CN115914488A - 医学图像身份混淆共享方法、系统、终端设备及存储介质 - Google Patents
医学图像身份混淆共享方法、系统、终端设备及存储介质 Download PDFInfo
- Publication number
- CN115914488A CN115914488A CN202310147802.4A CN202310147802A CN115914488A CN 115914488 A CN115914488 A CN 115914488A CN 202310147802 A CN202310147802 A CN 202310147802A CN 115914488 A CN115914488 A CN 115914488A
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- identity
- watermark
- conversion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims abstract description 125
- 238000011084 recovery Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 210000004556 brain Anatomy 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000007906 compression Methods 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 9
- 230000011157 brain segmentation Effects 0.000 claims description 8
- 238000011976 chest X-ray Methods 0.000 claims description 8
- 230000036039 immunity Effects 0.000 claims description 5
- 238000013144 data compression Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 17
- 230000000694 effects Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种医学图像身份混淆共享方法、系统、终端设备及存储介质，该方法包括：对患者的身份信息进行加密，得到加密密钥和身份加密数据；将身份加密数据嵌入至水印图像中得到双水印图像和嵌入密钥，将双水印图像嵌入至医学图像中得到医学嵌入图像；将医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，将医学身份混淆图像、加密密钥和嵌入密钥传输至医学图像共享系统。本发明能有效的对身份信息和医学图像起到双水印的加密效果，通过将医学嵌入图像输入预训练后的模态转换网络进行模态转换，有效的降低身份信息和医学图像传输过程中被攻击的概率，提高了医学图像和身份信息传输时的安全性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种医学图像身份混淆共享方法、系统、终端设备及存储介质。
背景技术
作为一个合格的医疗数据共享系统，必须保证医疗数据的完整性和隐私性，特别是患者的医学图像和身份信息。
现有的医学图像和身份信息传输过程中，一般是将身份信息和医学图像加密成类噪声图像，容易被攻击，降低了医学图像和身份信息传输的安全性。
发明内容
本发明实施例的目的在于提供一种医学图像身份混淆共享方法、系统、终端设备及存储介质，旨在解决现有的医学图像和身份信息传输过程中，安全性低下的问题。
本发明实施例是这样实现的，一种医学图像身份混淆共享方法，所述方法包括：
获取患者的身份信息，并对所述身份信息进行加密，得到加密密钥和身份加密数据；
将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，并将所述双水印图像嵌入至所述患者的医学图像中，得到医学嵌入图像；
将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，并将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统。
优选的，所述将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，包括：
对所述水印图像进行块分割，得到水印块图像，并对所述水印块图像进行中值边缘预测，得到预测误差；
对所述预测误差的位平面图进行二进制转换，并根据二进制转换后的所述预测误差的位平面图对所述水印图像进行图像压缩，得到压缩误差位平面；
根据所述嵌入密钥生成随机矩阵，并将所述随机矩阵与所述压缩误差位平面进行异或操作，得到水印异或图像；
