論文の概要: TDADL-IE: A Deep Learning-Driven Cryptographic Architecture for Medical Image Security
- arxiv url: http://arxiv.org/abs/2510.11301v1
- Date: Mon, 13 Oct 2025 11:47:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.345106
- Title: TDADL-IE: A Deep Learning-Driven Cryptographic Architecture for Medical Image Security
- Title（参考訳）: TDADL-IE: 医用画像セキュリティのためのディープラーニング駆動暗号アーキテクチャ
- Authors: Junhua Zhou, Quanjun Li, Weixuan Li, Guang Yu, Yihua Shao, Yihang Dong, Mengqian Wang, Zimeng Li, Changwei Gong, Xuhang Chen,
- Abstract要約: MRIやCTなどのデジタル医療画像は、遠隔医療やクラウドストレージにおける患者のデータを保護するために強力な暗号化を要求する。
カオスシステムは、その感度と特徴のために画像暗号化に人気があるが、既存の方法には十分なセキュリティがないことが多い。
本稿では,3つのキー要素をベースとした3次元拡散アルゴリズムとディープラーニング画像暗号化システム(TDADL-IE)を提案する。
- 参考スコア（独自算出の注目度）: 7.607394734101082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rise of digital medical imaging, like MRI and CT, demands strong encryption to protect patient data in telemedicine and cloud storage. Chaotic systems are popular for image encryption due to their sensitivity and unique characteristics, but existing methods often lack sufficient security. This paper presents the Three-dimensional Diffusion Algorithm and Deep Learning Image Encryption system (TDADL-IE), built on three key elements. First, we propose an enhanced chaotic generator using an LSTM network with a 1D-Sine Quadratic Chaotic Map (1D-SQCM) for better pseudorandom sequence generation. Next, a new three-dimensional diffusion algorithm (TDA) is applied to encrypt permuted images. TDADL-IE is versatile for images of any size. Experiments confirm its effectiveness against various security threats. The code is available at \href{https://github.com/QuincyQAQ/TDADL-IE}{https://github.com/QuincyQAQ/TDADL-IE}.
- Abstract（参考訳）: MRIやCTなどのデジタル医療画像の出現は、遠隔医療やクラウドストレージにおける患者のデータを保護するために強力な暗号化を要求する。
カオスシステムは、その感度と特徴のために画像暗号化に人気があるが、既存の方法には十分なセキュリティがないことが多い。
本稿では,3つのキー要素をベースとした3次元拡散アルゴリズムとディープラーニング画像暗号化システム(TDADL-IE)を提案する。
まず, 1D-Sine Quadratic Chaotic Map (1D-SQCM) を用いたLSTMネットワークを用いた拡張カオス生成手法を提案する。
次に、新しい3次元拡散アルゴリズム(TDA)を適用し、置換された画像を暗号化する。
TDADL-IEは任意のサイズの画像に対して多用途である。
実験は、様々なセキュリティ脅威に対する有効性を確認します。
コードは \href{https://github.com/QuincyQAQ/TDADL-IE}{https://github.com/QuincyQAQ/TDADL-IE} で公開されている。
関連論文リスト
- Image Encryption Scheme Based on Hyper-Chaotic Map and Self-Adaptive Diffusion [0.5279475826661642]
本稿では,新しい2次元ハイパーカオスマップと自己適応拡散法を融合した,革新的な画像暗号化手法を提案する。
以上の結果から,提案手法は現在の最先端画像暗号化技術よりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-09-08T14:42:41Z) - Modality-Aware Feature Matching: A Comprehensive Review of Single- and Cross-Modality Techniques [91.26187560114381]
特徴マッチングはコンピュータビジョンにおける基礎的な課題であり、画像検索、ステレオマッチング、3D再構成、SLAMなどのアプリケーションに必須である。
本調査は,モダリティに基づく特徴マッチングを包括的にレビューし,従来の手作り手法と現代のディープラーニングアプローチについて検討する。
論文 参考訳（メタデータ） (2025-07-30T15:56:36Z) - DICOM Compatible, 3D Multimodality Image Encryption using Hyperchaotic Signal [0.0]
医療画像の暗号化は、機密性の高い健康情報をサイバー攻撃や不正アクセスから保護する上で重要な役割を果たす。
本稿では,マルチモード互換のセキュアで堅牢な暗号化方式を提案する。
暗号化は、DICOMイメージを入力として取り出し、その後、パディングして画像領域を増大させることから始まる。
論文 参考訳（メタデータ） (2025-04-29T12:11:23Z) - Deep Learning and Chaos: A combined Approach To Image Encryption and Decryption [1.8749305679160366]
本稿では,新しい3次元ハイパーカオスマップ,2次元メムリスタマップ,畳み込みニューラルネットワーク(CNN)からのハイパーカオス信号を用いた新しい画像暗号化と復号化アルゴリズムを提案する。
暗号アルゴリズムのロバスト性は、キー感度分析(キー要素に対するアルゴリズムの平均感度)によって示される。
論文 参考訳（メタデータ） (2024-06-24T16:56:22Z) - QMedShield: A Novel Quantum Chaos-based Image Encryption Scheme for Secure Medical Image Storage in the Cloud [0.0]
サードパーティのクラウドサービスに医療画像を保存することで、プライバシとセキュリティの懸念が高まる。
本稿では,医用画像に対する新しい量子カオスベースの暗号化方式を提案する。
提案手法は複数の統計的尺度を用いて評価され、より多くの攻撃に対して検証されている。
論文 参考訳（メタデータ） (2024-05-15T08:56:16Z) - Generative Enhancement for 3D Medical Images [74.17066529847546]
本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。
本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。
3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
論文 参考訳（メタデータ） (2024-03-19T15:57:04Z) - MITS-GAN: Safeguarding Medical Imaging from Tampering with Generative Adversarial Networks [48.686454485328895]
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、人間の目には知覚できない微調整された摂動を導入することで、攻撃者のCT-GANアーキテクチャの出力を妨害する。
CTスキャンによる実験結果から,MITS-GANの優れた性能が確認された。
論文 参考訳（メタデータ） (2024-01-17T22:30:41Z) - 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) - Hiding Images in Deep Probabilistic Models [58.23127414572098]
我々は、画像の深い確率モデルに隠蔽するための異なる計算フレームワークについて述べる。
具体的には、DNNを用いて、カバー画像の確率密度をモデル化し、学習した分布の特定の場所に秘密画像を隠す。
我々は,抽出精度とモデルセキュリティの観点から,SinGANアプローチの実現可能性を示す。
論文 参考訳（メタデータ） (2022-10-05T13:33:25Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - DeepEDN: A Deep Learning-based Image Encryption and Decryption Network
for Internet of Medical Things [11.684981995633304]
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。
論文 参考訳（メタデータ） (2020-04-12T01:42:47Z)
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。