基于循环生成对抗网络的乳腺癌医学图像安全加密新方法

《Engineering Applications of Artificial Intelligence》：Secure breast cancer imaging: A novel advanced generative model encryption approach

本综述提出了一种基于循环生成对抗网络（Cyclic-GAN）的创新型医学图像加密框架，通过双生成器-判别器架构实现乳腺癌图像的安全传输。该方法在结构相似性指数（SSIM=0.9944）和峰值信噪比（PSNR=39.08 dB）指标上显著优于传统混沌加密，具备抗统计攻击（92%抵抗率）和差分攻击（NPCR>99.2%, UACI≈33.4%）能力，为医学影像安全传输提供了深度学习驱动的解决方案。

　　

Section snippets

Related works

混沌同步作为配对混沌网络间意外的同步现象，在过去几十年引起学者广泛关注。研究者提出了新型脉冲同步标准，用于分析具有不同无约束扩散悬置的两个等效反应-扩散神经网络结构。通过结合特殊类型积分不等式对反应-扩散项进行解析。

Proposed method

我们首先构建并训练生成器与判别器模型。所设计的密码生成对抗网络（Encipher GAN）可将原始图像转换为加密图像，反之亦然。加密网络G将原始图像加密后，检测器网络H能从加密图像重建原始图像。配合设计的检测器网络F和判别器D_y，系统通过最小化偏差训练简单图像的重建能力。

Security analysis

与传统易受相空间重构攻击的混沌加密不同，本加密方案的非线性变换能有效阻碍攻击者的预测能力。模型非线性特性通过减少确定性混沌系统的脆弱性，显著提升加密方案的整体安全性。加解密网络的特殊架构设计进一步强化了抗密码分析能力。

Optimization process

模型训练过程中，判别器通过区分真实图像与生成图像进行优化。首先清除判别器梯度，将其应用于真实图像并将预测结果与基准标签（全1矩阵）对比。随后生成器利用随机潜向量生成伪图像，判别器对这些伪图像的预测结果与基准标签（全0矩阵）进行损失计算。通过交替优化生成器与判别器，最终实现加密图像与原始图像的循环一致性。

Conclusion

本文提出了一种利用深度学习技术实现优化可靠性与安全性的端到端加解密网络。该系统基于乳腺癌病理图像数据集，通过两个独立网络分别执行加密和解密任务。这些网络通过卷积神经网络（CNN）提取的结构特征进行协同训练，结合结构相似性指数（SSIM）损失函数和对抗训练策略，在保持图像质量的同时实现高安全性加密。