文摘

针对医学图像的存储和传输的安全问题在医学信息系统,结合医学图像的特殊要求的保护病变区域,提出了一种鲁棒水印算法基于VGG19医学图像的安全。首先,pretrained VGG19用于提取深功能医学图像的地图,这是融合特征图像。第二,功能图像改变了傅里叶变换,傅里叶变换的低频系数选择构建医学图像的特征矩阵。然后,基于低频的部分医学图像的特征矩阵,mean-perceptual散列算法用于实现一组64位二进制感知哈希值,可有效抵抗局部非线性几何攻击。最后,算法采用水印后图像加扰和64位二进制感知哈希值获得鲁棒水印。同时,该算法利用埃尔米特混沌神经网络来争夺水印图像进行二次保护,增强了算法的安全性。与现有相关工作相比,该算法实现简单,可以有效地抵抗局部非线性几何攻击具有良好的鲁棒性,安全性和隐形。

1。介绍

数字化医院建设的规范化,是广泛应用于医学领域1]。现代医疗设备每天产生大量的数字医学图像(2,3]。由于信息技术的快速发展,智能医疗和远程诊断变得越来越成熟4- - - - - -6]。大量的医学图像往往是通过互联网传播(7]。未经授权的人员可以很容易地获取、存储、使用和篡改医学图像在网络上(8]。在这个场景中,敏感信息,如患者信息记录在医学图像、也很容易泄漏。随着医疗信息系统的发展,医学图像共享和远程诊断技术越来越成熟9]。在这些技术的应用,它变得越来越紧急保护病人的信息,如个人信息在磁共振成像(MRI)和其他医学图像,以及电子病历数据被泄露(10,11]。因此,医学信息安全问题已经成为一个迫在眉睫的问题。

医学图像水印能有效解决上述问题,为医疗信息提供安全可靠的保护。当前医疗信息系统的信息安全依赖于现代信息技术的发展(12]。传统密码学的加密方法有很大的局限性和高的风险。它无法识别数据的版权在技术层面,它已经无法适应信息环境的变化。数字水印是一种信息安全技术,可以应用于图像完整性认证和图像版权保护(13,14]。最初,数字水印是用于版权保护的数字多媒体在互联网上。随着医学领域对信息安全的需求,数字水印的不可见性和鲁棒性是用来隐藏病人的个人信息在医学图像在互联网上传播。通过数字水印,特定的标识信息嵌入到载体图像,使医学图像的真实性和完整性认证,电子病历(EPR)隐藏,可以实现版权保护。因此,医学图像水印具有极其重要的应用价值,它吸引了研究者的持续关注(15,16]。

医学图像水印一般选择不同的水印算法根据隐形,健壮性和嵌入容量。不可见性,鲁棒性,水印容量限制对方,但大多数当前的医学图像水印算法只关注其中的一个。医学图像大多是单通道灰度图像和像素中包含的细节是非常重要的。任何变化可能会导致变形,会影响医生的诊断。然而,传统的图像水印的应用医学图像很容易引起医学图像的失真,这可能导致潜在的误诊。为了减少水印的影响在医学图像的原始信息,是非常重要的设计一个医学图像水印算法对原始图像无损。自鲁棒水印采用零嵌入方式,原始医学图像没有修改。而实现保护,鲁棒水印考虑水印的鲁棒性和能力,不会破坏医学图像的完整性。因此,它非常适合医学图像(17- - - - - -19]。

健壮的医学图像水印主要集中在算法的能力抵抗各种攻击,也就是说,该算法可以完全不同的袭击后提取水印信息(20.- - - - - -22]。几何攻击将会改变之间的位置关系攻击了医学图像和原始医学图像,导致严重的水印信息和医学图像之间的同步,这使得它很难提取水印。因此,算法抵抗几何攻击的能力已成为一个研究热点领域的医学图像水印1,12]。但这些几何攻击主要指全球几何变换(旋转、缩放、翻译、等等),这是一种线性变换。然而,在实际应用中,通常有另一种类型的几何攻击,属于当地的非线性几何攻击。目前,有几个能够抵御当地非线性几何攻击的水印算法,使几乎所有的水印算法无效。与全球几何攻击相比,当地的非线性几何攻击更难实现。

为了解决这个问题,一个基于VGG19反对当地的非线性几何攻击的水印算法提出了。在该算法中,VGG19可以提取使用深层结构复杂的高级特性与强大的表示和学习能力。与此同时,网络结构具有良好的几何不变性,可以提取图像特征与高和良好的鲁棒性。算法使用基于深度感知哈希算法特性构造零水印,这与当地非线性几何攻击具有良好的鲁棒性。埃尔米特混沌神经网络用于争夺水印图像二次保护,它可以提高算法的安全性。实验结果表明,该算法能有效地抵抗局部非线性几何攻击和显示性能优越的算法相对于其他水印算法。

