論文の概要: Quantifying privacy risks in foundation model representations of brain MRI
- arxiv url: http://arxiv.org/abs/2610.20494v1
- Date: Wed, 14 Oct 2026 17:03:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.261482
- Title: Quantifying privacy risks in foundation model representations of brain MRI
- Title（参考訳）: 脳MRIの基礎モデル表現におけるプライバシーリスクの定量化
- Abstract要約: 事前訓練された表現は、元のスキャンを公開することなく、医療画像からの情報を共有し、再利用するためにますます使われています。
我々は、異なるアーキテクチャにまたがる5つの事前訓練エンコーダ、事前訓練対象、および2つの縦型T1重み付きデータセット上での訓練領域を評価する。
以上の結果から、生の脳MRIを学習した埋め込みに置き換えるだけでは、患者リンクや属性推論のリスクを排除できないことが示唆された。
- 参考スコア（独自算出の注目度）: 0.8275967144334566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pretrained representations are increasingly used to share and reuse information from medical images without exposing the original scans, but it is unclear how much patient-specific information these representations retain. We investigate this question for brain magnetic resonance imaging (MRI) by evaluating five frozen pretrained encoders spanning different architectures, pretraining objectives, and training domains on two longitudinal T1-weighted datasets, OASIS-2 and MIRIAD. Under an attacker model with access to released embeddings, the corresponding public encoder, and auxiliary MRI scans, we evaluate patient linkage and sensitive-attribute inference. Across the evaluated representations, we observe substantial subject-specific information: rank-1 patient linkage reaches up to 99\% on MIRIAD and exceeds 90\% on OASIS-2 for the highest-risk representation, despite the absence of an identification objective during encoder training. We further show that the released embeddings retain information about a demographic attribute, with recorded-sex prediction reaching balanced accuracy of 90.9\% on OASIS-2 and 95.5\% on MIRIAD. Overall, our results demonstrate that replacing raw brain MRI with learned embeddings does not, by itself, eliminate patient-linkage or attribute-inference risk, and is therefore insufficient on its own to establish anonymity.
- Abstract（参考訳）: トレーニング済みの表現は、元のスキャンを露出することなく、医療画像からの情報を共有し、再利用するために使われることが多いが、これらの表現がどれだけ患者固有の情報を保持するかは定かではない。
我々は, 異なるアーキテクチャにまたがる5つの凍結前訓練エンコーダ, 事前訓練目的, および2つの縦型T1重み付きデータセット(OASIS-2とMIRIAD)のトレーニング領域を評価することで, 脳磁気共鳴画像(MRI)の課題を考察した。
本研究は, 患者間リンクと感度属性推論を解析し, 被写体埋め込み, 対応する公開エンコーダ, 補助MRIスキャンにアクセスできるアタッカーモデルについて検討した。
エンコーダ訓練中の識別対象が欠如しているにもかかわらず,MIRIADではランク-1患者リンクが最大99%まで到達し,OASIS-2では最大99%を超えることが評価された。
さらに,OASIS-2では90.9\%,MIRIADでは95.5\%となった。
総じて, 生の脳MRIを学習した埋め込みに置き換えることは, 患者リンクや属性推論のリスクを排除せず, 匿名性を確立するのに不十分であることを示す。
関連論文リスト
- WASP: Weakly Aligned Spatiotemporal Pairs for Fetal Brain MRI-Ultrasound Learning [46.24086098046692]
Weakly Aligned Spatiotemporal Pairs (WASP) は、エントロピー最適輸送問題としてクロスモーダル対応を定式化するためのフレームワークである。
プレトレーニング中にMRIがモデルに見当たらない場合,WASPは最大の利得が得られることを示す。
論文 参考訳（メタデータ） (2026-10-03T15:41:00Z) - Catching MRI outliers: unsupervised detection and localization of MRI artefacts and clinical anomalies using deep learning [0.0]
骨盤MRIと脳MRIの完全自動化・教師なし異常検出フレームワークの開発と評価を行った。
負の対数類似度に基づくトークン・サブプライムスコアと知覚的画像差を組み合わせて異常な証拠を推定した。
熱マップ解析の結果,検出された異常点と接地位置との間には強い空間的一致が認められた。
論文 参考訳（メタデータ） (2026-05-23T14:44:31Z) - Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。
モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。
この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
論文 参考訳（メタデータ） (2026-04-13T03:59:54Z) - SAMM2D: Scale-Aware Multi-Modal 2D Dual-Encoder for High-Sensitivity Intracrania Aneurysm Screening [0.0]
本稿では,RSNAの頭蓋内動脈瘤データセット上でAUC0.686を達成するデュアルエンコーダフレームワークであるSAMM2Dを紹介する。
以上の結果から,将来の医療画像は,より複雑な拡張パイプラインよりも,強い事前訓練の恩恵を受ける可能性が示唆された。
論文 参考訳（メタデータ） (2025-12-20T01:44:30Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - SpurBreast: A Curated Dataset for Investigating Spurious Correlations in Real-world Breast MRI Classification [0.4999814847776096]
SpurBreastは乳房MRIのキュレートされたデータセットで,スプリアス相関を意図的に組み込んでモデル性能への影響を評価する。
我々は、患者、デバイス、画像プロトコルを含む100以上の特徴を分析し、磁場強度と画像配向の2つの主要な刺激信号を特定する。
制御されたデータセット分割により、DNNはこれらの非クリニカル信号を利用して、偏りのないテストデータへの一般化に失敗しながら高い検証精度を達成できることを示す。
論文 参考訳（メタデータ） (2025-10-02T15:16:20Z) - SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - Bayesian Neural Networks for 2D MRI Segmentation [0.0]
本稿では,MRIセグメンテーションのための不確実性認識モデルであるBA U-Netを紹介する。
BA U-Netは正確で解釈可能な結果を提供し、信頼性の高い病理検査に不可欠である。
論文 参考訳（メタデータ） (2023-11-24T23:54:33Z) - Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。
MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。
具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
論文 参考訳（メタデータ） (2023-01-30T18:33:32Z)
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。