Search research articles

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Videos de Conceptos Relacionados

Computed Tomography

Computed Tomography

Tomography refers to imaging by sections. Computed tomography (CT) is a non-invasive imaging technique that uses computers to analyze several cross-sectional X-rays to reveal minute details about structures in the body.
The technique was invented in the 1970s and is based on the principle that as X-rays pass through the body, they are absorbed or reflected at different levels. In the technique, a patient lies on a motorized platform while a computerized axial tomography (CAT) scanner rotates...

Imaging Studies III: Computed Tomography

Imaging Studies III: Computed Tomography

DefinitionComputed Tomography (CT) of the genitourinary (GU) tract is a non-invasive imaging modality that utilizes X-rays and computer processing to generate detailed cross-sectional images of the urinary system, encompassing the kidneys, ureters, bladder, and adjacent structures such as the adrenal glands.PurposeCT scans of the GU tract serve several diagnostic and therapeutic purposes, including:Diagnosis of Urinary Tract Diseases: Detects kidney stones, tumors, cysts, and congenital...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

LASSO-HHO two-stage hybrid gene selection framework for accurate Alzheimer's disease diagnosis.

Scientific reports·2026

Same author

MC-LBTO: secure and resilient state-aware multi-controller framework with adaptive load balancing for SD-IoT performance optimization.

Scientific reports·2025

Same author

A new hybrid model for improving outlier detection using combined autoencoder and variational autoencoder.

Scientific reports·2025

Same author

A new algorithm for multiple medical image encryption based on stacked representation and block division.

Scientific reports·2025

Same author

Optimized bio-signal reconstruction and watermarking via enhanced fractional orthogonal moments.

Scientific reports·2025

Same author

Robust zero-watermarking for color images using hybrid deep learning models and encryption.

Scientific reports·2025

Search research articles

Video Experimental Relacionado

Updated: Apr 30, 2026

A Pipeline for 3D Multimodality Image Integration and Computer-assisted Planning in Epilepsy Surgery

A Pipeline for 3D Multimodality Image Integration and Computer-assisted Planning in Epilepsy Surgery

Published on: May 20, 2016

Un nuevo cifrado de imágenes médicas utilizando un mapa exponencial logístico integrado modular y una matriz de

Abdelmajid H Mansour¹, Sherihan Aboelenin², Mohamed Meselhy Eltoukhy²

¹Department of Information Technology, College of Computing and Information Technology - Khulais, University of Jeddah, Jeddah, Saudi Arabia. emam@uj.edu.sa.

Scientific reports

|August 26, 2025

Resumen

Este estudio introduce un nuevo algoritmo de encriptación para imágenes médicas, mejorando la seguridad y la privacidad de los datos. El método utiliza un mapa caótico de logística exponencial mejorada modificada (MILE) y una matriz Q de Fibonacci de varios niveles para una protección robusta en la atención médica.

Palabras clave:

Caótico Imágenes médicas en color Encriptación de imágenes Cifrado El mapa exponencial Fibonacci también.Mapa logístico MILE (en inglés)Bloques de imágenes codificadas

Más Videos Relacionados

A MRI-Based Toolbox for Neurosurgical Planning in Nonhuman Primates

A MRI-Based Toolbox for Neurosurgical Planning in Nonhuman Primates

Published on: July 17, 2020

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Videos de Experimentos Relacionados

Last Updated: Apr 30, 2026

A Pipeline for 3D Multimodality Image Integration and Computer-assisted Planning in Epilepsy Surgery

A Pipeline for 3D Multimodality Image Integration and Computer-assisted Planning in Epilepsy Surgery

Published on: May 20, 2016

A MRI-Based Toolbox for Neurosurgical Planning in Nonhuman Primates

A MRI-Based Toolbox for Neurosurgical Planning in Nonhuman Primates

Published on: July 17, 2020

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Área de la Ciencia:

Seguridad de las imágenes médicas
Criptografía
Tecnología de la información en el cuidado de la salud

Sus antecedentes:

La confidencialidad de las imágenes médicas es fundamental para la privacidad del paciente y la integridad de los datos en la atención médica.
Los métodos de cifrado existentes pueden tener limitaciones en cuanto a seguridad, eficiencia o resistencia a ataques avanzados.

Objetivo del estudio:

Desarrollar un algoritmo de encriptación innovador y eficiente para imágenes médicas tanto en escala de grises como en color.
Mejorar la seguridad, la aleatoriedad y la resistencia de los datos de imágenes médicas durante el almacenamiento y la transmisión.

Principales métodos:

El algoritmo propuesto combina un mapa caótico logístico exponencial mejorado modificado (MILE) con una matriz Q de Fibonacci de varios niveles.
Emplea la extracción de parámetros dependientes de la clave, la generación de secuencias caóticas para la permutación y la difusión basada en XOR, y las transformaciones de matriz Q de varios niveles.
El método aborda las limitaciones de los sistemas caóticos 1D para mejorar la imprevisibilidad.

Principales resultados:

El esquema de cifrado demostró un buen rendimiento con altos valores de NPCR (99,63%) y UACI (33,47%).
Los valores de entropía se acercaron al ideal de 7,999, lo que indica una excelente aleatoriedad y resistencia a los ataques estadísticos.
El algoritmo es computacionalmente eficiente, cifrando una imagen de 256x256 en 0.42 segundos.

Conclusiones:

El algoritmo de encriptación propuesto ofrece una protección robusta para los datos médicos sensibles.
Su eficiencia y fuertes características de seguridad lo hacen adecuado para aplicaciones en tiempo real y telemedicina.
El método supera a varias técnicas de encriptación de imágenes médicas existentes.