用于医疗诊断平台的强鲁棒性混沌驱动缩略图保护加密技术

《Expert Systems with Applications》：Robust Chaos-Driven Thumbnail-Preserving Encryption for Medical Diagnosis Platforms

　　•提出了一种具有可证明有界性的二维正弦-余弦耦合映射。•设计了一种动态密钥注入机制以扩大密钥空间。•构建了一种能够保留缩略图且安全性高的加密方案。•通过安全分析验证了该方案的稳健性与实用性。

引言
随着医疗信息化和数字技术的快速发展，智能医疗模式逐渐成熟。在这种背景下，患者的医疗数据可以通过互联网传输，从而实现更便捷的跨医院转诊流程（Zhang, Tang, Zhang, Huang, & Lu, 2024b）。然而，随着患者信息规模的不断增长，传统的网络传输方式在高并发场景下容易受到带宽限制和网络拥堵的影响，这大大降低了远程诊断的效率和可靠性。云平台的引入为解决这些问题提供了有效方案。通过利用基于云的共享存储机制，医生可以将患者的医疗数据，包括计算机断层扫描、磁共振成像和X光图像等，集中上传到云存储平台。医疗机构可以根据需求从云端获取所需信息，从而有效确保诊断和治疗过程的及时性。

然而，存储在云端的医疗数据仍然存在数据泄露的风险。如图1(a)所示，攻击者可能通过破坏云平台来非法获取患者的隐私信息。一旦这些信息被泄露，就会给患者和医疗机构带来严重的隐私风险。因此，研究用于医疗诊断平台的隐私保护技术至关重要。传统的加密方案通过将原始图像转换为具有伪随机噪声特性的密文来实现隐私保护（Erkan, Toktas, Memis, Toktas, Lai, Wen, Gao, 2024, Lai, Hu, Erkan, Toktas, 2023, Lai, Ji, 2025, Teng, Cao, Liu, 2024），在没有密钥的情况下，攻击者无法从中提取任何有意义的信息。但在云存储场景中，这类方法存在显著局限性。由于加密后的医疗图像完全无法理解，医生必须从云端下载所有密文图像并在本地解密。随后，还需要从大量明文图像中找出与当前诊断任务相关的信息，如图1(b)所示。这种先下载再搜索的过程不仅大大增加了本地的计算和存储负担，还显著降低了整体诊断效率。保留缩略图加密技术有效地解决了这一问题。该技术最初由Wright等人于2015年提出，其特点是能够在密文中保留原始图像的粗略视觉感知信息，同时消除图像细节。在医疗诊断平台场景中，这些保留的感知信息足以让具备相关知识的医生预览并找到所需图像，从而实现高效诊断。此外，保留的粗略视觉信息还可以支持人工智能分类和初步筛查，减少对人工检查的依赖，提高检索效率。相比之下，即使攻击者获得了这些图像，也无法提取出有效的敏感信息，如图1(c)所示。TPE在保障患者隐私的同时，实现了隐私性与可用性之间的平衡。

由于其实际优势，TPE受到了众多研究人员的关注。Marohn等人（Marohn, Wright, Feng, Rosulek, & Bobba, 2017）提出了两种TPE方案，分别采用动态范围保持和最低有效位嵌入技术，在保持感知质量的同时提升图像的安全性和压缩效率。Zhang等人（Zhang et al., 2021）提出了一种高保真TPE（HF-TPE）方案，该方案结合了求和保持数据嵌入技术与块内重排，能够保留与原始图像视觉上相当的高质量缩略图。Chai等人（Chai, Wang, Chen, Gan, & Zhang, 2022）提出了一种TPE-GAN方案，通过模拟随机单元编码来平衡图像隐私性与可用性，并引入缩略图一致性损失函数以提高加密图像的质量。Peng等人（Peng, Lan, Li, & Li, 2024b）提出了一种基于强混沌映射的TPE方案，该方案将原始图像分为视觉图像和非视觉图像，从而有效抵御对象检测攻击。