查询所述水印异或图像中的空白区域，并将所述身份加密数据嵌入至所述空白区域中，得到所述双水印图像。
优选的，所述将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换之前，还包括：
将胸部X射线样本图像和脑部分割样本图像分别输入模态转换网络进行模态预测，得到胸部模态转换图像和脑部模态转换图像；
分别查询所述胸部X射线样本图像和所述脑部分割样本图像的标准图像，得到胸部转换标准图像和脑部转换标准图像；
根据所述胸部模态转换图像、所述脑部模态转换图像、所述胸部转换标准图像和所述脑部转换标准图像，分别计算对抗损失和循环一致性损失；
根据所述对抗损失和所述循环一致性损失对所述模态转换网络进行参数更新，直至所述模态转换网络收敛，得到预训练后的所述模态转换网络。
优选的，所述分别计算对抗损失和循环一致性损失所采用的公式包括：
；
；
其中，表示对抗损失函数，表示模态转换网络的损失函数，表示模态转换网络对应模态恢复网络的损失函数，为模态转换网络对应的判别器，为模态恢复网络对应的判别器，
E表示数学期望，表示
y的概率分布，表示
x的概率分布，
x代表X域图像，
y代表Y域图像，代表循环一致性损失函数，表示
L1范数。
优选的，所述对所述身份信息进行加密，得到加密密钥和身份加密数据，包括：
分别对所述身份信息中的姓名信息、性别信息、身份证号和症状信息进行二进制转换，得到二进制数据，并在所述二进制数据中添加标签；
对标签添加后的所述二进制数据进行数据压缩，得到身份压缩数据，并根据预设密钥对所述身份压缩数据进行加密，得到所述加密密钥和所述身份加密数据。
优选的，所述将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，包括：
将所述医学嵌入图像输入预训练后的所述模态转换网络，并根据所述模态转换网络依序对所述医学嵌入图像进行卷积处理、残差连接处理和反卷积处理，得到所述医学身份混淆图像。
优选的，所述将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统之后，还包括：
根据所述模态恢复网络对所述医学身份混淆图像进行模态恢复，得到所述医学嵌入图像；
根据所述嵌入密钥对所述医学嵌入图像进行信息提取，得到所述医学图像和所述身份信息。
本发明实施例的另一目的在于提供一种医学图像身份混淆共享系统，所述系统包括：
加密模块，用于获取患者的身份信息，并对所述身份信息进行加密，得到加密密钥和身份加密数据；
水印生成模块，用于将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，并将所述双水印图像嵌入至所述患者的医学图像中，得到医学嵌入图像；
隐私转换模块，用于将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，并将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统。
本发明实施例的另一目的在于提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例，通过将身份加密数据嵌入至水印图像中，能有效地对身份加密数据起到加密效果，通过将双水印图像嵌入至患者的医学图像中，能有效的对身份信息和医学图像起到双水印的加密效果，通过将医学嵌入图像输入预训练后的模态转换网络进行模态转换，有效的降低身份信息和医学图像传输过程中被攻击的概率，提高了医学图像和身份信息传输时的安全性。
附图说明
图1是本发明第一实施例提供的医学图像身份混淆共享方法的流程图；
图2是本发明第二实施例提供的医学图像身份混淆共享方法的流程图；
图3是本发明第二实施例提供的模态转换的示意图；
图4是本发明第三实施例提供的医学图像身份混淆共享系统的结构示意图；
图5是本发明第四实施例提供的终端设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
请参阅图1，是本发明第一实施例提供的医学图像身份混淆共享方法的流程图，该医学图像身份混淆共享方法可以应用于任一终端设备或系统，该医学图像身份混淆共享方法包括步骤：
步骤S10，获取患者的身份信息，并对所述身份信息进行加密，得到加密密钥和身份加密数据；
其中，该身份信息包括患者的姓名、性别、身份证号和症状描述等信息，通过对身份信息进行加密，有效地提高了身份信息的安全性；
可选的，该步骤中，所述对所述身份信息进行加密，得到加密密钥和身份加密数据，包括：
分别对所述身份信息中的姓名信息、性别信息、身份证号和症状信息进行二进制转换，得到二进制数据，并在所述二进制数据中添加标签；
对标签添加后的所述二进制数据进行数据压缩，得到身份压缩数据，并根据预设密钥对所述身份压缩数据进行加密，得到所述加密密钥和所述身份加密数据；
其中，将患者的身份信息中每个字符的ASCII码转换为8位二进制序列，包括姓名，性别，身份证号以及症状四类数据，将其赋予一个标签
