論文の概要: High-Capacity Robust Medical Image Exfiltration via Neural Network Weight Replacement

• arxiv url: http://arxiv.org/abs/2609.31726v1
• Date: Tue, 22 Sep 2026 08:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:22:30.936442
• Title: High-Capacity Robust Medical Image Exfiltration via Neural Network Weight Replacement
• Title（参考訳）: ニューラルネットワークによる高容量ロバスト医用画像の抽出
• Abstract要約: 共同医療AIプラットフォームは、研究者がデータエクスポートを制限しながら、機密画像データでモデルをトレーニングすることを可能にする。 医療画像はモデルパラメータ内にエンコードされ、安全な環境の外で再構成される。 医用画像を連続的な潜伏表現としてエンコードする高容量神経ステガノグラフィーアタックを導入する。
• 参考スコア（独自算出の注目度）: 4.613829141527782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative medical AI platforms allow researchers to train models on sensitive imaging data while restricting data export. However, trained models can serve as covert carriers of patient information: medical images may be encoded within model parameters and reconstructed outside the secure environment. Existing defenses rely on lightweight sanitization (e.g., fine-tuning, pruning, quantization) and limited statistical auditing, creating a realistic insider exfiltration risk. We introduce a high-capacity neural steganography attack that encodes medical images as continuous latent representations embedded into model initialization. A StyleGAN2-based adversarial autoencoder learns compact latent codes regularized to match standard weight initialization statistics, keeping embedded parameters statistically consistent with clean models. Noise injection during training improves robustness to export-time mitigation. The carrier model remains functional on its intended task and hidden images can be reconstructed directly from its weights after export. This continuous encoding enables robust and scalable exfiltration, allowing up to 99 brain MRI volumes to be embedded within a 30MB model, and remains recoverable under mitigations that disrupt prior bit-level schemes. While reconstructions are approximate rather than pixel-exact, embedded content remains anatomically recognizable and recoverable at scale, exposing a privacy risk distinct from prior bit-level approaches. Experiments on MIMIC-CXR, BraTS, and LiTS demonstrate effectiveness across modalities, tasks, and architectures, highlighting the need for structural defenses beyond parameter-level sanitization. Code is available at https://github.com/ElieThellier/high-capacity-robust-medical-image-exfiltration.
• Abstract（参考訳）: 共同医療AIプラットフォームは、研究者がデータエクスポートを制限しながら、機密画像データでモデルをトレーニングすることを可能にする。 しかし、訓練されたモデルは患者情報の隠蔽キャリアとして機能し、医療画像はモデルパラメータにエンコードされ、安全な環境の外で再構成される。 既存の防御は、軽量な衛生化(例えば、微調整、プルーニング、量子化)と限られた統計監査に依存しており、現実的なインサイダー流出リスクを生み出している。 本稿では,医用画像をモデル初期化に組み込んだ連続潜時表現として符号化する高容量神経聴診攻撃を提案する。 StyleGAN2ベースの逆数オートエンコーダは、標準重量初期化統計値に適合するように正規化されたコンパクトな潜在符号を学習し、埋め込みパラメータをクリーンモデルと統計的に一致させる。 トレーニング中のノイズ注入は、輸出時間の緩和により堅牢性を向上させる。 キャリアモデルは、意図したタスクで機能し続け、隠れたイメージは、輸出後の重量から直接再構築することができる。 この連続符号化は、堅牢でスケーラブルな拡張を可能にし、最大99個の脳MRIボリュームを30MBモデル内に埋め込むことができ、以前のビットレベルのスキームを妨害する緩和の下で回復可能である。 再構成はピクセルエクササイズよりも近似的であるが、埋め込みコンテンツは解剖学的に認識可能であり、大規模に復元可能であり、従来のビットレベルのアプローチとは異なるプライバシーリスクが露呈する。 MIMIC-CXR、BraTS、LiTSの実験は、パラメータレベルのサニタイズ以上の構造的防御の必要性を強調し、モダリティ、タスク、アーキテクチャにまたがる効果を実証している。 コードはhttps://github.com/ElieThellier/high-capacity-robust-medical-image-exfiltrationで公開されている。

関連論文リスト

• A continually expandable foundation model for brain MRI [15.003502301993228]
  Alcmaeonは、425,000巻以上の手動ラベルなしで事前訓練された3次元脳MRI基礎モデルである。 臨床領域で順次拡張することができる。
  論文  参考訳（メタデータ） (2026-08-08T20:06:35Z)
• 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)
• Robust by Design: A Continuous Monitoring and Data Integration Framework for Medical AI [0.779547724026871]
  我々は、時間とともに堅牢なパフォーマンスを維持する自律的な継続的監視およびデータ統合フレームワークを提案する。 本手法では,モンテカルロのドロップアウトに基づく不確実性ゲーティングとマルチメトリック特徴解析を用いて,新しいデータの再トレーニングのタイミングを決定する。 マルチセンタデータセット上のResNet18アンサンブルによる実験では、このフレームワークはパフォーマンスの劣化を防ぐ。
  論文  参考訳（メタデータ） (2026-04-10T06:22:00Z)
• Few-Shot Deployment of Pretrained MRI Transformers in Brain Imaging Tasks [2.982793366290863]
  種々の脳画像タスクにおいて,事前訓練したMRIトランスフォーマーを数発配置するためのフレームワークを提案する。 Masked Autoencoder (MAE) 事前学習戦略を利用することで,タスクやデータセット間でよく一般化された,高度に伝達可能な潜在表現が得られる。
  論文  参考訳（メタデータ） (2025-08-07T18:53:28Z)
• Where's the liability in the Generative Era? Recovery-based Black-Box Detection of AI-Generated Content [53.93606081932928]
  APIアクセスのみを必要とする新しいブラックボックス検出フレームワークを導入する。 画像がモデル自身によって生成された可能性を測定する。 マスクされた画像入力をサポートしないブラックボックスモデルに対して、ターゲットモデル分布に適合するように訓練された費用効率の良い代理モデルを導入する。
  論文  参考訳（メタデータ） (2025-05-02T05:11:35Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
  我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。 本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
  論文  参考訳（メタデータ） (2023-03-26T14:14:58Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• FIBA: Frequency-Injection based Backdoor Attack in Medical Image Analysis [82.2511780233828]
  本稿では,様々な医療画像解析タスクにおいて,攻撃を行うことのできる新しい周波数注入型バックドアアタック法(FIBA)を提案する。 具体的には、FIBAは、両方の画像のスペクトル振幅を線形に組み合わせることで、トリガー画像の低周波情報を有毒画像に注入できる周波数領域のトリガー関数を利用する。
  論文  参考訳（メタデータ） (2021-12-02T11:52:17Z)

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。