CFDMI-SEC:使用SIFT,EOM和CHM检测医学图像的复制移动伪造的最佳模型
Ehsan Amiri1, Ahmad Mosallanejad2, Amir Sheikhahmadi1
1Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran.
PloS one
|July 23, 2024
概括
这项研究引入了一种新的SEC模型,用于检测医学视觉图像中的复制移动图像伪造. 基于进化算法的方法有效地识别了被操纵的图像块,确保了数据完整性.
科学领域:
- 数字图像法医学 数字图像法医学
- 医学成像分析 医学成像分析
- 计算机视觉 计算机视觉
背景情况:
- 图像伪造,特别是复制移动伪造,在医疗保健,保险和执法等关键领域构成了重大挑战.
- 数字设备的普及促进了伪造医疗图像的创建,导致潜在的滥用,特别是当先进的医疗设备稀缺时.
研究的目的:
- 开发和评估一个强大的模型来检测复制移动伪造,特别是在医疗图像中.
- 解决医疗环境中对可靠图像身份验证的需求,以防止欺诈行为.
主要方法:
- 一个采用进化算法的三部分检测模型 (SEC).
- 使用规模不变特征转换 (SIFT) 算法来识别可疑点.
- 使用平衡优化算法来定位可疑的块.
- 实现颜色直方图匹配 (CHM) 以关联可疑点和块.
主要成果:
- 美国证券交易委员会模型实现了高检测率:100%的准确性,97.00%的回忆率和98.47%的F1得分对假冒的医疗图像.
- 证明了对各种转换和通常用于医疗图像的后处理操作的强度.
结论:
- 拟议的SEC模型是有效和可靠的,用于检测医学图像中的复制移动伪造.
- 该方法为提高医疗视觉数据的完整性和可靠性提供了一个有希望的解决方案.