E L ，姓名-00，性别-01，身份证号-10，症状-11，用，表示四类数据“0”和“1”的重复次数，即压缩后的数据，并在前两个位置存储相应的标签
E L ，
e的个数是对应
L的元素个数，该预设密钥可以根据需求进行设置。
步骤S20，将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，并将所述双水印图像嵌入至所述患者的医学图像中，得到医学嵌入图像；
其中，该水印图像可以根据需求进行设置，可以采用预测误差可逆信息隐藏的嵌入方法将加密数据嵌入到水印图像中，形成由文本和图像组成的双水印，将双水印图像作为单通道嵌入到要保护的患者的医学图像中。
该步骤中，基于预测误差可逆信息隐藏算法的初始数据嵌入密钥为3，加密密钥为1，分块大小为4。
可选的，该步骤中，所述将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，包括：
对所述水印图像进行块分割，得到水印块图像，并对所述水印块图像进行中值边缘预测，得到预测误差；
其中，设定水印图像的大小为，在基于预测误差的可逆数据隐藏算法中，先将图像分成大小为的块，利用中值边缘预测器将医学图像的像素值进行预测，得到预测误差；
对所述预测误差的位平面图进行二进制转换，并根据二进制转换后的所述预测误差的位平面图对所述水印图像进行图像压缩，得到压缩误差位平面；
其中，将预测误差的位平面图转换为二进制形式；
；
其中，代表像素位置，，，为预测误差数值，为二进制预测误差数值，
m为常数，利用特定的压缩方法将冗余的数据进行压缩形成压缩误差位平面；
根据所述嵌入密钥生成随机矩阵，并将所述随机矩阵与所述压缩误差位平面进行异或操作，得到水印异或图像；
查询所述水印异或图像中的空白区域，并将所述身份加密数据嵌入至所述空白区域中，得到所述双水印图像；
其中，使用嵌入密钥形成的随机矩阵与进行异或操作，将位平面中空出来的位置放入身份加密数据，形成双水印图像
O。
步骤S30，将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，并将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统；
其中，预训练后的模态转换网络能有效地对输入的医学嵌入图像进行模态转换，设定含有水印的医学嵌入图像为S，大小与医学图像M相同，模态一为X域图像，模态二为Y域图像，模态转换网络
CycleGAN包含T: X→Y和R:Y→X两个映射关系。
其中，T为转换网络，R为恢复网络，通过对医学嵌入图像进行模态映射，能有效地对医学嵌入图像S起到模态转换的效果，通过对医学嵌入图像的模态转换，有效地降低了医学嵌入图像传输过程中被攻击的概率。因此，提高了身份信息和医学图像传输的安全性。该步骤中，通过将医学身份混淆图像和加密密钥传输至医学图像共享系统，有效地对包含医学图像和身份信息的医学身份混淆图像起到了共享效果，且方便了医生对医学身份混淆图像和加密密钥的接收。
可选的，该步骤中，所述将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，包括：
将所述医学嵌入图像输入预训练后的所述模态转换网络，并根据所述模态转换网络依序对所述医学嵌入图像进行卷积处理、残差连接处理和反卷积处理，得到所述医学身份混淆图像。
本实施例中，由于神经网络具有很强的变换功能，本实施例使用神经网络进行模态变换代替传统方法的加密方式，可以有效的降低攻击者的攻击概率，极大提高了医学图像传输时的安全性，通过将身份加密数据嵌入至水印图像中，能有效地对身份加密数据起到加密效果，通过将双水印图像嵌入至患者的医学图像中，能有效的对身份信息和医学图像起到双水印的加密效果，通过将医学嵌入图像输入预训练后的模态转换网络进行模态转换，有效的降低身份信息和医学图像传输过程中被攻击的概率，提高了医学图像和身份信息传输时的安全性。
实施例二
请参阅图2，是本发明第二实施例提供的医学图像身份混淆共享方法的流程图，该实施例用于对第一实施例中的步骤S30之后的步骤作进一步细化，包括步骤：
步骤S40，将胸部X射线样本图像和脑部分割样本图像分别输入模态转换网络进行模态预测，得到胸部模态转换图像和脑部模态转换图像；
其中，模态转换网络的训练数据包括模态一图像和模态二图像，模态一图像的数据集为一个针对
COVID-19阳性病例的胸部X射线图像数据库，模态二选择的数据集为脑部分割图，将两种模态的数据集分别输入到C
ycleGAN进行训练。，。其中，
x属于模态一数据集，
y为
x转换成模态二所对应的图像，即网络T的输出图像，为网络R恢复得到的图像。
步骤S50，分别查询所述胸部X射线样本图像和所述脑部分割样本图像的标准图像，得到胸部转换标准图像和脑部转换标准图像；
步骤S60，根据所述胸部模态转换图像、所述脑部模态转换图像、所述胸部转换标准图像和所述脑部转换标准图像，分别计算对抗损失和循环一致性损失；
其中，
CycleGAN设计了两种损失函数，对抗损失和循环一致性损失。对抗损失用来训练
GAN，保证生成器和判别器相互进化，进而保证生成器能产生更真实的图片；
可选的，所述分别计算对抗损失和循环一致性损失所采用的公式包括：
