CN115879126A - 基于安全云存储的医疗信息共享方法、电子设备及存储介质 - Google Patents

基于安全云存储的医疗信息共享方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115879126A
CN115879126A CN202211593668.2A CN202211593668A CN115879126A CN 115879126 A CN115879126 A CN 115879126A CN 202211593668 A CN202211593668 A CN 202211593668A CN 115879126 A CN115879126 A CN 115879126A
Authority
CN
China
Prior art keywords
information
patient
medical
row
column
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211593668.2A
Other languages
English (en)
Other versions
CN115879126B (zh
Inventor
张顺
张成虎
霍彦霖
周超
冀梦月
吴福虎
崔小娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202211593668.2A priority Critical patent/CN115879126B/zh
Publication of CN115879126A publication Critical patent/CN115879126A/zh
Application granted granted Critical
Publication of CN115879126B publication Critical patent/CN115879126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于安全云存储的医疗信息共享方法、电子设备及存储介质，该方法步骤包括：1、医院生成患者的医疗信息；2、对患者隐私信息加密；3、将患者医疗信息嵌入医学图像；4、上传加密信息到云存储***；5、医院从云存储***检索相关医疗信息；6、医疗信息提取与数据恢复；7、患者身份识别与信息解密。本发明能实现对患者个人信息进行加密，并对医疗记录进行信息隐藏，使用深度学习进行医疗信息检索和图像匹配，在***露患者隐私信息的情况下共享医疗信息。

Description

基于安全云存储的医疗信息共享方法、电子设备及存储介质
技术领域
本发明涉及医疗信息云共享与信息隐藏技术领域，具体来说是一种基于安全云存储的医疗信息共享方法、电子设备及存储介质。
背景技术
随着云计算技术的发展，数据的云存储与共享服务受到广泛关注。在医学领域，传统的医疗图像为胶片形式，这种传统的胶片存在一些问题：1、成像效果受胶片质量影响；2、需要存放在合适的环境中，且占用空间较大；3、不方便共享等。现代化医疗采用数字化影像与云存储技术必将成为一种趋势，将电子医疗影像存储于数据库***，极大地方便了管理，同时解决了海量图像信息的存储问题。将医疗图像信息存储于云存储***，实现了医疗图像的数字化，且方便了信息的共享。
然而，云存储与信息共享可能存在隐私泄露的问题。医疗影像通常包含患者的身份等敏感信息，如果将患者的医疗图像和信息直接上传到云存储***，则存在隐私安全问题。如果存在不可信的第三方服务器因为商业利益而泄露患者的隐私信息，或者共享信息获取方利用患者的隐私信息获取利益，将会给患者带来困扰。而传统的云存储安全手段为密码学加密，对图像进行加密生成密文，仅秘钥拥有者能够解密，解密后才能查看图像信息，这不利于信息的共享。加密的方法虽然提供了有力的安全保证，但是繁琐的加密与解密以及数据传输费用使得成本增大。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于安全云存储的医疗信息共享机制方法、电子设备及存储介质，以期能通过信息隐藏技术为医疗领域的云存储数据提供隐私保护，从而能够在共享医疗信息的同时保证云存储***中数据的安全。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于安全云存储的医疗信息共享方法的特点是应用于由n家医院H＝{h1,h2,...,hi,...,hn}、m名患者P＝{p1,p2,...,pj,...,pm}和云存储***所组成的医疗环境中，其中，hi表示第i家医院，1≤i≤n；pj表示第j名患者，1≤j≤m；所述医疗信息共享方法是按如下步骤进行：
步骤1、医院生成患者的医疗信息，包括病历信息和医疗记录：
步骤1.1、生成患者的病历信息：
假设第j名患者pj到第i家医院hi就诊，第i家医院hi获取第j名患者pj的个人身份信息IDj以及医疗图像Ij，并生成电子病历rj，从而构建第j名患者pj的病历信息Rj＝(IDj,rj)；
