一种用于检测脑MRI合成生成模型中记忆现象的新型度量指标
计算机视觉与模式识别
2025-12-30 v2 机器学习
摘要
深度生成模型已成为医学影像领域的变革性工具，为合成数据生成提供了巨大潜力。然而，最近的实证研究揭示了一个关键漏洞：这些模型可能记忆敏感的训练数据，从而带来未经授权的患者信息泄露的重大风险。检测生成模型中的记忆现象仍然特别具有挑战性，需要能够在大规模生成样本集中识别训练数据泄漏的可扩展方法。在本工作中，我们提出了DeepSSIM，一种用于量化生成模型中记忆现象的新型自监督度量指标。DeepSSIM的训练目标是：i) 将图像投影到学习到的嵌入空间中，以及 ii) 强制嵌入之间的余弦相似度与在图像空间中计算的真实SSIM（结构相似性指数）分数相匹配。为了捕捉特定领域的解剖特征，训练过程结合了结构保持增强，使得DeepSSIM无需精确的空间对齐即可可靠地估计相似性。我们在一项案例研究中评估了DeepSSIM，该研究涉及由在易记忆条件下训练的潜在扩散模型（LDM）生成的合成脑MRI数据，使用了来自两个公开数据集（IXI和CoRR）的2,195个MRI扫描。与最先进的记忆化度量指标相比，DeepSSIM取得了优越的性能，F1分数比现有最佳方法平均提高了+52.03%。我们方法的代码和数据可在以下链接公开获取：https://github.com/brAIn-science/DeepSSIM。
引用
@article{arxiv.2509.16582,
title = {A Novel Metric for Detecting Memorization in Generative Models for Brain MRI Synthesis},
author = {Antonio Scardace and Lemuel Puglisi and Francesco Guarnera and Sebastiano Battiato and Daniele Ravì},
journal= {arXiv preprint arXiv:2509.16582},
year = {2025}
}
备注
Accepted to WACV 2026