；
；
其中，表示对抗损失函数，表示模态转换网络的损失函数，表示模态转换网络对应模态恢复网络的损失函数，为模态转换网络对应的判别器，为模态恢复网络对应的判别器，
E表示数学期望，表示
y的概率分布，表示
x的概率分布，
x代表X域图像，
y代表Y域图像，代表循环一致性损失函数，表示L1范数。
进一步地，本实施例中，为了训练网络的识别能力，还引入了一种身份损失，将真实的X输入到Y生成X的判别器中：
；
其中，代表身份损失，为了让转换器和恢复器配对，避免攻击者自行训练得出恢复器引入水印损失，使得提取的水印与目标水印的距离尽可能小，。其中，代表水印损失，表示曼哈顿距离，表示原始水印，表示提取的水印。
步骤S70，根据所述对抗损失和所述循环一致性损失对所述模态转换网络进行参数更新，直至所述模态转换网络收敛，得到预训练后的所述模态转换网络；
其中，若模态转换网络的迭代次数大于或等于次数阈值时，则判定该模态转换网络收敛，该次数阈值可以根据需求进行设置。
具体的，一示例性的模态转换方式如图3所示，要保护的医学图像为模态X，模态转换的目标模态为模态Y，那么用于传输的医学图像为Y’。若要保护的医学图像为模态Y，模态转换的目标模态为模态X，那么用于传输的医学图像为X’。将两种模态的数据集放入W-cycleGAN中进行训练，该网络包含两个对抗网络。图3中第一行是一个对抗网络，通过模态转换网络将模态X图转换为模态Y’图，再将转换后的图与真实的模态Y图放入鉴别器中，通过缩小鉴别器的损失函数达到生成Y’更真实的效果。图3的第二行和第三行为两个模态之间的相互转换，以达到模态转换后还能高质量复原的效果。
可选的，本实施例中，针对步骤S30，所述将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统之后，还包括：
根据所述模态恢复网络对所述医学身份混淆图像进行模态恢复，得到所述医学嵌入图像；
根据所述嵌入密钥对所述医学嵌入图像进行信息提取，得到所述医学图像和所述身份信息；
其中，将经过模态转换网络输出的医学身份混淆图像传输到医学图像共享系统中，并且将加密密钥通过无损信道进行传输。患者对应的医生会有模态转换网络所对应的模态恢复网络，该网络与模态转换网络是配对的，医生通过模态恢复网络将医学图像恢复为原来的医学图像，并且根据加密密钥找到患者身份信息对应的数据进行解密。
经过模态转换后，将模态转换后的医学身份混淆图像上传至医学图像共享平台中，会诊的医生获取到医学身份混淆图像，使用模态恢复网络对得到的图像进行模态恢复，得到医学嵌入图像，提取第四通道的水印图像，并使用信道传输的加密密钥从中提取患者的身份信息以及症状描述，通过医学图像与症状描述结合进行诊断。
具体的，所述根据所述嵌入密钥对所述医学嵌入图像进行信息提取，得到所述医学图像和所述身份信息，包括：
将经模态转换的医学身份混淆图像以及附加信息传输到医学图像共享平台中，设定加密密钥和嵌入密钥的传输通道是安全无损的。当医生会诊时，通过医学图像共享平台获取医学身份混淆图像以及密钥，利用与模态转换网络配对的模态恢复网络将医学图像恢复成医学嵌入图像S。
提取出图像S的第四个通道，使用正确的密钥信息提取出病人的身份信息，根据拥有的信息可以分为四种情况：
第一种，当有正确的模态恢复网络和正确的密钥时，可以高质量的恢复原始的医学图像S，并且提取正确的病人信息；
第二种，当有正确的模态恢复网络和错误的密钥时，可以高质量的恢复原始的医学图像S，但提取的病人信息是有误的；
第三种，当有错误的模态恢复网络和正确的密钥时，由于医学图像的高复杂性，错误的恢复器恢复出的图像可以类似为有视觉意义的医学图像，且不能提取到信息；
第四种，当有错误的模态恢复网络和错误的密钥时，可以恢复出有视觉意义的其他医学图像且不能提取出信息。
结构相似度(SSIM)和峰值信噪比（PSNR）是用来衡量图像恢复质量的两个常用指标。如表1所示，展示了不同模态下的恢复图像质量的平均PSNR和SSIM。可以很直观的看出恢复图像与原始图像非常接近，说明将神经网络与医学图像共享结合可以有效提高恢复图像质量。
表1 恢复图像质量的平均PSNR和SSIM
本实施例中，基于多水印和可逆变换的方式，有效地实现了医学图像身份混淆共享,可高质量的恢复医学图像，提高诊断的精确度，通过将水印与医学图像结合刷新网络的神经结构，只有正确的恢复网络和密钥，才能高质量地恢复医学图像，准确提取患者的身份信息，错误恢复网络还可以恢复具有视觉意义的图像，达到身份混淆的效果，实现医学图像的安全共享。
实施例三
请参阅图4，是本发明第三实施例提供的医学图像身份混淆共享系统100的结构示意图，包括：加密模块10、水印生成模块11、隐私转换模块12和隐私恢复模块13，其中：
加密模块10，用于获取患者的身份信息，并对所述身份信息进行加密，得到加密密钥和身份加密数据。
可选的，加密模块10还用于：分别对所述身份信息中的姓名信息、性别信息、身份证号和症状信息进行二进制转换，得到二进制数据，并在所述二进制数据中添加标签；
对标签添加后的所述二进制数据进行数据压缩，得到身份压缩数据，并根据预设密钥对所述身份压缩数据进行加密，得到所述加密密钥和所述身份加密数据。