步骤1.2、生成患者的医疗记录：
步骤1.2.1、第i家医院hi治疗第j名患者pj后生成第j名患者pj的医疗记录，所述医疗记录包含治疗方案和治疗记录；
步骤1.2.2、对第j名患者pj的医疗记录进行解析，生成医疗记录的文本信息MRj；
步骤2、对患者病历信息加密：
步骤2.1、生成第j名患者pj的加密秘钥keyj和身份识别令牌tokenj，并写入第j名患者pj的就诊卡；
步骤2.2、采用AES加密算法对第j名患者pj的病历信息Rj进行加密，得到加密后的病历信息密文Rsj；
步骤3、将加密后的病历信息密文Rsj作为秘密信息嵌入医疗图像Ij中，得到含有秘密信息的隐写图像
Figure BDA0003995987270000021
步骤3.1、将医疗图像Ij的位平面分解为HSB位平面
Figure BDA0003995987270000022
和LSB位平面/>
Figure BDA0003995987270000023
令/>
Figure BDA0003995987270000024
表示HSB位平面/>
Figure BDA0003995987270000025
中第u行第v列的像素值，/>
Figure BDA0003995987270000026
表示LSB位平面/>
Figure BDA0003995987270000027
中第u行第v列的像素值；
步骤3.2、对HSB位平面
Figure BDA0003995987270000028
可能溢出的像素进行标记，从而建立位置图LMj：
设定最大阈值Tmax与最小阈值Tmin；
若
Figure BDA0003995987270000029
或/>
Figure BDA00039959872700000210
则表示HSB位平面/>
Figure BDA00039959872700000211
中第u行第v列的像素值溢出，并将HSB位平面/>
Figure BDA00039959872700000212
中第u行第v列的位置标记为“1”；
若
Figure BDA00039959872700000213
或/>
Figure BDA00039959872700000214
则表示HSB位平面/>
Figure BDA00039959872700000215
中第u行第v列的像素值溢出，并将HSB位平面/>
Figure BDA00039959872700000216
中第u行第v列的位置标记为“2”；
否则，表示HSB位平面
Figure BDA00039959872700000217
中第u行第v列的像素值未溢出，并将HSB位平面/>
Figure BDA00039959872700000218
中第u行第v列的位置标记为“0”；从而得到HSB位平面/>
Figure BDA0003995987270000031
对应的位置图LMj；
步骤3.3、修改HSB位平面
Figure BDA0003995987270000033
可能溢出的像素值，从而得到处理后的HSB位平面
Figure BDA0003995987270000032
若
Figure BDA0003995987270000036
则将HSB位平面/>
Figure BDA0003995987270000035
中第u行第v列的像素值/>
Figure BDA0003995987270000034
减“2”；
若
Figure BDA0003995987270000037
则将HSB位平面/>
Figure BDA0003995987270000038
中第u行第v列的像素值/>
Figure BDA00039959872700000322
加“2”；
若
Figure BDA0003995987270000039
则将HSB位平面/>
Figure BDA00039959872700000320
中第u行第v列的像素值/>
Figure BDA00039959872700000321
减“1”；
若
Figure BDA00039959872700000310
则将HSB位平面/>
Figure BDA00039959872700000311
中第u行第v列的像素值/>
Figure BDA00039959872700000312
加“1”；
步骤3.4、使用算术编码对位置图LMj进行无损压缩得到压缩后的位置图
Figure BDA00039959872700000313
将处理后的HSB位平面
Figure BDA00039959872700000314
中除第一行像素点、第一列像素点以及最后一行、最后一列以外的其余像素点均划分为棋盘格；
步骤3.5、将棋盘格中第u′行第v′列的像素值
Figure BDA00039959872700000315
相邻的8个像素值进行升序排列，并计算排序后的像素值中前六个像素值的均值再取整后记为第u′行第v′列的预测值q1(u′,v′)；计算排序后的像素值中后六个像素值的均值再取整后记为第u′行第v′列的预测值q2(u′,v′)；