然而，现有的TPE方案仍面临若干挑战。尤其是，它们往往难以实现缩略图的无损恢复，这就导致解密后无法准确重建原始图像，因此不适合用于医疗领域。为了解决这一限制，将可逆数据隐藏技术整合到TPE方案中被视为一种有效的解决方案（An, Pu, Hao, Zhao, & Zhang, 2025）。RDH技术能够将秘密数据嵌入到原始覆盖图像中，同时在完全提取出嵌入数据后可实现无损恢复。在这方面，许多研究人员进行了深入研究。Xiao等人（Xiao, Zhang, Hua, Xia, & Weng, 2025）提出了一种可预览的客户端图像水印方案，该方案结合了保留缩略图加密技术与客户端嵌入技术，并运用RDH技术实现图像的可逆性和水印可追溯性。Fan等人（Fan, Shi, & Li, 2024）提出了一种通用近似TPE方法，通过构建预测误差二进制映射并利用基于像素预测的RDH技术嵌入恢复信息，从而确保原始图像的完全无损重建。Wang等人（Wang, Qu, Wu, Han, & Tian, 2024）提出了一种高视觉自然度的TPE方法，该方法采用基于变 Median Edge Detector的RDH技术和霍夫曼编码压缩技术，以确保图像的视觉预览和无损恢复。Ye等人（Ye, Zhang, Zhao, Lan, & Xiang, 2022）提出了一种可完美恢复的近似TPE方法，该方法通过引入基于差分展开的RDH技术实现了缩略图的可逆恢复。然而，在上述方案中，加密过程的关键阶段通常采用点对点的单扩散机制，这限制了像素扰动的传播范围，降低了抵抗各种差分攻击的能力，从而带来了潜在的安全风险。此外，这些方案中使用的传统伪随机数生成器往往对初始值和控制参数的敏感性不足。这种结构上的线性特性限制了它们产生抵抗差分攻击所需的雪崩效应的能力。

混沌系统的引入解决了上述局限性。作为描述复杂动态行为的数学模型，混沌系统具有不可预测性、随机性以及对初始值极强的敏感性，这些特性促使它们在众多领域得到了广泛应用（Erkan, Toktas, Memis, Toktas, Lai, Wen, Gao, 2024, Karagiorgos, Stavrinides, de Benito, Nikolaidis, Picos, 2024, Nguyen, Bui, Gagnon, Giard, Kaddoum, 2021）。最近的研究还强调了严谨的数学建模和结构分析对于理解复杂系统的重要性（Tang & Zhao, 2026）。与只有一个正李雅普诺夫指数的混沌系统不同，超混沌系统至少有两个正李雅普诺夫指数，其动态行为更为复杂，因此在工程应用方面具有更大的潜力（Li, Li, Zhang, Chen, Zeng, 2022, Peng, Li, Zeng, Li, 2024a）。这种更高的复杂性意味着更高的不可预测性以及更强的抵抗密码学攻击的能力，使得超混沌系统在医疗和军事等高安全需求领域具有特殊价值。为了生成超混沌序列，诸如忆阻多滚动多稳态神经网络（Zhang, Peng, Wang, Chen, & Zeng, 2024a）和双忆阻器超混沌振荡器（Jiang, Li, Zhang, Zhao, & Zang, 2021）之类的连续动力系统至少需要四个维度。而离散动力系统，包括二维耦合复杂超混沌映射（Hua, Yao, Zhang, Bao, & Yi, 2024）和三维忆阻立方映射（Gao et al., 2025），仅用两个维度就能实现超混沌动力学。因此，与连续系统相比，离散系统通常具有更低的资源消耗、更高的计算效率以及更好的随机性能。

因此，为了解决现有TPE方案在安全性方面的缺陷，本文首先构建了一种具有可证明有界性的新型二维正弦-余弦耦合映射（2D-SCCM），该映射在极宽的参数范围内具有强大的超混沌动力学特性，生成的序列具有更高的随机性和复杂性。基于该映射，本文进一步提出了一种基于块像素调整和RDH算法的TPE方案。通过调整密文图像中每个块的特定比特，可以使调整后的块像素之和接近原始块像素之和，从而在密文图像中保持可预览的视觉效果。由于TPE框架下的调整机制需要对密文像素进行修改，现有方案仅采用点对点的单一扩散机制来确保可解密性，这在一定程度上降低了扩散机制的安全性。因此，我们提出了一种专为TPE场景设计的与像素相关的非线性变换扩散机制。通过对低比特平面应用非线性变换，该方法在保持TPE所需可解密性的同时，显著增强了扩散机制的效果。随后，本文提出了一种基于圆形路径的块内打乱算法，该算法在保护信息的同时优化了缩略图的视觉效果。最后，本文利用EfficientNet-B0模型对医疗缩略图进行机器分类，从而验证了所提方法在智能医疗应用场景中的可行性。