水印生成模块11，用于将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，并将所述双水印图像嵌入至所述患者的医学图像中，得到医学嵌入图像。
可选的，水印生成模块11还用于：对所述水印图像进行块分割，得到水印块图像，并对所述水印块图像进行中值边缘预测，得到预测误差；
对所述预测误差的位平面图进行二进制转换，并根据二进制转换后的所述预测误差的位平面图对所述水印图像进行图像压缩，得到压缩误差位平面；
根据所述嵌入密钥生成随机矩阵，并将所述随机矩阵与所述压缩误差位平面进行异或操作，得到水印异或图像；
查询所述水印异或图像中的空白区域，并将所述身份加密数据嵌入至所述空白区域中，得到所述双水印图像。
隐私转换模块12，用于将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，并将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统。
可选的，隐私转换模块12还用于：将胸部X射线样本图像和脑部分割样本图像分别输入模态转换网络进行模态预测，得到胸部模态转换图像和脑部模态转换图像；
分别查询所述胸部X射线样本图像和所述脑部分割样本图像的标准图像，得到胸部转换标准图像和脑部转换标准图像；
根据所述胸部模态转换图像、所述脑部模态转换图像、所述胸部转换标准图像和所述脑部转换标准图像，分别计算对抗损失和循环一致性损失；
根据所述对抗损失和所述循环一致性损失对所述模态转换网络进行参数更新，直至所述模态转换网络收敛，得到预训练后的所述模态转换网络。
进一步地，隐私转换模块12还用于：将所述医学嵌入图像输入预训练后的所述模态转换网络，并根据所述模态转换网络依序对所述医学嵌入图像进行卷积处理、残差连接处理和反卷积处理，得到所述医学身份混淆图像。
隐私恢复模块13，用于根据所述模态恢复网络对所述医学身份混淆图像进行模态恢复，得到所述医学嵌入图像；
根据所述嵌入密钥对所述医学嵌入图像进行信息提取，得到所述医学图像和所述身份信息。
本实施例，通过将身份加密数据嵌入至水印图像中，能有效地对身份加密数据起到加密效果，通过将双水印图像嵌入至患者的医学图像中，能有效的对身份信息和医学图像起到双水印的加密效果，通过将医学嵌入图像输入预训练后的模态转换网络进行模态转换，有效的降低身份信息和医学图像传输过程中被攻击的概率，提高了医学图像和身份信息传输时的安全性。
实施例四
图5是本申请第四实施例提供的一种终端设备2的结构框图。如图5所示，该实施例的终端设备2包括：处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22，例如医学图像身份混淆共享方法的程序。处理器20执行所述计算机程序22时实现上述各个医学图像身份混淆共享方法各实施例中的步骤。
示例性的，所述计算机程序22可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器21中，并由所述处理器20执行，以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。所述终端设备可包括，但不仅限于，处理器20、存储器21。
所称处理器20可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。其中，计算机可读存储介质可以是非易失性的，也可以是易失性的。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种医学图像身份混淆共享方法，其特征在于，所述方法包括：
获取患者的身份信息，并对所述身份信息进行加密，得到加密密钥和身份加密数据；
将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，并将所述双水印图像嵌入至所述患者的医学图像中，得到医学嵌入图像；
将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，并将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统。
2.如权利要求1所述的医学图像身份混淆共享方法，其特征在于，所述将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，包括：
对所述水印图像进行块分割，得到水印块图像，并对所述水印块图像进行中值边缘预测，得到预测误差；
对所述预测误差的位平面图进行二进制转换，并根据二进制转换后的所述预测误差的位平面图对所述水印图像进行图像压缩，得到压缩误差位平面；
根据所述嵌入密钥生成随机矩阵，并将所述随机矩阵与所述压缩误差位平面进行异或操作，得到水印异或图像；
查询所述水印异或图像中的空白区域，并将所述身份加密数据嵌入至所述空白区域中，得到所述双水印图像。