步骤3.6、使用预测误差扩展法对棋盘格中的每个像素点进行两次嵌入，从而得到新的HSB位平面
Figure BDA00039959872700000316
/>
步骤3.6.1、将压缩后的位置图
Figure BDA00039959872700000317
添加到加密后的病历信息密文Rsj的尾端，从而得到新秘密数据Rs′j，定义秘密信息记为b和b′；
步骤3.6.2、计算第一次嵌入的预测误差
Figure BDA00039959872700000318
步骤3.6.3、当e1＝1时，对棋盘格中第u′行第v′列的像素值
Figure BDA00039959872700000319
加上部分秘密信息b；
当e1＝0时，对棋盘格中第u′行第v′列的像素值
Figure BDA00039959872700000323
减去部分秘密信息b；
当e1＞1时，对棋盘格中第u′行第v′列的像素值
Figure BDA00039959872700000324
自增1；
当e1＜0时，对棋盘格中第u′行第v′列的像素值
Figure BDA00039959872700000325
自减1；
从而得到第一次嵌入后的第u′行第v′列的像素值
Figure BDA0003995987270000041
步骤3.6.4、计算第二次嵌入的预测误差
Figure BDA0003995987270000042
当e2＝1时，对第u′行第v′列的像素值
Figure BDA0003995987270000043
加上部分秘密信息b′；
当e2＝0时，对第u′行第v′列的像素值
Figure BDA0003995987270000044
减去部分秘密信息b′；
当e2＞1时，对第u′行第v′列的像素值
Figure BDA0003995987270000045
自增1；
当e2＜0时，对第u′行第v′列的像素值
Figure BDA0003995987270000046
自减1；
从而得第二次嵌入后的第u′行第v′列的像素值
Figure BDA0003995987270000047
步骤3.7、将新的HSB位平面
Figure BDA0003995987270000048
和LSB位平面/>
Figure BDA0003995987270000049
组合得到含有新秘密数据Rs′j的隐写图像/>
Figure BDA00039959872700000410
步骤4、合并医疗信息并上传到云存储***：
步骤4.1、合并第j名患者pj的医疗记录的文本信息MRj、身份识别令牌tokenj和隐写图像
Figure BDA00039959872700000412
形成第j名患者pj完整的加密医疗信息/>
Figure BDA00039959872700000411
步骤4.2、将完整的加密医疗信息Mj上传到所述云存储***；
步骤5、从所述云存储***中检索相似病例的医疗信息：
步骤5.1、使用深度学习模型进行文本匹配与信息检索：
步骤5.1.1、根据第j名患者pj的患病情况，输入查询的病情症状信息；
步骤5.1.2、利用深度学习模型对病情症状信息进行解析，并提取语义特征向量；
步骤5.1.3、将语义特征向量与云存储***中的病历信息进行特征相似度计算，并生成文本相似度降序排序结果；
步骤5.1.4、根据文本降序相似度排序结果，从而得到与第j名患者pj相似病例的文本信息集合MRj＝{MR1,j,MR2,j,...,MRk,j,...,MRr,j}，其中，MRk,j表示与第j名患者pj相似病例的第k条文本信息，1≤k≤r；r表示相似病例总数；
步骤5.2、使用深度学习模型对医疗图像Ij进行特征提取与特征检索：
步骤5.2.1、将第j名患者pj的医疗图像Ij输入深度学习模型中进行特征提取，得到医疗图像Ij中病灶区域的特征并保存为病灶特征向量；
步骤5.2.2、将第j名患者pj的医疗图像Ij的病灶特征向量与云存储***中的医疗图像的病灶特征向量进行图像特征相似度计算，并生成图像相似度降序排序结果；
步骤5.2.3、根据图像相似度降序排序结果，得到与第j名患者pj相似病例的医疗图像集合Ij＝{I1,j,I2,j,...,Id,j,...,Ir,j}，其中，Id,j表示与第j名患者pj相似病例的第d张医疗图像，1≤d≤r；
步骤5.3、根据第j名患者pj的个人身份信息IDj，从所述云存储***中获取第j名患者pj的以往医疗信息：
使用第j名患者pj的就诊卡在第i家医院hi的终端进行身份验证，并根据就诊卡中身份识别令牌tokenj从所述云存储***获取第j名患者pj的加密医疗信息Mj；
步骤5.4、根据第j名患者pj的加密医疗信息Mj，得到其他相似病例的加密医疗信息集合Mj＝{M1,j,M2,j,...,Mk,j,...,Mr,j}，其中，Mk,j表示与第j名患者pj相似病例的第k名患者的加密医疗信息，1≤k≤r；
令加密医疗信息Mk,j中医疗记录的文本信息为MRk,j，隐写图像为
