ViTU-net:一种混合深度学习模型,采用基于补丁的LSB方法,用于使用混合元启发算法进行医学图像水标和身份验证
V Nanammal1, S Rajalakshmi2, V Remya2
1Department of Electronics and Communication Engineering, Jeppiaar Engineering College, Chennai, India.
Computers in biology and medicine
|June 3, 2025
概括
ViTU-Net使用视觉变压器和U-Net架构增强了用于肺炎诊断的医疗图像安全性. 这种新的方法确保了数据完整性和保密性,防止数据泄露,改善了远程医疗和人工智能诊断.
科学领域:
- 医疗成像医学成像
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 现代医疗保健依赖于安全的医疗图像用于远程医疗,健康记录和AI诊断.
- 超过70%的机构经历了数据泄露,突出了关键的安全漏洞.
- 现有的水印方法缺乏不可察觉性,强度和效率.
研究的目的:
- 推出ViTU-Net,这是一种用于安全医疗图像水印的新型模型.
- 解决当前方法在不可察觉性,稳定性和效率方面的局限性.
- 为了提高肺炎诊断胸部X射线的数据完整性,保密性和真实性.
主要方法:
- 使用视觉变压器 (ViT) 编码器和U-Net解码器与自适应层次空间注意力 (AHSA).
- 采用基于贴片的LSB嵌入非诊断区域 (RONI),由自适应面具指导.
- 集成的TuniBee融合优化和加密技术 (SHA-512,AES).
主要成果:
- 实现了高图像质量指标:PSNR (60.7dB),NCC (0.9999),SSIM (1.00). 图像质量指标:PSNR (60.7dB),NCC (0.9999),SSIM (1.00). 图像质量指标:PSNR (60.7dB),NCC (0.9999),SSIM (1.00). 图像质量指标:PSNR (60.7dB),NCC (0.9999),SSIM (1.00). 图像质量指标:PSNR (60.7dB) 图像质量指标:PSNR (60.7dB) 图像质量指标:PSNR (60.7dB) 图像质量指标:PSNR
- 通过强度分析证明了ViTU-Net对各种攻击的弹性.
- 在嵌入水印时有效保持诊断准确性.
结论:
- 维图网为医疗图像水印提供了强大而高效的解决方案.
- 该模型增强了人工智能驱动的诊断和远程医疗应用的安全性.
- 维图网确保敏感患者数据的完整性和机密性.
