DS@GT ARC 在 ImageCLEFmed GANs 2026 中的應用：用於隱私保護 CT 切片生成的幾何過濾技術
該研究提出了一種隱私保護的肺CT切片合成框架，結合最優傳輸條件流匹配與幾何過濾後處理，在ImageCLEFmed GANs 2026挑戰中取得PPS 0.549和FID 0.3290的成績，但患者重識別問題依然存在。
日前，一篇題為《DS@GT ARC at ImageCLEFmed GANs 2026: Geometric Filtering for Privacy-Preserving CT Slice Generation》的論文在arXiv上釋出，作者包括Eric Regina等人。該研究針對ImageCLEFmed GANs 2026挑戰賽，提出了一種用於合成肺部CT切片的隱私保護框架。
該框架的核心創新在於結合了最優傳輸條件流匹配（Optimal Transport Conditional Flow Matching, OT-CFM）與隱私導向訓練，並在生成後引入了一個“監督器”管道。這個監督器利用自動編碼器嵌入、行列式點過程（Determinantal Point Processes, DPP）和Stein核稀疏化（Stein Kernel Thinning, SKT），在學習的幾何潛在空間中對生成的候選影像進行過濾，從而剔除那些可能洩露患者隱私的樣本。
官方挑戰結果顯示，該方法在真實感與隱私保護之間取得了良好的平衡。效能最佳的模型達到了0.549的隱私保護得分（Privacy Preservation Score, PPS）以及0.3290的Fréchet Inception Distance（FID），後者表明生成的影像具有與真實影像相近的視覺質量。
然而，儘管幾何過濾顯著降低了最近鄰記憶化（即模型直接複製訓練影像）和成員推斷攻擊（判斷某個樣本是否在訓練集中）的風險，但患者重識別得分仍然較高。這說明僅僅防止直接的影像複製並不足以消除嵌入在影像中的更深層患者特定解剖特徵。這一發現強調了未來在醫學影像生成中需要更全面的隱私保護措施，例如在特徵層面進行混淆或使用差分隱私技術。該工作為隱私保護的醫學影像合成領域開闢了新的研究方向，並提供了實用的評估基準。