基于域翻译的对抗学习：远程医疗中的安全医学图像加密

《Engineering Applications of Artificial Intelligence》：Domain translation-driven adversarial learning for secure medical image encryption in telemedicine

　　

# 医学图像加密的域翻译驱动对抗网络（DTAN）

## 摘要

远程医疗系统支持医疗机构与患者之间的医疗数据共享，但传输中的医学图像可能会将敏感的患者信息暴露给窃听、篡改或泄露风险。本文提出了一种基于人工智能（AI）的医学图像加密方法，用于远程医疗中的隐私保护。该方法实现为域翻译驱动对抗网络（DTAN），包含一个加密网络、一个解密网络和两个域判别器。加密网络将明文医学图像转换为视觉上有无意义的密文图像，而解密网络为授权用户重建原始图像。判别器监督明文-密文域的翻译过程，该框架动态生成具有高随机性和高敏感性的加密密钥。在胸部X射线、气道CT和脑部MRI图像上的实验表明，DTAN能够在保留重建质量的同时保护不同的医学图像模态。在胸部X射线图像上，DTAN实现了7.9910的密文熵、0.0092、0.0017和0.0060的相邻像素相关系数，以及99.92%和33.48%的NPCR和UACI值。对于气道CT和脑部MRI图像，加密PSNR值分别为7.3056 dB和6.6935 dB，加密SSIM值分别为0.0161和0.0009。这些结果表明，DTAN在基于人工智能的安全医学图像传输中实现了有效的密文混淆和准确的授权重建。

## 引言

全球加速老龄化的人口显著增加了慢性病的患病率，并加剧了医疗需求与医疗资源之间的不平衡。在一些偏远地区，患者通常需要跨地区就医，这可能会影响患者的治疗效果和就医体验。远程医疗的发展为应对这些挑战提供了新的视角（Baker和Xiang, 2023）。作为现代医疗的核心，远程医疗系统通过网络连接医疗设备、可穿戴设备和临床工作站，以收集、传输和分析异构医疗数据，如生理信号、医学图像和临床报告。这种连通性使医疗机构能够高效协作，克服地理障碍，为资源有限的社区提供个性化医疗服务。

医学图像在远程医疗中发挥着重要作用，如CT、MRI和超声图像，它们可以帮助医生准确识别病灶（Zhu等, 2024）并诊断疾病。此外，医学图像为手术团队提供解剖结构细节，提高手术精度（Richey等, 2022）。例如，重建的3D图像可以帮助外科医生可视化病灶位置和周围组织，从而实现精确的手术路径规划。在远程医疗中，医学成像设备拍摄患者图像，存储在影像归档和通信系统（PACS）中。然后这些图像通过网络传输到临床工作站，医生在那里结合医院信息系统（HIS）中的其他数据进行分析。然而，医学图像包含患者的敏感信息，在网络传输过程中容易受到未经授权的访问（Wang等, 2020; Arbabi等, 2022）。一旦这些信息泄露，将严重威胁患者的安全和隐私（Bashir等, 2023）。因此，加强医学图像传输过程中的信息安全与隐私保护显得尤为迫切。在此场景下，一种实用的医学图像加密方案应使传输的图像对未授权用户视觉上无法识别，支持授权接收方的忠实恢复，减少密文中的统计线索，并兼容基于网络的医学图像传输。

加密是保护医学图像传输安全的有效方式，它使用加密算法和密钥将明文转换为密文。与文本相比，图像具有更高的复杂性和更强的像素间相关性。标准加密算法如AES为通用数据保护提供了成熟的安全保障，并广泛应用于实际系统中。然而，它们并非专门为利用图像域特性或支持基于学习的授权重建和医学图像工作流中的视觉域分析而设计。相比之下，许多面向图像的加密方案试图通过使用混淆、扩散、混沌序列、DNA编码、S盒操作、压缩感知或其他图像特定变换来减少空间冗余和视觉信息泄露。为增强防御能力，研究人员引入了序列相关的加密方案（A.K. Singh等, 2022; Bezerra等, 2022; Dash等, 2023），如DNA编码（A. Singh等, 2022）、S盒（Li等, 2025）、压缩感知（Chai等, 2022）、混沌理论（Sarosh等, 2023）和分形理论（Xian等, 2022）。基于序列的方案使用随机序列来混淆和扩散像素，其有效性依赖于这些序列的随机性，这导致对攻击的防御能力较弱。深度学习在许多视觉任务中表现出优越的性能，为图像加密提供了有前景的见解。为增强风险韧性，研究人员将神经网络的特征提取和数据生成能力融入密码系统中，并提出了各种新颖的解决方案（Zhou等, 2022; Singh等）。然而，这些方案密钥空间有限，并采用预定规则来加密图像，这带来了一定的安全风险。现有的技术方案主要包括传统加密算法、基于序列的图像加密方案和基于学习的加密方法。考虑到图像的空间冗余和可恢复密文变换的需求，本工作采用域翻译驱动的对抗设计，将加密建模为从明文域到构建的密文域的映射，并使用反向映射进行授权恢复。图像域指的是共享公共属性的图像集合。在医学语境下，根据特定属性（如成像模态或颜色）修改输入图像的图像域翻译技术在超分辨率、MRI重建和分割中被广泛应用。图像域翻译涉及两个域：源域S和目标域T。目标是学习两个域之间的两个映射：M1: S→T 和 M2: T→S。为实现此目标，Liu等（2017）假设域间存在共享的潜在表示，并引入了一种通过映射两个域到共享潜在空间的非配对域翻译方案。在此基础上，Huang等（2018）将源内容与随机目标风格相结合，设计了一种多模态域翻译方案。虽然这些方法在域翻译方面有效，但难以保留细节，导致质量下降。

