iProtector：利用生物特征认证的加密密钥对医疗图像进行加密，并通过先进的无载体隐写技术实现安全传输

《Computer Methods and Programs in Biomedicine》：iProtector: Using biometric empowered key to encrypt the medical images with secure transmission through robust coverless steganography

　　

摘要

背景与目标：

随着智能电子设备的广泛采用，医学图像已成为临床实践中的核心信息载体。这些设备通过协同互联促进了医学图像的无缝交换，从而显著提升了功能性和用户体验。然而，这类敏感的图像信息在存储和传输过程中容易受到盗窃、未经授权的访问以及财务欺诈等风险的影响。

方法：

为了解决这些挑战，我们提出了一种名为 iProtector 的医学图像安全技术，该技术结合了加密、强健的无遮盖隐写术以及基于生物特征（语音）的身份验证，以满足医疗保健的严格安全要求。我们的方法引入了三项关键创新：首先，使用生物特征（语音）数据、基于深度学习的图像特征、设备特定信息以及轻量级的哈希加密算法生成新的密钥；其次，采用无遮盖隐写术来增强数据传输的安全性；最后，提出了一种基于语音身份验证的访问控制系统，以降低盗窃和未经授权访问的风险。

结果：

实验结果表明，所提出的 iProtector 能够确保数据的完整性和安全性，同时降低盗窃和未经授权访问的风险，从而满足医疗数据的安全性和真实性要求。据我们所知，我们是首个将生物特征识别、加密技术和无遮盖隐写术与访问控制系统可靠整合应用于医疗领域的团队。

结论：

这些特性使 iProtector 特别适合用于安全的医疗应用。

引言

蓬勃发展的医疗物联网（IoMT）正在推动医疗场景中的智能化管理和服务[1]。IoMT 集成了一套复杂的互连智能设备，这些设备能够实现敏感数据的感知、处理及无缝交换，从而改善临床效果[2]。研究表明，医学图像是临床实践中最重要的信息载体之一[3][4]。放射科医生利用医学图像在多种医学诊断中启动早期治疗[5]。最近，放射组学作为一种定量方法出现，将医学图像信息转化为结构化、可分析的数据，以获得更好的临床结果[6][7]。然而，这些敏感的图像信息在存储和传输过程中存在被盗、未经授权访问以及财务欺诈的风险[8][9]。例如，在一起影响超过 12,000 人的数据泄露事件之后，耶鲁纽黑文卫生系统同意设立 1800 万美元的和解基金，用于支付诉讼费用（包括律师費用）、主要原告的赔偿金以及和解管理费用[10]。为了保护敏感的图像信息，需要采用加密技术[11][12]。传统上，这些技术主要用于将敏感的明文转换为密文以实现视觉保密[13]。然而，当前的加密技术往往缺乏有效的密钥生成机制、安全传输和访问控制机制，从而限制了这些方法在不同场景下的普遍适用性。因此，人们对通过无遮盖图像隐写术实现隐蔽通信和版权保护越来越感兴趣[14][15][16]，其目标是确保数据传输的安全性而不修改载体图像的内容。由于载体图像未被修改，隐写分析工具无法检测到秘密信息。此外，当前的研究表明，迫切需要安全的身份验证机制来确保只有授权人员才能访问医疗记录[17]。实际上，基于生物特征的身份验证比传统的密码验证方法更为有效[18]。总之，将加密、无遮盖隐写术和基于生物特征的身份验证相结合，是保护医疗数据更为合适的方法。因此，我们提出了 iProtector——一种结合了安全加密、强健的无遮盖隐写术和基于语音的身份验证的医学图像安全技术，以满足医疗保健的严格安全要求。本文的主要贡献如下：

• •
  我们设计了一种强大的加密密钥，该密钥由生物特征（语音）数据、基于深度学习的图像特征、设备特定信息以及轻量级的哈希加密算法生成，用于图像加密。
• •
  我们提出了一种无遮盖隐写方案，以增强数据传输的安全性。具体而言，一种依赖于密钥的排列映射将图像特征值转换为标签，然后将其嵌入到参考数据集中的相应值索引中，从而通过逆排列实现可逆且安全的特征重建。
• •
  我们应用基于语音的身份验证来降低盗窃和未经授权访问的风险，确保只有授权人员才能访问医疗记录。
• •
  我们在多个开源数据集上进行了广泛的实验。结果表明，我们的方法显著优于当前的最先进方法，验证了所提出的 iProtector 的有效性和优越性。我们的无遮盖图像隐写方法实现了高鲁棒性、序列索引完整性和隐写容量，证明了其在安全医疗应用中的可行性。

部分片段

相关工作

本节详细回顾了基于加密的医学图像安全技术。Cao 等人[19] 描述了一种基于混沌的医学图像加密和共享系统，该系统使用独特的 1D-ILES 混沌图。它利用 SHA-256 密钥生成、扰动和扩散技术来确保安全性和数据完整性。分布式云存储框架促进了医学图像的通信并提供了安全性保障。然而，该方法并未利用图像间的交互

提出的方法

在本文中，我们提出了一种名为 iProtector 的医学图像安全技术，其整体架构如图 1 所示。该框架包括三个组成部分：密钥生成和加密、无遮盖图像隐写术以及基于生物特征（语音）的身份验证。在以下小节中，我们将详细阐述每个组成部分的技术细节及其在框架内的协同作用。

实验与分析

为了评估所提出方法的性能，我们使用 Python 3.10 进行了所有实验实现，并使用 NVIDIA Tesla T4 GPU 对深度学习模型进行训练。我们使用了 Kaggle 上的颜色放射学图像数据集，例如 Brain-MRI[31]（包含 3046 张 512 × 512 大小的图像）和 Chest CT 扫描数据集[32]（包含 1000 张 512 × 512 大小的图像，其中 685 张用于训练，315 张用于测试）。我们还使用了 LJ Speech 数据集[33] 进行语音特征提取；该数据集包含 13100

结论

本文提出了一种医学图像安全技术，该技术结合了加密、通过无遮盖隐写术进行数据隐藏以及基于生物特征的身份验证。首先，使用生物特征（语音）数据、基于深度学习的图像特征、设备特定信息以及轻量级的哈希加密算法生成新的密钥；其次，使用无遮盖隐写术来增强数据传输的安全性；最后，采用基于语音的身份验证

CRediT 作者贡献声明

Shiv Prasad：撰写 – 原始草案、验证、软件、方法论、调查、正式分析、概念化。Soniya Rohhila：撰写 – 原始草案、验证、软件、方法论、调查、概念化。Kedar Nath Singh：撰写 – 审稿与编辑、验证、监督、软件、方法论、调查、概念化。Amit Kumar Singh：撰写 – 审稿与编辑、验证、监督、软件、方法论、调查、概念化。Brij B.

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。

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

印度比哈尔邦帕特纳国家技术学院计算机科学与工程系