3.如权利要求1所述的医学图像身份混淆共享方法，其特征在于，所述将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换之前，还包括：
将胸部X射线样本图像和脑部分割样本图像分别输入模态转换网络进行模态预测，得到胸部模态转换图像和脑部模态转换图像；
分别查询所述胸部X射线样本图像和所述脑部分割样本图像的标准图像，得到胸部转换标准图像和脑部转换标准图像；
根据所述胸部模态转换图像、所述脑部模态转换图像、所述胸部转换标准图像和所述脑部转换标准图像，分别计算对抗损失和循环一致性损失；
根据所述对抗损失和所述循环一致性损失对所述模态转换网络进行参数更新，直至所述模态转换网络收敛，得到预训练后的所述模态转换网络。
4.如权利要求3所述的医学图像身份混淆共享方法，其特征在于，所述分别计算对抗损失和循环一致性损失所采用的公式包括：
；
；
其中，表示对抗损失函数，表示模态转换网络的损失函数，表示模态转换网络对应模态恢复网络的损失函数，为模态转换网络对应的判别器，为模态恢复网络对应的判别器，E表示数学期望，表示y的概率分布，表示x的概率分布，x代表X域图像，y代表Y域图像，代表循环一致性损失函数，表示L1范数。
5.如权利要求1所述的医学图像身份混淆共享方法，其特征在于，所述对所述身份信息进行加密，得到加密密钥和身份加密数据，包括：
分别对所述身份信息中的姓名信息、性别信息、身份证号和症状信息进行二进制转换，得到二进制数据，并在所述二进制数据中添加标签；
对标签添加后的所述二进制数据进行数据压缩，得到身份压缩数据，并根据预设密钥对所述身份压缩数据进行加密，得到所述加密密钥和所述身份加密数据。
6.如权利要求1所述的医学图像身份混淆共享方法，其特征在于，所述将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，包括：
将所述医学嵌入图像输入预训练后的所述模态转换网络，并根据所述模态转换网络依序对所述医学嵌入图像进行卷积处理、残差连接处理和反卷积处理，得到所述医学身份混淆图像。
7.如权利要求4所述的医学图像身份混淆共享方法，其特征在于，所述将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统之后，还包括：
根据所述模态恢复网络对所述医学身份混淆图像进行模态恢复，得到所述医学嵌入图像；
根据所述嵌入密钥对所述医学嵌入图像进行信息提取，得到所述医学图像和所述身份信息。
8.一种医学图像身份混淆共享系统，其特征在于，所述系统包括：
加密模块，用于获取患者的身份信息，并对所述身份信息进行加密，得到加密密钥和身份加密数据；
水印生成模块，用于将所述身份加密数据嵌入至预设的水印图像中，得到双水印图像和嵌入密钥，并将所述双水印图像嵌入至所述患者的医学图像中，得到医学嵌入图像；
隐私转换模块，用于将所述医学嵌入图像输入预训练后的模态转换网络进行模态转换，得到医学身份混淆图像，并将所述医学身份混淆图像、所述加密密钥和所述嵌入密钥传输至医学图像共享系统。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310147802.4A CN115914488B (zh) | 2023-02-22 | 2023-02-22 | 医学图像身份混淆共享方法、系统、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310147802.4A CN115914488B (zh) | 2023-02-22 | 2023-02-22 | 医学图像身份混淆共享方法、系统、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115914488A true CN115914488A (zh) | 2023-04-04 |
| CN115914488B CN115914488B (zh) | 2023-05-23 |
Family
ID=85753741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310147802.4A Active CN115914488B (zh) | 2023-02-22 | 2023-02-22 | 医学图像身份混淆共享方法、系统、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115914488B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116095245A (zh) * | 2023-04-07 | 2023-05-09 | 江西财经大学 | 秘密信息分享方法、系统、终端及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170353624A1 (en) * | 2016-06-01 | 2017-12-07 | Intel Corporation | Proving digital photograph authorship using ecg biometrics |