Goodfellow等人引入了生成对抗网络（GAN）（Goodfellow等, 2020），具有生成器-判别器框架。生成器生成模仿目标分布的样本以欺骗判别器，而判别器将输入分类为真实或生成的。通过对抗训练，两个网络通过相互竞争来逐步学习数据分布。域翻译使基于神经网络的图像加密能够与视觉任务（如分割、去噪和配准）无缝集成，同时保留隐私和性能。与传统方法不同，域驱动的方案将学习到的表示嵌入密码系统中，增强了抗破解能力。作为早期的GAN驱动的域翻译方案，Isola等（2017）提出了条件GAN用于两个域之间的有监督翻译。为消除对标注数据的依赖，Zhu等（2017）使用循环一致对抗网络实现了双向映射和非配对翻译。图像加密可以被建模为域翻译过程，其中明文和密文代表具有不同纹理或分布的不同域（Wang等, 2022）。网络执行双向明文-密文翻译，实现具有视觉一致性的加密和解密。

受这些见解的启发，本工作设计了一种利用域翻译和GAN来增强安全性的医学图像加密方案，用于安全传输。所提出的方案通过对抗训练和动态密钥更新来保护医学图像，表现出对攻击的强韧性。我们的主要贡献如下：

（1）我们提出了一种用于医学图像加密的域翻译驱动对抗网络（DTAN），采用基于双对抗网络的密码系统建立明文与密文之间的双向映射。

（2）我们提出了一种域感知的密钥生成和加密策略。生成的密钥根据域样本的内在属性动态更新，增强了对攻击的抵抗能力。

（3）我们在胸部X射线、CT和MRI数据集上进行了大量实验。结果表明，DTAN在不同医学成像模态下表现出有效的加密混淆、高质量的授权重建以及强的抗统计和抗差分攻击能力。

本文其余部分组织如下。第2节介绍相关工作。第3节描述所提出的方案。第4节介绍实验结果。第5节讨论结果，第6节总结全文。

## 章节片段

### 图像安全保护

关于医学图像的安全保护，近年来的研究出现了多种加密解决方案。其中混沌加密是一个有前景的研究方向。为打破像素相关性并提高效率，Dash等（2023）提出了一种比特级像素内和像素间图像加密方案，在每个位平面内部和之间执行置换和扩散操作。Wu等（2023）将语义信息引入密码系统中，并

### 方法

本节从四个方面描述所提出的DTAN方案。首先，我们介绍域翻译与图像加密之间的关系，其中明文和密文图像被视为来自具有不同统计特征的两个域的样本。其次，我们提出DTAN的整体框架并定义加密和解密过程中使用的主要变量。第三，我们描述网络结构和训练目标。最后，我们解释密钥

### 实验

在本节中，我们首先介绍实验设置和评估指标。然后，我们评估模型的性能。最后，我们进行潜在攻击和比较分析。

### 讨论

所提出的DTAN提供了一种基于域翻译的医学图像加密框架，将对抗学习与动态密钥生成相结合。与2D-CSM（Zhang等, 2024）和DNA编码（A. Singh等, 2022）等序列驱动的方案相比，DTAN使用基于梯度的网络优化在训练过程中更新加密和解密参数。这一设计旨在满足远程医疗传输中的两个实际需求：抑制视觉

### 结论

本文提出了DTAN，一种用于医学图像加密的域翻译驱动对抗网络，将加密和解密建模为明文域与构建的密文域之间的双向映射。加密网络生成视觉上无法识别的密文，而解密网络重建原始图像以实现授权恢复，域判别器和一致性约束共同指导密文生成和图像

### CRediT作者贡献声明

Peng He：写作 - 审阅与编辑、写作 - 初稿、可视化、软件、资源、项目管理、方法论、调查研究、形式分析、数据管理、概念构思。

Xingyu Su：写作 - 审阅与编辑、写作 - 初稿、可视化、验证、监督、软件、方法论、调查研究、数据管理。

Yinlai Wei：资源、项目管理、方法论。

Yaping Cui：资金获取、形式分析、数据管理。

Dapeng Wu：

### 利益冲突声明

作者声明没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

### 致谢

本工作得到国家自然科学基金（U24A20211, 62271096）、重庆市教委科技研究计划项目（KJQN202500603, KJQN202300621）、重庆市自然科学基金（CSTB2025NSCQ-LZX0144, CSTB2024NSCQ-LZX0124, CSTB2023NSCQ-LZX0134）、重庆市高校创新研究群体（CxQT20017）、重庆邮电大学工科学科青年创新群体支持计划（SCIE-QN-2022-04）和Peng He|Xingyu Su|Yinlai Wei|Yaping Cui|Dapeng Wu|Ruyan Wang的资助。