发表机构
Georgia Institute of Technology（佐治亚理工学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
为Image-CLEFmed GANs 2026挑战赛开发隐私保护框架，结合最优传输条件流匹配等，在几何潜在空间过滤候选切片。官方结果显示有真实感与隐私权衡，虽减少泄漏，但防止直接图像复制仍不足以消除患者特定解剖特征，凸显未来隐私保护医学图像生成的重要前沿。
AI 中文摘要
我们为Image-CLEFmed GANs 2026挑战赛开发了一个用于合成肺部CT切片生成的隐私保护框架。该方法将最优传输条件流匹配与面向隐私的训练以及一个生成后“监督器”管道相结合，该管道使用自动编码器嵌入、行列式点过程和斯坦因核稀疏化在学习到的几何潜在空间中过滤生成的候选切片。官方结果显示出强大的真实感与隐私权衡，最佳模型的隐私保护得分达到0.549，FID为0.3290，具有竞争力的视觉保真度。虽然所提出的几何滤波大大减少了最近邻记忆和成员推理泄漏，但持续的患者重新识别分数表明，防止直接图像复制不足以消除更深层次的患者特定解剖特征，这突出了未来隐私保护医学图像生成的一个重要前沿。
英文摘要
We present a privacy-preserving framework for synthetic lung CT slice generation developed for the Image-CLEFmed GANs 2026 challenge. The approach combines Optimal Transport Conditional Flow Matching with privacy-oriented training and a post-generation "Supervisor" pipeline that filters generated candidates in learned geometric latent spaces using autoencoder embeddings, Determinantal Point Processes, and Stein Kernel Thinning. Official results show a strong realism-privacy trade-off, with the best-performing model achieving a Privacy Preservation Score of 0.549 and competitive visual fidelity with an FID of 0.3290. While the proposed geometric filtering substantially reduces nearest-neighbor memorization and membership-inference leakage, persistent patient re-identification scores indicate that preventing direct image copying is not sufficient to remove deeper patient-specific anatomical identity, highlighting an important frontier for future privacy-preserving medical image generation.
