深度KEDI:基于深度学习的曲式生成对抗网络,用于医疗图像的加密和解密

科学领域:

• 医疗成像安全 医疗成像安全
• 深度学习应用程序
• 密码学 密码学 密码学 密码学

背景情况:

• 医疗成像产生敏感的患者数据,需要强有力的安全措施来保护隐私和法律合规性.
• 临床图像的互联网传输对患者保密和医院责任构成风险.
• 医学成像技术的进步需要加强数据安全协议.

研究的目的:

• 开发一个基于深度学习的新型网络,Deep-KEDI,用于医疗图像加密的安全密钥生成.
• 确保医疗图像中的敏感患者数据的保密性和完整性.
• 为提供加密和解密医疗图像的安全方法.

主要方法:

• 医疗图像是预处理的斑点噪声使用离散波纹转换增加了安全性.
• 在Deep-KEDI模型中使用了一种齐克扎克生成对抗网络 (ZZ-GAN) 来生成秘密密钥.
• 在ZZ-GAN生成密码/解密的密钥使用XOR操作和三种齐克扎克模式 (垂直,水平,对角).

主要成果:

• 该ZZ-GAN成功地使用生成的秘密密钥和XOR操作来加密和解密图像.
• 在解密后有效地消除了斑点噪声,以重建原始医疗图像.
• 深度KEDI模型展示了安全医疗图像处理的有效密钥生成.

结论:

• 深度KEDI模型为医疗图像加密提供了一种安全有效的方法.
• 生成的秘密密钥具有高信息 (7.45),适用于保护敏感的医疗数据.
• 这种深度学习方法提高了医疗图像在传输和存储期间的安全性和隐私性.