Метод обнаружения характерных паттернов реальных пациентов на сгенерированных изображениях
https://doi.org/10.35596/1729-7648-2025-23-1-47-53
Аннотация
Генеративные диффузионные модели являются общепризнанным методом генерации высококачественных изображений. Однако среди исследований есть примеры, подтверждающие, что диффузионные модели менее конфиденциальны, чем генеративные модели, такие как генеративные состязательные сети и растущее семейство их модификаций. Обнаруженные уязвимости требуют глубокого изучения различных аспектов безопасности. Это особенно важно для таких чувствительных областей, как задачи анализа медицинских изображений и их практическое применение. В статье рассмотрен метод обнаружения шаблонов изображений, представленных на сгенерированных изображениях, которые потенциально могут быть идентифицированы на реальных изображениях компьютерной томографии пациентов с туберкулезом лёгких. Метод включает следующие основные процедуры: корреляция пар сгенерированных и реальных изображений для предварительного выбора пар, которые предполагают дальнейший анализ; вычисление статистики корреляции с использованием прямого и обратного преобразований Фишера; выполнение аффинной регистрации изображений и расчет оценок парного сходства; нелинейная (эластичная) регистрация изображений и повторный расчет оценок сходства для выделения наиболее похожих/несхожих областей изображения.
Об авторе
В. А. Ковалев
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь
Беларусь
Минск
Список литературы
1. Koshino K., Werner R. A., Pomper M. G., Bundschuh R. A. Toriumi F., Higuchi T., et al. (2021) Narrative Review of Generative Adversarial Networks in Medical and Molecular Imaging. Annals of Translational Medicine. 9 (9), 821–835.
2. Chambon P., Bluethgen C., Langlotz C. P., Chaudhari A. (2022) Adapting Pretrained Vision-Language Foundational Models to Medical Imaging Domains. arXiv paper arXiv: 2210.04133. 1–17.
3. Kozlovski S., Kovalev V. (2019) Generation of Artificial Biomedical Image Datasets for Training Deep Learning Models. Pattern Recognition and Information Processing, 14th International Conference, Minsk, May 21–23, Belarusian State University of Informatics and Radioelectronics. 278–281.
4. Song Y., Ermon S. (2019) Generative Modeling by Estimating Gradients of the Data Distribution. 33rd Conference on Neural Information Processing Systems, Vancouver, Canada, Dec. 8–14. 115–119.
5. Ho J., Jain A., Abbeel P. (2020) Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems. 33, 6840–6851.
6. Carlini N., Hayes J., Nasr M., Jagielski M., Sehwag V., Tramer F., et al. (2023) Extracting Training Data from Diffusion Models. Proceedings of the 32nd USENIX Security Symposium, Anaheim, CA, USA, Aug. 9–11. 5253–5270.
7. Fisher R. A. (1915) The Frequency Distribution of the Values of the Correlation Coefficient in Samples of an Indefinitely Large Population. Biometrika. 10 (4), 507–521.
8. R Core Team (2022) R: A Language and Environment for Statistical Computing. Vienna, Foundation for Statistical Computing.
9. Heusel M., Ramsauer H., Unterthiner T., Nessler B., Hochreiter S. (2017) GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium. NIPS’17: Proceedings of the 31st International Conference on Neural Information Processing Systems. 6629–6640.
10. Ruthotto L., Modersitzki J. (2015) Non-Linear Image Registration. Handbook of Mathematical Methods in Imaging. Springer, New York.
11. Cover T. M., Thomas J. A. (1991) Elements of Information Theory. New York, John Wiley & Sons.
12. Maes F., Loeckx D., Vandermeulen D., Suetens P. (2015) Image Registration Using Mutual Information. Handbook of Biomedical Imaging. Springer. 295–308.
Рецензия
Для цитирования:
Ковалев В.А. Метод обнаружения характерных паттернов реальных пациентов на сгенерированных изображениях. Доклады БГУИР. 2025;23(1):47-53. https://doi.org/10.35596/1729-7648-2025-23-1-47-53
For citation:
Kovalev V.A. A Method for Detecting Distinctive Patterns of Real Patients in Generated Images. Doklady BGUIR. 2025;23(1):47-53. https://doi.org/10.35596/1729-7648-2025-23-1-47-53
Просмотров: 43
Послать статью по эл. почте 