基于面具-RCNN模型的医疗图像的高容量数据隐藏

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 信息安全 信息安全

背景情况:

• 保护医疗图像中的敏感患者信息至关重要.
• 现有的数据嵌入方法可能会损害诊断图像质量.
• 需要安全和高准确度的医疗图像数据集成.

研究的目的:

• 开发一种用于将敏感数据嵌入到医疗图像中的新型隐形图形方法.
• 尽量减少对诊断图像质量的影响,同时确保数据保密.
• 利用深度学习来确定数据嵌入的最佳区域.

主要方法:

• 使用面具区域基于卷积神经网络 (mRCNN) 识别医学意义最小的区域.
• 采用基于离散的等号变换 (DCT) 的稳定图来嵌入数据在确定的"不显著区域"内.
• 实施了三步方法:神经网络训练,数据嵌入和数据提取.

主要成果:

• 该mRCNN模型实现了0.9146的平均交叉与联盟 (IoU) 积分,证明了微不足道地区的准确细分.
• 不感知度指标,包括峰值信号噪声比 (PSNR),证实了stego图像中最小的扭曲.
• 该方法展示了高嵌入能力和有效载荷,在图像质量和隐藏效率方面表现优于现有技术.

结论:

• 拟议的方法有效地将敏感的患者信息集成到医疗图像中,对诊断质量的影响最小.
• 使用深度学习用于区域识别可以提高安全性和图像保真性.
• 这种方法为安全的医疗图像处理和数据管理提供了有前途的解决方案.