2。的基本理论

2.1。基于VGGnet特征提取

VGGnet是一种代表性的深卷积神经网络(CNN),通常用于特征提取和传输学习(23]。使用最广泛的VGGnet VGG19,由19个隐藏层卷积(16层和3层完全连接),如图1。VGG19使用一系列3×3的卷积核提取图像特征和扩展功能的数量渠道卷积层。让 和 代表的重量和偏见我th卷积层,可以提取特征 在哪里 和 ,分别表示地图和输入和输出特性 是解决线性单元(ReLU)。在每个卷积层,步设置为1。为了避免计算的爆炸,VGG19使用max池层以减少特征图的大小。


图1
VGG19网络的结构。

完全连接层,每个节点给定层与前一层的所有节点,可以分布式特性表示映射到样本标签空间 在哪里 表示完全连接层和的操作 指的是马克斯池操作。

年底VGG19, softmax层产生图像的分类结果: 在哪里 的概率吗jth节点和 和 ,分别表示的输出j节点的数量和分类。

相对于其他类型的cnn, VGG19改善网络的深度和采用许多卷积的交替结构层和非线性激活层,这有利于提取准确的特点。在这个工作中,从图像分类任务不同,我们只使用卷积层和最大池层从pretrained VGG19作为预处理方法从医学图像中提取深度特征图。与其他医学零水印算法,我们的方法可以从医学图像中提取抽象的高级特性来提高水印的antigeometric攻击能力。

2.2。离散傅里叶变换

离散傅里叶变换中扮演一个重要的角色在信号分析和处理的发展。因为它的明确的物理意义,离散傅里叶变换是信号分析和处理的广泛应用于许多领域。

2.2.1。一维离散傅里叶变换

让 表示一个时间域的函数 ,在哪里 代表一个时域变量和 是一个频域变量。当 到达狄利克雷条件,离散傅里叶变换公式(4)和反变换公式(5), 是一个频域函数:

2.2.2。二维离散傅里叶变换

对于一个给定的图像的大小 ,当它满足狄利克雷条件,积极二维离散傅里叶变换

其逆变换公式 在哪里 和 在空间域和值吗 和 是在频域的值。

二维离散傅里叶变换将图像从空间域转换为频域,具有明确的物理意义。图像的频率是一个指数,描述图像灰度变化的强度和梯度的灰度在平面上的空间。傅里叶变换后,图像的平面面积的变化由低频系数,和图像的细节是由高频系数表示。图2显示了一个医学图像的傅里叶变换的结果。

(一)
(一)
(b)
(b)
图2
医学图像的离散傅里叶变换。(一)原始医学图像。(b)医学图像傅里叶域中。

二维离散傅里叶变换后,图像的变换系数矩阵表明,如果变换矩阵的起源中心,中心附近的光谱能量集中的短变换系数矩阵。如果二维离散傅里叶变换矩阵的起源在左上角,图像的能量集中在系数矩阵的四个角落。这是由二维离散傅里叶变换的性质本身。它还表明,一般图像能量集中在低频区域。这决定了二维离散傅里叶变换是非常适合图像处理。在本文中,一个二维离散傅里叶变换用于医学图像的特性转换成傅里叶域中构造零水印。

2.3。感知哈希算法

感知哈希是单向从多媒体数据集映射到知觉的内容哈希值;,一个简短的数字摘要独特代表与相同的感知内容的多媒体数据。这个数字消化称为感知哈希值,所以映射过程也被称为哈希值生成的过程。

图像感知哈希通常被称为图像数字指纹或图像数字消化。它可以将图像映射到一组散列序列,大大降低了数字图像的存储和图像管理和维护带来了很大的便利。它已成为多媒体信号处理领域的一个研究热点和安全。知觉特征提取是感知哈希算法的核心。知觉特征提取的有效性和可靠性将直接影响感知哈希序列的独特性和鲁棒性。

摘要mean-perceptual散列算法。mean-perceptual散列算法使用元素的平均值的医学图像特征矩阵生成散列顺序。形象建设的特点是实现了VGG19和图像融合。图3描述mean-perceptual散列算法的流程图。


图3
mean-perceptual散列的流程图。
2.4。埃尔米特混沌神经网络

在这个工作中,一个新的埃尔米特混沌神经网络用于争夺水印图像(24]。网络的结构如图4的拓扑结构 。


图4
埃尔米特混沌神经网络的体系结构。

隐层神经元的输入 在哪里 是输入层和隐层之间的重量和 是隐藏层和输出层之间的重量。隐层神经元的输出 在哪里 代表埃尔米特多项式正交条件。埃尔米特正交多项式公式如下:

埃尔米特混沌神经网络的输出 (在哪里Tt,dt),t= 1,2,…l训练样本集和吗l是训练样本的数量。埃尔米特混沌神经网络的输入 ,和它所期望的输出 。反向传播(BP)算法来训练网络。

训练网络的权值根据以下公式: 在哪里 , 。

物流混乱产生的混沌序列函数作为样本集。物流混乱的函数如下: 在3.5699456≤u≤4,x∈(0,1)。

在这项工作中,我们设置 , , , , ,和培训1500时代的最大数量。埃尔米特混沌神经网络的训练过程如图5。训练次数是260时,误差是9.5169e−13省下来的,这项费用已达到了预期的错误。当埃尔米特混沌神经网络的初始值为0.66,生成的混沌序列网络如图6。混沌序列用于争夺水印图像。混沌序列的数目由水印图像的大小决定的。


图5
培训过程。

图6
混沌序列。

3所示。水印嵌入和提取算法

3.1。嵌入算法

选择一个图像与一个特定的意义,我们的算法与原始水印图像在实验中使用它。它是记录为 。原始水印图像的灰度值是表示为 。原始医学图像记录 。在这里,原始医学图像的像素灰度值的表示 。为方便计算,我们 , 。图7显示了水印嵌入过程。(1)埃尔米特混沌神经网络用于争夺原始水印图像像素的位置 得到加密水印图像 。(2)的pretrained VGG19用于提取深度特征图 的原始医学图像 : 在1≤k1≤≤8日l和1≤≤8日p≤512。(3)深特征图 是图像融合生成特性 : (4)二维离散傅里叶变换用于图像转换功能 ,和转换系数 得到构建医学图像的特征矩阵吗 : (5)哈希的医学图像序列特征矩阵 提取的mean-perceptual散列算法生成64位二进制序列散列 : 在哪里 。(6)64位二进制序列散列 与炒xor水印图像吗 。水印提取的关键 提取水印生成图片: 在哪里 , 。水印提取的关键 可以保存在第三方后提取水印。


图7
水印嵌入过程。
3.2。提取算法

要测试的医学图像记录 。提取算法类似于嵌入算法,具体步骤如下。图8显示水印提取过程。(1)的pretrained VGG19用于提取深度特征图 医学图像的测试 : 在哪里 。(2)深特征图 是图像融合生成特性 : (3)二维离散傅里叶变换用于图像转换功能 ,和转换系数 得到构建医学图像的特征矩阵吗 : (4)哈希的医学图像序列特征矩阵 提取的mean-perceptual散列算法生成64位二进制序列散列 : 在哪里 。(5)64位二进制序列散列 与水印提取xor钥匙吗 提取水印图像 从医学图像进行测试 : 在哪里 , 。(6)埃尔米特混沌神经网络用于反向争夺提取的水印图像 获得恢复水印图像 。(7)归一化相关系数(NC)是用于检测恢复水印图像 获得的医学图像进行测试 。规范化csrrelation系数公式如下公式所示:


图8
水印提取过程。

通过比较数控值之间的原始水印图像 和恢复水印图像 ,恢复水印的图像 获得的医学图像进行测试评估。数控值越大,原始水印图像之间的相关性就越大 和恢复水印图像 。

峰值信噪比(PSNR)被用来评价被测试的医学图像的质量。PSNR值公式如下: 在哪里 的最大灰度值图像像素和 之间的均方误差是原始图像和测试图像。

4所示。实验和分析

在这项工作中,几个实验是由应用局部非线性几何攻击调查提出的水印算法的性能和效率。5原始医学图像的人体的不同部位所产生的不同的医疗设备是用于测试的有效性提出了零水印算法。原始医学图像大小为128×128图所示9。原来的64×64水印图像和加密水印图像如图10。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图9
原始医学图像。
(一)
(一)
(b)
(b)
图10
水印图像。(一)原始水印图像。(b)炒水印图像。

下面的实验测试水印算法的能力抵抗局部非线性几何攻击。为了方便和可重复性的实验中,我们使用Adobe Photoshop软件的过滤函数来实现以下常见的局部变形的攻击。有四种类型的局部变形攻击:波纹扭曲攻击,挤压变形攻击,球形失真攻击,和旋转失真攻击。

4.1。波纹扭曲攻击

波纹扭曲攻击是一种常见的局部非线性几何攻击,它将图像像素的坐标转换根据不同的功能。表1显示波纹扭曲攻击下的实验结果,当变形量从150%增加到750%。表2给出了恢复水印图像与最小的数控价值和相应的医学图像进行测试。恢复水印图像从表可以明确确定2,这表明,该算法是非常有效的对波纹扭曲攻击。

表1
实验结果在波纹扭曲攻击。
表2
波纹扭曲攻击下的图像。
4.2。挤压变形的攻击

对挤压变形攻击,变形量是模拟的变化在10%和90%之间。实验结果如表所示3。所有数控值都大于0.74。在表4,很明显,恢复水印图像是非常清楚的。实验结果表明,该水印算法具有良好的鲁棒性与挤压变形的攻击。

表3
实验结果在挤压变形攻击。
表4
挤压下的图像失真攻击。
4.3。球形失真攻击

然后,我们测试该方法的鲁棒性球形图像失真。球形扭曲测试医学图像受到攻击的10%,30%,50%,70%,90%。实验结果表中列出5。它可以观察到从表5大多数数控值接近1.0。表的恢复水印图像6进一步证明了该算法具有良好的性能在球形失真攻击。

表5
实验结果在球面畸变攻击。
表6
球形失真攻击下的图像。
4.4。旋转失真攻击

我们也评估旋转失真攻击下该算法的鲁棒性。表7显示,当变形量增加,数控价值和PSNR值逐渐降低。从表可以看出8,即使数控值是0.5621,仍然可以准确提取的水印图像。这些结果表明,该算法具有更好的鲁棒性与旋转失真攻击。

表7
实验结果在旋转失真攻击。
表8
旋转下的图像失真攻击。

上述实验结果表明,该算法具有较强的功能对所有四种类型的局部变形的攻击。非线性的攻击,因为它是一个本地数控值并不一定减少随着变形量的增加,和数控的变化值是不一样的PSNR值的变化。

5。算法的比较

在本节中,该算法相比有两个代表医学图像水印算法。这三种算法的细节如表所示9。这三种算法健壮的医学图像水印算法。每一个鲁棒水印算法可以抵抗各种攻击具有良好的鲁棒性和安全性,可以解决各种各样的医学图像的信息安全问题。该算法和25,26零水印算法。他们的水印是基于医学图像的重要特征,而不是修改医学图像的内容。他们是容易实现,快速嵌入和提取,少量的计算和高速的优点。因此,该算法和25,26非常适合医学图像。在这些算法中,DWT, DCT和DFT都是线性变换。然而,VGG19多层感知机专门设计的图像识别。其特征提取本质上是一种非线性变换。

表9
比较该算法和其他算法。

为了进一步分析该算法的性能,该算法(25,26)也进行了局部非线性几何攻击实验在相同条件下。他们的结果是该算法的实验结果。

比较算法的四种类型的局部非线性几何攻击图所示11。像蓝色的条形图(11日)所示,很明显,该算法的能力抵抗波纹扭曲攻击是优于其他两种算法25,26]。挤压变形的实验结果的比较如图的攻击11 (b)。图11 (b)表明,挤压变形量的增加,算法的数控值接近1,这是明显高于其他两种算法25,26]。特别是当挤压变形量超过70%,数控的差异值是更重要的。图11 (c)显示了比较球面畸变下攻击。提出的算法的数控值都大于0.87。这证明该算法抗球形失真攻击。它可以看到从图11 (d)这三个算法能有效地抵抗旋转失真攻击,但该算法有更强的能力。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图11
该算法,两种算法鲁棒性比较25,26四种类型的局部非线性几何攻击。(一)波纹扭曲攻击。(b)挤压变形攻击。(c)球形失真攻击。(d)旋转失真攻击。

与上面的比较和分析的四个地方非线性几何攻击,该算法明显比其他两个算法在抵抗局部非线性几何攻击。因此,该算法具有良好的鲁棒性,能抵抗局部非线性几何攻击。

6。结论

近年来,医学图像水印算法对几何攻击一直是热的和困难的鲁棒水印技术研究的话题。本文设计了一种基于VGG19零水印算法抵抗局部非线性几何攻击。VGG19用于提取医学图像的特点,和二维离散傅里叶变换和mean-perceptual散列算法用于生成水印。算法的设计过程结合了深层卷积神经网络的概念,傅里叶变换,感知哈希,密码学,和零水印,水印抵抗局部非线性几何攻击的解决问题。同时,水印图像的加扰确保算法的安全性。医疗信息保护具有较高的实用价值。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。

确认

这项工作得到了重庆市教委科学技术研究项目(没有。KJQN201800442)和重庆市自然科学基金一般项目(没有。cstc2020jcyj-msxmX0422)。