイオメトリックなモダリティの大部分に大きな課題をもたらす。 本稿では,汎用的な深層学習に基づくプレゼンテーション攻撃検出ネットワークであるMVANetを提案する。 これはハイブリッドアルゴリズムの単純さと成功、あるいは複数の検出ネットワークの融合にインスパイアされている。
  論文  参考訳（メタデータ） (2020-10-25T22:42:27Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)

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。