| CN110211019A (zh) * | 2019-06-13 | 2019-09-06 | 海南大学 | 一种图像的水印嵌入与提取方法及相关装置 |
| CN111182169A (zh) * | 2019-11-13 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
| CN112017761A (zh) * | 2020-08-06 | 2020-12-01 | 临沂大学 | 一种电子医学影像中嵌入医疗信息的系统及方法 |
| US20210090203A1 (en) * | 2018-04-16 | 2021-03-25 | Shenzhen Leagsoft Technology Co, Ltd. | Method and system for generating watermark on the basis of graphic, terminal, and medium |
| CN113821770A (zh) * | 2021-07-07 | 2021-12-21 | 大连理工大学 | 一种针对共享数据保护的定向对抗下毒攻击方法 |
| CN115100045A (zh) * | 2022-05-24 | 2022-09-23 | 广州柏视医疗科技有限公司 | 影像数据的模态转换方法及装置 |
-
2023
- 2023-02-22 CN CN202310147802.4A patent/CN115914488B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170353624A1 (en) * | 2016-06-01 | 2017-12-07 | Intel Corporation | Proving digital photograph authorship using ecg biometrics |
| US20210090203A1 (en) * | 2018-04-16 | 2021-03-25 | Shenzhen Leagsoft Technology Co, Ltd. | Method and system for generating watermark on the basis of graphic, terminal, and medium |
| CN110211019A (zh) * | 2019-06-13 | 2019-09-06 | 海南大学 | 一种图像的水印嵌入与提取方法及相关装置 |
| CN111182169A (zh) * | 2019-11-13 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
| CN112017761A (zh) * | 2020-08-06 | 2020-12-01 | 临沂大学 | 一种电子医学影像中嵌入医疗信息的系统及方法 |
| CN113821770A (zh) * | 2021-07-07 | 2021-12-21 | 大连理工大学 | 一种针对共享数据保护的定向对抗下毒攻击方法 |
| CN115100045A (zh) * | 2022-05-24 | 2022-09-23 | 广州柏视医疗科技有限公司 | 影像数据的模态转换方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| PING WANG: "A robust and secure image sharing scheme with personal identity information embedded", COMPUTERS & SECURITY * |
| 温文媖: "结合区块链的可认证医疗图像共享方案", 小型微型计算机系统 * |
| 钟晓燕;卜祥磊;刘文军;冯前进;: "数字水印在医学影像存储与传输系统中的研究与应用", 医疗装备 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116095245A (zh) * | 2023-04-07 | 2023-05-09 | 江西财经大学 | 秘密信息分享方法、系统、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115914488B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elhoseny et al. | Secure medical data transmission model for IoT-based healthcare systems | |
| Aparna et al. | Biometric‐based efficient medical image watermarking in E‐healthcare application | |
