Esteganografía de aprendizaje profundo para la seguridad de big data utilizando compresión y excitación con...

Área de la Ciencia:

• Ciencias de la computación
• Imágenes médicas
• Ciberseguridad

Sus antecedentes:

• La transmisión segura de datos médicos sensibles es crucial debido al crecimiento del big data en la telemedicina y la forense digital.
• Los métodos convencionales de esteganografía luchan con la integridad diagnóstica y la robustez contra el ruido y las transformaciones.

Objetivo del estudio:

• Desarrollar un nuevo marco esteganográfico basado en el aprendizaje profundo para la transmisión segura de imágenes médicas.
• Abordar las limitaciones de los métodos convencionales para mantener la integridad y la robustez del diagnóstico.

Principales métodos:

• Propuso un marco que combina los bloques de excitación por compresión (SE), los módulos de inicio y las conexiones residuales.
• El codificador utiliza convoluciones dilatadas y atención SE para incrustar imágenes médicas secretas en imágenes de portada.
• El decodificador utiliza la extracción de características basadas en Inception residual y multiescala para la reconstrucción.

Principales resultados:

• El modelo alcanza valores altos de la relación pico señal-ruido (PSNR) (39.02, 38.75) y valores del índice de similitud estructural (SSIM) (0.9757) en conjuntos de datos de RM y OCT.
• Demuestra una mínima distorsión visual, lo que confirma la eficacia del enfoque esteganográfico.
• Diseñado para el despliegue en tiempo real y bajo consumo de energía en NVIDIA Jetson TX2 para aplicaciones de atención médica de vanguardia.

Conclusiones:

• El marco de aprendizaje profundo desarrollado ofrece una solución esteganográfica segura y de alta capacidad para entornos sensibles a la privacidad.
• El rendimiento en tiempo real y la robustez del modelo lo hacen adecuado para aplicaciones prácticas en telemedicina y forense digital.
• Esta investigación promueve el manejo seguro de los datos médicos, preservando tanto la confidencialidad como la calidad del diagnóstico.