論文の概要: DeepEDN: A Deep Learning-based Image Encryption and Decryption Network
for Internet of Medical Things
- arxiv url: http://arxiv.org/abs/2004.05523v2
- Date: Tue, 5 May 2020 14:19:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 05:39:39.038807
- Title: DeepEDN: A Deep Learning-based Image Encryption and Decryption Network
for Internet of Medical Things
- Title(参考訳): DeepEDN: 医療物のインターネットのためのディープラーニングベースの画像暗号化と復号ネットワーク
- Authors: Yi Ding, Guozheng Wu, Dajiang Chen, Ning Zhang, Linpeng Gong,
Mingsheng Cao, Zhiguang Qin
- Abstract要約: Internet of Medical Things (IoMT)は多くの医療画像機器を医療情報ネットワークに接続することができる。
DeepEDNは、医療画像の暗号化と復号化のプロセスを満たすために提案されている。
提案手法は高いレベルのセキュリティを実現し,高い効率性を実現する。
- 参考スコア(独自算出の注目度): 11.684981995633304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet of Medical Things (IoMT) can connect many medical imaging equipments
to the medical information network to facilitate the process of diagnosing and
treating for doctors. As medical image contains sensitive information, it is of
importance yet very challenging to safeguard the privacy or security of the
patient. In this work, a deep learning based encryption and decryption network
(DeepEDN) is proposed to fulfill the process of encrypting and decrypting the
medical image. Specifically, in DeepEDN, the Cycle-Generative Adversarial
Network (Cycle-GAN) is employed as the main learning network to transfer the
medical image from its original domain into the target domain. Target domain is
regarded as a "Hidden Factors" to guide the learning model for realizing the
encryption. The encrypted image is restored to the original (plaintext) image
through a reconstruction network to achieve an image decryption. In order to
facilitate the data mining directly from the privacy-protected environment, a
region of interest(ROI)-mining-network is proposed to extract the interested
object from the encrypted image. The proposed DeepEDN is evaluated on the chest
X-ray dataset. Extensive experimental results and security analysis show that
the proposed method can achieve a high level of security with a good
performance in efficiency.
- Abstract(参考訳): internet of medical things(iomt)は多くの医療画像機器を医療情報ネットワークに接続し、医師の診断と治療のプロセスを容易にする。
医療画像にはセンシティブな情報が含まれているため、患者のプライバシーやセキュリティを保護することは非常に困難である。
本研究では,医療画像の暗号化と復号化のプロセスを実現するために,deepedn(deep learning based encryption and decryption network)を提案する。
具体的には、DeepEDNでは、Cycle-Generative Adversarial Network (Cycle-GAN) が、医学画像を元のドメインからターゲットドメインに転送する主な学習ネットワークとして使用される。
ターゲットドメインは、暗号化を実現するための学習モデルを導く「隠れた要因」と見なされる。
暗号化された画像を再構成ネットワークを介して元の(平文)画像に復元し、画像復号化を実現する。
プライバシー保護環境から直接データマイニングを容易にするために、興味のあるオブジェクトを暗号化画像から抽出するための関心領域(roi)-mining-networkが提案されている。
提案したDeepEDNは胸部X線データセットを用いて評価する。
広範な実験結果とセキュリティ解析により,提案手法は高いセキュリティ性能を実現でき,効率も良好であることが示された。
関連論文リスト
- MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative
Adversarial Networks [52.233065714716886]
本研究では,医療画像の改ざんを防止する新しいアプローチであるMITS-GANを紹介する。
このアプローチは攻撃者のCT-GANアーキテクチャの出力を妨害する。
CTスキャンデータセットの実験結果は、MITS-GANの優れた性能を示している。
論文 参考訳(メタデータ) (2024-01-17T22:30:41Z) - Preserving Patient Privacy in MRI Scans: A Comprehensive Approach with
3D Masked Autoencoders [2.769052424139363]
データ匿名化と非識別化は、個人の個人情報のプライバシーと機密性の確保に関係している。
本研究では,マスク付きオートエンコーダを用いた顔識別モデルCP-MAEを提案する。
我々の方法では、最大2563ドルまでの解像度のスキャンを合成することができ、ボクセルの数が8倍に増加する。
論文 参考訳(メタデータ) (2023-10-24T12:25:37Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - Human-imperceptible, Machine-recognizable Images [76.01951148048603]
より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。
画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。
提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
論文 参考訳(メタデータ) (2023-06-06T13:41:37Z) - Deep Learning-based Anonymization of Chest Radiographs: A
Utility-preserving Measure for Patient Privacy [7.240611820374677]
従来の匿名化処理は、画像中の個人情報をブラックボックスで隠蔽して行う。
このような単純な測定は、胸部X線写真に生体情報を保持し、リンケージ攻撃によって患者の再同定を可能にする。
胸部X線画像の匿名化を目的とした,初となる深層学習型アプローチ(PriCheXy-Net)を提案する。
論文 参考訳(メタデータ) (2022-09-23T11:36:32Z) - Privacy-Preserving Image Acquisition Using Trainable Optical Kernel [50.1239616836174]
本稿では、画像センサに到達する前に、光学領域の感度の高い識別情報を除去する訓練可能な画像取得手法を提案する。
イメージセンサに到達する前に、センシティブなコンテンツが抑制されるため、デジタルドメインには入らないため、いかなる種類のプライバシー攻撃でも検索できない。
論文 参考訳(メタデータ) (2021-06-28T11:08:14Z) - NeuraCrypt: Hiding Private Health Data via Random Neural Networks for
Public Training [64.54200987493573]
我々は,ランダムな深層ニューラルネットワークに基づくプライベート符号化方式であるNeuraCryptを提案する。
NeuraCryptは、データ所有者のみが知っているランダムに構築されたニューラルネットワークを使用して、生の患者データをエンコードする。
我々は,NeuraCryptが,様々なX線タスクの非プライベートベースラインに対して,競合精度を達成することを示す。
論文 参考訳(メタデータ) (2021-06-04T13:42:21Z) - Jekyll: Attacking Medical Image Diagnostics using Deep Generative Models [8.853343040790795]
Jekyllは、患者のバイオメディカルイメージを入力として取得し、攻撃者選択病状態を示す新しい画像に変換する神経型転送フレームワークです。
これらの攻撃は、医療専門家とアルゴリズム検出スキームの両方を誤解させる結果となった。
また,jekyllが生成する画像を検出するための機械学習に基づく防御対策についても検討した。
論文 参考訳(メタデータ) (2021-04-05T18:23:36Z) - DeepKeyGen: A Deep Learning-based Stream Cipher Generator for Medical
Image Encryption and Decryption [36.7308894683354]
本稿では,ディープラーニングに基づく新しいキー生成ネットワーク(DeepKeyGen)を提案する。
DeepKeyGenは、秘密鍵を生成するストリーム暗号ジェネレータとして提案される。
提案された鍵生成ネットワークは、秘密鍵の生成において高いレベルのセキュリティを達成できる。
論文 参考訳(メタデータ) (2020-12-21T03:21:59Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。