| Magdy et al. | Security of medical images for telemedicine: a systematic review | |
| Gull et al. | Reversible data hiding exploiting Huffman encoding with dual images for IoMT based healthcare | |
| Doss et al. | Memetic optimization with cryptographic encryption for secure medical data transmission in IoT-based distributed systems | |
| CN105471575A (zh) | 一种信息加密、解密方法及装置 | |
| CN111310734A (zh) | 保护用户隐私的人脸识别方法和装置 | |
| CN113378143B (zh) | 基于半张量压缩感知的加密域可逆信息隐藏与认证方法 | |
| Pavithra et al. | A survey on the techniques of medical image encryption | |
| Janani et al. | A secure medical image transmission scheme aided by quantum representation | |
| Anand et al. | Health record security through multiple watermarking on fused medical images | |
| CN112088378A (zh) | 图像隐藏信息检测器 | |
| CN115914488B (zh) | 医学图像身份混淆共享方法、系统、终端设备及存储介质 | |
| Brunese et al. | Radiomic features for medical images tamper detection by equivalence checking | |
| Singh et al. | Lossless and robust digital watermarking scheme for retinal images | |
| Odeh et al. | Medical image encryption techniques: a technical survey and potential challenges | |
| Kumar et al. | Copyright protection of medical images: A view of the state-of-the-art research and current developments | |
| Shi et al. | Region-based reversible medical image watermarking algorithm for privacy protection and integrity authentication | |
| Khaldi et al. | A medical image watermarking system based on redundant wavelets for secure transmission in telemedicine applications | |
| Singh et al. | Wavelet based robust watermarking technique for integrity control in medical images | |
| Eze et al. | A new evaluation method for medical image information hiding techniques | |
| Soni et al. | AFD and chaotic map‐based integrated approach for ECG compression, steganography and encryption in E‐healthcare paradigm | |
| Liu et al. | Medical image encryption using biometric image texture fusion | |
| Sekar et al. | Secure IoT-enabled sharing of digital medical records: An integrated approach with reversible data hiding, symmetric cryptosystem, and IPFS | |
| Moataz | Watermarking medical scans: Saliency filter pixels |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |