DS@GT ARC 在 ImageCLEFmed GANs 2026 中的应用：用于隐私保护 CT 切片生成的几何过滤技术
该研究提出了一种隐私保护的肺CT切片合成框架，结合最优传输条件流匹配与几何过滤后处理，在ImageCLEFmed GANs 2026挑战中取得PPS 0.549和FID 0.3290的成绩，但患者重识别问题依然存在。
日前，一篇题为《DS@GT ARC at ImageCLEFmed GANs 2026: Geometric Filtering for Privacy-Preserving CT Slice Generation》的论文在arXiv上发布，作者包括Eric Regina等人。该研究针对ImageCLEFmed GANs 2026挑战赛，提出了一种用于合成肺部CT切片的隐私保护框架。
该框架的核心创新在于结合了最优传输条件流匹配（Optimal Transport Conditional Flow Matching, OT-CFM）与隐私导向训练，并在生成后引入了一个“监督器”管道。这个监督器利用自动编码器嵌入、行列式点过程（Determinantal Point Processes, DPP）和Stein核稀疏化（Stein Kernel Thinning, SKT），在学习的几何潜在空间中对生成的候选图像进行过滤，从而剔除那些可能泄露患者隐私的样本。
官方挑战结果显示，该方法在真实感与隐私保护之间取得了良好的平衡。性能最佳的模型达到了0.549的隐私保护得分（Privacy Preservation Score, PPS）以及0.3290的Fréchet Inception Distance（FID），后者表明生成的图像具有与真实图像相近的视觉质量。
然而，尽管几何过滤显著降低了最近邻记忆化（即模型直接复制训练图像）和成员推断攻击（判断某个样本是否在训练集中）的风险，但患者重识别得分仍然较高。这说明仅仅防止直接的图像复制并不足以消除嵌入在图像中的更深层患者特定解剖特征。这一发现强调了未来在医学图像生成中需要更全面的隐私保护措施，例如在特征层面进行混淆或使用差分隐私技术。该工作为隐私保护的医学图像合成领域开辟了新的研究方向，并提供了实用的评估基准。