基于深度学习的强大密钥生成技术，用于医疗图像安全保护，同时通过保留缩略图的加密方式确保易用性

《Image and Vision Computing》：Robust deep learning-based key generation for medical image security with usability through thumbnail-preserving encryption

　　

Soniya Rohhila|Kedar Nath Singh|Amit Kumar Singh|Brij B. Gupta

印度比哈尔邦帕特纳国立技术学院计算机科学与工程系

摘要

信息和通信技术的发展极大地促进了医疗图像在公共网络上的传输，但同时也引发了严重的安全问题。本文提出了一种既能保障数字图像安全又能保持其可用性的加密框架。首先，使用UNet模型识别图像中的敏感区域和非敏感区域。接着，通过深度学习生成一个高度安全的密钥（称为KeyGeN），然后使用SHA-512对图像的敏感部分进行加密。随后，采用保留缩略图的加密方法来维护图像的保密性和可用性。此外，我们在KeyGeN模型中嵌入了秘密水印，以便在发生盗版或侵权行为时验证所有权。实验结果证实，该框架不仅提高了安全性，并在低成本下保持了图像的可用性，还为密钥生成模型的所有权验证和保护奠定了坚实的基础。

引言

随着信息和通信技术的快速发展，产生了大量的多媒体文档，尤其是数字图像，这些图像在医疗领域成为关键资产。医疗图像不仅对诊断和有效治疗至关重要，还对疾病预后和监测病情进展具有重要意义。2024年，全球医疗成像市场的价值约为416亿美元，预计到2025年将达到435亿美元[1]。人工智能（AI）在医疗成像中的集成提高了诊断的准确性和效率，推动了市场的发展[1]。然而，AI生成的图像存在版权侵权和未经授权使用的风险[2]。此外，用于医疗图像处理的AI模型容易受到知识产权盗窃和逆向工程等威胁[2]。在这些关键领域，未经授权访问AI模型可能会影响其准确性和可靠性。因此，在这个数字时代，确保模型和媒体的安全的同时，平衡便利性、安全性和真实性至关重要。解决这一挑战的一个可行方法是加密，即使用加密算法和密钥将明文数据转换为不可读格式，或修改图像中的像素值[3]。

传统的感兴趣区域（ROI）或敏感区域加密方法在保护关键图像区域的同时保留非敏感区域，以保持整体上下文[4]。这些传统方法基于成熟的加密算法，通过数学计算生成密钥[5]。密钥生成器通常是手动制作的，以特定模式生成密钥以达到所需的安全级别[5]。然而，这种手动方法需要不断调整模型，使得性能优化变得困难。另一个限制是，存储在云环境中的加密图像类似于随机噪声，虽然提高了安全性，但降低了可用性[6]。因此，人们越来越关注保留缩略图的加密（TPE）技术，这类技术旨在同时保持保密性和可用性[6]。此外，传统的ROI加密也存在挑战，因为图像中的背景细节仍可能泄露敏感信息，从而导致潜在的隐私风险。因此，对于使用深度学习进行医疗图像加密而言，一种能够有效整合安全性、可用性、模型所有权和计算效率的方法至关重要。

为了解决上述问题，本研究提出了一种新的加密框架，该框架利用深度学习生成密钥，并通过TPE保持图像的可用性。此外，我们在用于密钥生成的深度学习模型中嵌入了秘密水印，以便在发生盗版或侵权行为时验证所有权。我们工作的关键贡献总结如下：

• •
  敏感区域和非敏感区域的识别：所提出的方法使用MobileNetv2和基于pix2pix的UNet模型对图像区域进行分割，将其分类为敏感区域和非敏感区域。实验结果表明，该模型适用于资源受限环境中的快速准确图像分割。
• •
  基于深度学习的密钥生成：通过卷积层和双向长短期记忆（LSTM）层（称为KeyGeN）生成安全密钥，以增强随机性和加密安全性。
• •
  敏感区域和非敏感区域的加密：该方法仅对图像的敏感部分进行加密，而非敏感区域仍可部分预览。首先使用KeyGeN模型生成密钥，然后使用SHA-512对图像的敏感部分进行加密。结合像素打乱和基于XOR的扩散技术来抵御统计攻击和差分攻击。随后，使用轻量级的模块化仿射变换进行TPE，以保持图像的保密性和可用性。
• •
  使用水印嵌入的模型安全性：此外，在KeyGeN模型中嵌入秘密水印，以在发生盗版或未经授权使用时验证所有权。这种方法为验证和保护密钥生成模型的所有权提供了可靠的框架。
• •
  实验验证：比较分析表明，所提出的方法具有高安全性、通过TPE保持可用性，并且计算开销较低，实验结果证实了这一点。

本文的其余部分组织结构如下：第2节回顾了基于深度学习的图像加密相关文献，第3节详细介绍了所提出工作的具体步骤。第4节通过实验测试评估了所提出工作的性能。最后，第5节总结了研究结果，并对未来工作提出了改进建议，以进一步提高性能。

章节摘录

相关工作

先前的研究中探索了多种利用深度学习和保留缩略图技术的图像加密方法。

Singh等人[4]提出了DeepENC方法，该方法使用UNet3+对医疗图像中的ROI进行分割，利用ResNet152提取生物特征，并使用2D混合混沌图和像素打乱及模块化操作进行加密。首先使用YOLOv7进行ROI检测，以实现高速准确的定位。然后，使用Huffman编码创建了一种新的3D混沌图

本研究工作

如图1所示，所提出的方法整合了四个核心组件：（1）基于深度学习的图像分割，将医疗图像分为敏感区域和非敏感区域；（2）通过强大的深度学习模型生成安全密钥；（3）对敏感区域和非敏感区域进行加密；（4）使用水印嵌入保护密钥生成模型。原始图像被分割为敏感区域和非敏感区域，敏感区域使用基于XOR的加密方法进行加密

实验结果与分析

为了评估所提出方法的有效性，我们首先从评估基于深度学习的模型的密钥随机性开始实验。接下来进行统计分析和差分分析以检验加密性能。进一步的评估包括密钥空间估计、图像质量、时间效率、可用性以及消融研究。我们还将我们的方法与基于统计指标的最新方法[4]、[8]、[9]、[11]进行了比较

结论

数字图像传输的快速增长，特别是在医疗成像领域，凸显了迫切需要在不牺牲可用性的前提下保护敏感数据的解决方案。本文提出了一种基于深度学习的新加密框架，通过结合自动化的敏感区域检测、深度密钥生成和保留缩略图的加密方法有效解决了这一挑战。敏感区域采用双层加密策略进行保护

CRediT作者贡献声明

Soniya Rohhila：撰写——原始草稿、验证、软件、方法论、调查、形式分析、概念化。Kedar Nath Singh：撰写——审阅与编辑、验证、监督、软件、方法论、调查、形式分析、概念化。Amit Kumar Singh：撰写——审阅与编辑、验证、监督、软件、方法论、调查、形式分析、概念化。Brij B. Gupta：撰写——审阅与编辑、监督、方法论

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。