Figure BDA0003995987270000051
步骤6、对隐写图像
Figure BDA0003995987270000052
进行提取和图像恢复：
步骤6.1、将隐写图像
Figure BDA0003995987270000053
分解为HSB位平面/>
Figure BDA0003995987270000054
和LSB位平面/>
Figure BDA0003995987270000055
步骤6.2、对HSB位平面
Figure BDA0003995987270000056
中的每个像素点进行两次提取，从而得到二次提取后的HSB位平面值/>
Figure BDA0003995987270000057
以及由所有提取出的秘密信息组成新的秘密数据Rsk′；
步骤6.2.1、对
Figure BDA0003995987270000058
中第u行第v列的像素值/>
Figure BDA0003995987270000059
相邻的8个像素升序排列，并计算排序后的像素值中前六个像素值的均值再取整后记为第u行第v列的预测值q1′(u,v)；计算排序后的像素值中后六个像素值的均值再取整后记为第u行第v列的预测值q2′(u,v)；
步骤6.2.2、计算第一次提取的预测误差
Figure BDA00039959872700000512
当e2′＝1、2、0或-1时，从/>
Figure BDA00039959872700000510
中提取出秘密信息/>
Figure BDA00039959872700000511
并得一次提取后的HSB位平面值
Figure BDA0003995987270000061
步骤6.2.3、计算第二次提取的预测误差
Figure BDA0003995987270000062
当e1′＝1，2，0或-1时，从/>
Figure BDA0003995987270000063
中提取出秘密信息/>
Figure BDA0003995987270000065
并得到二次提取后的HSB位平面值
Figure BDA0003995987270000064
步骤6.3、从新的秘密数据Rsk′中分离出压缩后的位置图
Figure BDA0003995987270000066
和病历信息密文Rsk；
步骤6.4、对所述压缩后的位置图
Figure BDA0003995987270000067
进行解压，得到对应的位置图LMk，通过位置图LMk对/>
Figure BDA0003995987270000068
进行还原，再与/>
Figure BDA0003995987270000069
结合后，得到与第j名患者pj相似病例的第k名患者的医疗图像Ik,j；
步骤7、患者身份识别与信息解密：
步骤7.1、根据第j名患者pj持有的身份识别令牌tokenj从所述云存储***中搜索身份识别令牌相同的加密医疗信息；
步骤7.2、利用第j名患者pj的秘钥keyj，采用AES算法对第j名患者pj的病历信息密文Rsj进行解密，得到病历信息Rj，再对第j名患者pj的病历信息Rj进行分解后得到第j名患者pj的个人身份信息IDj和电子病历rj。
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述医疗信息共享方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述医疗信息共享方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、本发明将加密技术与隐写技术相结合，对患者个人身份信息进行加密处理生成密文，将密文和医疗信息隐写入医疗图像。通过对信息加密与隐写，为隐私信息提供了双重保护。避免了因云存储***存在安全隐患而导致隐私泄露的问题。
2、本发明对患者身份进行了双重认证。只有身份令牌相匹配才能获取到自身的医疗信息，获取到医疗信息后需要使用加密时生成的秘钥才能对医疗信息中的病例信息进行解密。通过双重认证，增大了隐私保护力度，避免了未授权的各方恶意获取隐私信息的问题。
3、本发明使用深度学习来进行治疗记录信息检索与医疗图像特征检索。训练良好的深度学习模型，可以提取出医疗信息的文本语义特征和医疗图像的病灶特征。通过检索文本与图像，即可获得云存储***中相似的医疗信息和图像，从而有利于提高医生的工作效率。
附图说明
图1为本发明方法的整体流程图。
具体实施方式
本实施例中，一种基于安全云存储的医疗信息共享方法，是应用于由n家医院H＝{h1,h2,...,hi,...,hn}、m名患者P＝{p1,p2,...,pj,...,pm}和云存储***所组成的医疗环境中，其中，hi表示第i家医院，1≤i≤n；pj表示第j名患者，1≤j≤m；
