ECDSA-based tamper detection in medical data using a watermarking technique
Notice bibliographique
Résumé
Telemedicine is a form of healthcare delivery that employs communication technology to provide medical care to patients remotely. The use of telemedicine has seen a significant increase in recent years, presenting challenges such as patient privacy, data security, the need for reliable communication technology, and the potential for misdiagnosis without a physical examination. Digital Watermarking can assist in addressing such issues by incorporating a unique identifier into the image that can be used to authenticate its validity. To tackle these issues, this study proposes a robust digital watermarking approach tailored to brain medical images, combining hashing, the Elliptic Curve Digital Signature Algorithm (ECDSA), and the Integer Wavelet Transform-Discrete Cosine Transform (IWT-DCT). This method utilizes the Secure Hash Algorithm (SHA-256) to first segment the brain's Region of Interest (RoI). Subsequently, the hashed RoI, along with an ECDSA signature, is embedded into the high-frequency sub-bands of the medical image using IWT-DCT. The embedding process strategically alters the coefficients of the high-frequency sub-bands to accommodate the signature while minimizing perceptual distortion. The technique leverages the robustness of transformed-domain image watermarking techniques against various attacks and combines it with SHA-256 for integrity and ECDSA for authentication purposes. The results demonstrate that the suggested approach is robust to a variety of image processing techniques, including noise addition, filtering, and compression while maintaining high levels of imperceptibility. Key metrics such as the Peak Signal-to-Noise Ratio (PSNR), Mean Squared Error (MSE), and Structural Similarity Index (SSIM) were used to evaluate performance. The suggested strategy exhibited a substantial improvement over existing methods. The PSNR increased to 68.67, indicating higher image quality, while the MSE reduced to 0.96, demonstrating closer pixel values to the original image. Moreover, the SSIM reached 0.98, denoting a nearly perfect resemblance between the watermarked and original images. The suggested approach also demonstrated quick embedding and extraction speeds, as well as tamper detection capabilities.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».