在实际的医院工作流程中，所提出的TPE框架并非旨在替代基于元数据的检索方式。患者ID、检查日期、检查类型、检查描述等其他元数据仍可作为PACS或云医疗系统中的主要索引。在经过基于元数据的筛选后，加密后的缩略图可为粗略的视觉确认提供隐私保护的预览功能。例如，在远程会诊、跨医院图像共享、后续检查或基于云的归档过程中，放射科医生可以先利用元数据检索候选图像，然后使用加密后的缩略图进行初步筛选，最后仅在获得适当授权后解密选定的图像。

本文的主要创新点和贡献总结如下：
1. 构建了一种具有可证明有界性且能在极宽参数范围内生成超混沌序列的强大2D-SCCM。
2. 提出了一种新颖的动态密钥注入机制，该机制显著提升了生成的超混沌序列的随机性，并扩大了有效密钥空间。生成的序列成功通过了所有的NIST测试。
3. 通过整合像素调整、RDH技术和与像素相关的非线性扩散机制，开发了一种由混沌驱动的TPE框架，该框架既保证了图像的视觉可用性，又实现了图像的无损恢复。
4. 实验表明，所提出的方案在保持高加密效率和存储效率的同时，还具有强大的安全性。EfficientNet-B0分类和人工智能辅助的病灶检测进一步证明了其在医疗平台中的实用价值。

本文的其余部分结构如下：第2节构建了一种新型的2D-SCCM，并探讨了其不动点及分岔动力学特性。第3节提出了动态密钥注入和随机数生成方案，并通过随机性测试验证了其稳健性。第4节开发了一种由混沌驱动的TPE方案。第5节通过全面的安全性分析和机器可分类性评估，验证了所开发TPE方案的性能。最后，第6节对本文的工作进行了总结。此外，为便于阅读，本文中使用的主要缩写词在表1中进行了汇总。

章节摘录
2D-SCCM及其强大动力学特性
本节构建了一种具有明确有界性的新型2D-SCCM，并通过理论和数值方法探讨了其不动点及分岔动力学特性，以验证其适用于生成混沌序列。

伪随机数生成器方案及性能评估
本节介绍了用于基于所提出的2D-SCCM构建伪随机数生成器的动态密钥注入机制，并通过多种随机性测试验证了其可靠性和稳健性。

混沌驱动的TPE方案
本节提出了一种混沌驱动的TPE方案，该方案引入了与像素相关的非线性变换扩散机制来提升安全性能。通过结合块像素调整与RDH技术，该方案能够在保持加密图像中预览信息的同时实现无损恢复。TPE过程的流程图如图9所示。

实验
本节通过多种安全性和性能测试验证了所提出的TPE技术的性能。EfficientNet-B0分类和人工智能辅助的病灶检测进一步证明了其区分能力和隐私保护功能，为智能医疗分析提供了可行的技术路径。

结论
本文利用正弦函数和余弦函数的线性及非线性耦合关系，构建了一种新型的2D-SCCM。基于该映射，本文研究了不动点的动态特性以及参数变化时的分岔行为。数值模拟和性能评估表明，2D-SCCM在极宽的参数范围内能够稳定保持超混沌动力学特性。此后，本文又引入了一种动态密钥注入机制，以进一步提升随机性。

CRediT作者贡献声明
Zheng Fan：撰写——初稿、方法论、形式分析、概念构思。Han Bao：软件、可视化。Zihang Shi：撰写——审阅与编辑、方法论。Yunzhen Zhang：撰写——审阅与编辑、方法论。Ning Wang：撰写——审阅与编辑。Bocheng Bao：撰写——审阅与编辑、监督。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

Zheng Fan|Han Bao|Zihang Shi|Yunzhen Zhang|Ning Wang|Bocheng Bao