随着第五代移动网络的发展，远程医疗诊断已成为一种简化流程和提高患者体验的新技术。在这种情况下，大量的电子病历（EPR）和医学图像在公共网络上传输。然而，攻击者可能会未经授权窃取医疗数据来谋取利益。此外，远程医疗共享平台收集的患者身份数据和诊断结果等敏感信息，可能导致严重的隐私泄露。
在现有的医学数据隐私保护方案中，基于水印的隐私保护方法都倾向于利用EPR作为文本水印的不可见性来实现隐私保护，其他方案大部分采用图像隐写技术。然而，前者将医学图像加密成易受攻击的类噪声图像，后者则难以在嵌入能力和视觉质量之间取得良好的平衡。同时，现有的隐写技术主要侧重于自然图像的隐私保护，而没有充分考虑远程医疗共享场景中医疗图像的隐私和安全性，如表1所示。
此外，CycleGAN作为生成式人工智能模型的典型代表，已经广泛应用于隐私保护领域。但由于该网络的开放性，攻击者可以通过自己训练的恢复网络从相应的隐写图像中恢复原始的秘密图像。因此，如何构造具有唯一性的CycleGAN也是一个亟待解决的问题。
综上所述，为了同时保证EPR和医学图像的隐私性和安全性，受CycleGAN模型的启发，我们将模态转换的思想应用到医学图像隐私保护中，如图1所示。在不放弃传统数据隐藏无损恢复特性的前提下，本文提出一种用于远程医疗中EPR和医学图像安全共享的隐私保护机制PPM-SEM，其包括隐私准备阶段和隐私保护与重构阶段。图2展示了本文的总体框架。
图1 模态转换示意图
图2 本文提出的PPM-SEM模型框架图
第一阶段，我们提出了一种双水印方案，即采用鲁棒的数据隐藏方法将文本和图像结合起来形成双水印，从而保证了患者身份数据的隐私性。第二阶段，提出了一种带有双水印的模态转换网络W-CycleGAN用于医学图像隐私保护。该模型通过将医学图像转换为其他有意义的医学图像进行传输来减少攻击者的怀疑。与CycleGAN不同的是，本文提出的网络具有唯一性，通过在给定医学图像的第四通道中放置双水印作为网络的输入来更新W-CycleGAN的神经网络架构，实现只有配对的CycleGAN (W-CycleGAN)才能恢复正确的医学图像。
实验结果表明，所提出的PPM-SEM在重建质量、水印的鲁棒性和安全性方面优于现有的基于水印的隐私保护算法和其他图像隐写方法。此外，只有具有正确密钥的恢复网络才能恢复高质量的医学图像，非配对恢复网络可以恢复视觉上有意义的医学图像，达到患者身份混淆的目的，从而实现远程医疗场景中患者的隐私保护。
论文信息
该研究工作已被期刊IEEE Transactions on Multimedia （TMM 2023）录用，作者为江西财经大学温文媖、苑紫烨和方玉明以及南京航空航天大学张玉书和祁树仁。
Wenying Wen, Ziye Yuan, Shuren Qi, Yushu Zhang, Yuming Fang. PPM-SEM: A privacy-preserving mechanism for sharing electronic patient records and medical images in telemedicine, IEEE Transactions on Multimedia, doi: 10.1109/TMM.2023.3339588.（点击下方阅读原文查看论文全文）
供稿：温文媖，江西财经大学信息管理学院教授
声明：本文来自隐者联盟，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