基于安全云存储的医疗信息共享方法为医疗领域的医疗信息云共享的数据安全提供保障，首先对患者的身份和病历中的隐私信息进行加密，并生成患者身份令牌用于患者的身份识别。然后将加密的信息作为秘密数据嵌入医疗图像，并将治疗记录与隐写图像上传至云存储***。最后医生从云存储***检索相似病例的医疗信息，提取秘密数据与恢复医疗图像，识别就诊患者的身份令牌并根据患者的秘钥解密隐私信息，具体的说，如图1所示，该医疗信息共享方法是按如下步骤进行：
步骤1、医院生成患者的医疗信息，包括病历信息和医疗记录：
步骤1.1、生成患者的病历信息：
假设第j名患者pj到第i家医院hi就诊，第i家医院hi获取第j名患者pj的个人身份信息IDj以及医疗图像Ij，并生成电子病历rj，从而构建第j名患者pj的病历信息Rj＝(IDj,rj)；
步骤1.2、生成患者的医疗记录：
步骤1.2.1、第i家医院hi治疗第j名患者pj后生成第j名患者pj的医疗记录，医疗记录包含治疗方案和治疗记录；
步骤1.2.2、对第j名患者pj的医疗记录进行解析，生成医疗记录的文本信息MRj；
步骤2、对患者病历信息加密：
步骤2.1、生成第j名患者pj的加密秘钥keyj和身份识别令牌tokenj，并写入第j名患者pj的就诊卡；
步骤2.2、采用AES加密算法对第j名患者pj的病历信息Rj进行加密，得到加密后的病历信息密文Rsj；
步骤3、将加密后的病历信息密文Rsj作为秘密信息嵌入医疗图像Ij中，得到含有秘密信息的隐写图像
Figure BDA0003995987270000081
步骤3.1、将医疗图像Ij的位平面分解为HSB位平面
Figure BDA0003995987270000082
和LSB位平面/>
Figure BDA0003995987270000083
令/>
Figure BDA0003995987270000084
表示HSB位平面/>
Figure BDA0003995987270000085
中第u行第v列的像素值，/>
Figure BDA0003995987270000086
表示LSB位平面/>
Figure BDA0003995987270000087
中第u行第v列的像素值；
步骤3.2、对HSB位平面
Figure BDA0003995987270000088
可能溢出的像素进行标记，从而建立位置图LMj：：
设定最大阈值Tmax与最小阈值Tmin；
若
Figure BDA0003995987270000089
或/>
Figure BDA00039959872700000810
则表示HSB位平面/>
Figure BDA00039959872700000811
中第u行第v列的像素值溢出，并将HSB位平面/>
Figure BDA00039959872700000812
中第u行第v列的位置标记为“1”；
若
Figure BDA00039959872700000813
或/>
Figure BDA00039959872700000814
则表示HSB位平面/>
Figure BDA00039959872700000815
中第u行第v列的像素值溢出，并将HSB位平面/>
Figure BDA00039959872700000816
中第u行第v列的位置标记为“2”；
否则，表示HSB位平面
Figure BDA00039959872700000817
中第u行第v列的像素值未溢出，并将HSB位平面/>
Figure BDA00039959872700000818
中第u行第v列的位置标记为“0”；从而得到HSB位平面/>
Figure BDA00039959872700000819
对应的位置图LMj；
因为HSB位平面
Figure BDA00039959872700000820
中第u行第v列的像素值溢出和不溢出的情况共有三种，标记位需要设置0,1,2，若采用二进制压缩的方法则标记需要使用两位表示，导致辅助信息过大，所以使用三进制表示，可以有效减少压缩位置图的长度；
步骤3.3、修改HSB位平面
Figure BDA00039959872700000821
可能溢出的像素值，从而得到处理后的HSB位平面
Figure BDA00039959872700000822
若
Figure BDA00039959872700000823
则将HSB位平面/>
Figure BDA00039959872700000824
中第u行第v列的像素值/>
Figure BDA00039959872700000825
减“2”；
若
Figure BDA00039959872700000826
则将HSB位平面/>
Figure BDA00039959872700000827
中第u行第v列的像素值/>
Figure BDA00039959872700000828
加“2”；
若
Figure BDA00039959872700000829
则将HSB位平面/>
Figure BDA00039959872700000830
中第u行第v列的像素值/>
Figure BDA00039959872700000831
减“1”；
若
Figure BDA00039959872700000832
则将HSB位平面/>
