2026年7月22日、arXivにて「DS@GT ARC at ImageCLEFmed GANs 2026: Geometric Filtering for Privacy-Preserving CT Slice Generation」と題する論文が公開されました。著者はEric Regina氏らです。本論文は、ImageCLEFmed GANs 2026チャレンジのために開発された、肺CTスライス合成におけるプライバシー保護フレームワークを提案しています。
このフレームワークは、最適輸送条件付きフローマッチング（OT-CFM）とプライバシー指向のトレーニングを組み合わせ、さらに後処理として「スーパーバイザー」パイプラインを導入します。このパイプラインは、オートエンコーダ埋め込み、行列式点過程（DPP）、およびSteinカーネル間引き（SKT）を利用して、学習された幾何学的潜在空間内で生成された候補画像をフィルタリングし、プライバシーリスクの高いサンプルを除去します。
公式チャレンジの結果は、この手法がリアリズムとプライバシーの間で優れたトレードオフを達成することを示しています。最も性能の高いモデルは、プライバシー保存スコア（PPS）0.549、FID（Fréchet Inception Distance）0.3290を記録し、生成画像が実画像と遜色ない視覚的品質を持つことを示しました。
幾何学的フィルタリングは、最近傍記憶化（モデルがトレーニング画像を直接コピーすること）やメンバーシップ推論攻撃（特定のサンプルがトレーニングセットに含まれているかどうかを推測する攻撃）を大幅に低減しましたが、患者再識別スコアは依然として高いままでした。これは、直接的な画像コピーの防止だけでは、画像に埋め込まれたより深い患者固有の解剖学的特徴を除去するには不十分であることを示しています。この発見は、将来の医用画像生成におけるプライバシー保護対策、例えば特徴レベルの難読化や差分プライバシー技術の必要性を強調しています。本研究は、プライバシー保護型医用画像合成の分野に新たな研究方向性を提供し、実用的な評価基準を確立しました。