A Novel Fragmented Approach for Securing Medical Health Records in Multimodal Medical Images
Notice bibliographique
Résumé
Medical health records hold personal medical information and should only be accessed by authorized medical personnel or concerned patients. The importance of medical health records privacy is increasing as these records are shared in cloud environments. In this paper, we propose an enhanced system for securing patient data (Medical Health Records) embedded in multiple medical images in fragments for secure transmission and public sharing on the cloud or other environments. To protect the patient’s privacy, Medical Records are first encrypted, and then the ciphertext is broken into several fragments based on the number of multimodal medical images of a patient. A key generator randomly selects medical images from the multimodal image data to embed the encrypted patient health record segment using a modified least significant bit embedding process. The proposed technique enables an extra layer of security as even if files fall into the wrong hands and a fragment of the file is decrypted, it will not present any understandable information until all fragments from other medical images are extracted and combined in the correct order. The experiments are performed using multimodal 3255 MRI scans of 21 patients. The robustness of the proposed method was measured using different metrics such as PSNR, MSE, and SSIM. The results show that the proposed system is robust and that image quality is also maintained. To further study the stego image quality, a deep learning-based classification was applied to the images, and the results show that the diagnosis using stego medical images and performance remains unaffected even after embedding the encrypted data.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».