Authentication of NIfTI Neuroimages Using Lifting Wavelet Transform, Arnold Cat Map, Z-Transform, and Hessenberg Decomposition
Notice bibliographique
Résumé
The technological progress in digital medical imaging has enabled the diagnosis of various ailments, and thus upgraded the global healthcare system. In the era of coronavirus 2019 (COVID-19), telemedicine plays the crucial role of supporting remote medical consultation in rural locations. During the remote consultation, numerous medical images are sent to each radiologist via the Internet. There has been a surge in the number of attacks on digital medical images worldwide, which severely threatens authenticity and ownership. To mitigate the threat, this paper proposes a robust and secure watermarking approach for NIfTI images. Our approach painstakingly incorporates a watermark into the chosen NIfTI image slice, aiming to accurately fit the watermark, while preserving the medical information contained in the slice. Specifically, the original image was converted through the lifting wavelet transform (LWT), realizing excellent modification during insertion. Next, Z-transform was applied over the low-low (LL) band, and the Hessenberg decomposition (HD) was performed on the transformed band, which contains the maximum energy of the image. Afterwards, Arnold Cat map was employed to scramble the watermark, before inserting it into the slice. Simulation results show that our approach strikes a perfect balance between security, imperceptibility, and robustness against various attacks, as suggested by metrics like peak signal-to-noise ratio (PSNR), normalized correlation (NC), structural similarity index measure (SSIM), and universal image quality index Q.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».