Figure BDA00039959872700000833
中第u行第v列的像素值/>
Figure BDA00039959872700000834
加“1”；
其余情况保持HSB位平面
Figure BDA00039959872700000835
中第u行第v列的像素值/>
Figure BDA00039959872700000836
不变；
步骤3.4、使用算术编码对位置图LMj进行无损压缩得到压缩后的位置图
Figure BDA0003995987270000091
将处理后的HSB位平面
Figure BDA0003995987270000092
中除第一行像素点、第一列像素点以及最后一行、最后一列以外的其余像素点均划分为棋盘格；
步骤3.5、将棋盘格中第u′行第v′列的像素值
Figure BDA0003995987270000093
相邻的8个像素值进行升序排列，并计算排序后的像素值中前六个像素值的均值再取整后记为第u′行第v′列的预测值q1(u′,v′)；计算排序后的像素值中后六个像素值的均值再取整后记为第u′行第v′列的预测值q2(u′,v′)；
步骤3.6、使用预测误差扩展法对棋盘格中的每个像素点进行两次嵌入，从而得到新的HSB位平面
Figure BDA0003995987270000094
步骤3.6.1、将压缩后的位置图
Figure BDA0003995987270000095
添加到加密后的病历信息密文Rsj的尾端，从而得到新秘密数据Rs′j，定义秘密信息记为b和b′；
步骤3.6.2、计算第一次嵌入的预测误差
Figure BDA0003995987270000096
步骤3.6.3、当e1＝1时，对棋盘格中第u′行第v′列的像素值
Figure BDA0003995987270000097
加上部分秘密信息b；
当e1＝0时，对棋盘格中第u′行第v′列的像素值
Figure BDA0003995987270000098
减去部分秘密信息b；
当e1＞1时，对棋盘格中第u′行第v′列的像素值
Figure BDA0003995987270000099
自增1；
当e1＜0时，对棋盘格中第u′行第v′列的像素值
Figure BDA00039959872700000910
自减1；
从而得到第一次嵌入后的第u′行第v′列的像素值
Figure BDA00039959872700000911
步骤3.6.4、计算第二次嵌入的预测误差
Figure BDA00039959872700000912
当e2＝1时，对第u′行第v′列的像素值
Figure BDA00039959872700000913
加上部分秘密信息b′；
当e2＝0时，对第u′行第v′列的像素值
Figure BDA00039959872700000914
减去部分秘密信息b′；
当e2＞1时，对第u′行第v′列的像素值
Figure BDA00039959872700000915
自增1；
当e2＜0时，对第u′行第v′列的像素值
Figure BDA00039959872700000916
自减1；
从而得第二次嵌入后的第u′行第v′列的像素值
Figure BDA0003995987270000101
步骤3.7、将新的HSB位平面
Figure BDA0003995987270000102
和LSB位平面/>
Figure BDA0003995987270000103
组合得到含有新秘密数据Rs′j的隐写图像/>
Figure BDA0003995987270000104
步骤4、合并医疗信息并上传到云存储***：
步骤4.1、合并第j名患者pj的医疗记录的文本信息MRj、身份识别令牌tokenj和隐写图像
Figure BDA0003995987270000105
形成第j名患者pj完整的加密医疗信息/>
Figure BDA0003995987270000106
步骤4.2、将完整的加密医疗信息Mj上传到云存储***；
加密医疗信息Mj存储于云存储***，其包含的三个元素：医疗记录的文本信息MRj、身份识别令牌tokenj和隐写图像
Figure BDA0003995987270000107
并不会直接暴露患者隐私数据。患者的隐私数据只存在于隐写图像/>
Figure BDA0003995987270000108
中，只能通过识别患者身份令牌后使用患者持有的秘钥进行解密。所以这三个元素为明文存储，医生可以对这三个元素进行检索；
步骤5、从云存储***中检索相似病例的医疗信息：
步骤5.1、使用深度学习模型进行文本匹配与信息检索：
步骤5.1.1、根据第j名患者pj的患病情况，输入查询的病情症状信息；
步骤5.1.2、利用深度学习模型对病情症状信息进行解析，并提取语义特征向量；
使用已有的医疗信息数据对基于深度学习的文本匹配与信息检索模型预先进行训练，使得模型能够正确的提取语义特征向量；
步骤5.1.3、将语义特征向量与云存储***中的病历信息进行特征相似度计算，并生成文本相似度降序排序结果：
为了提高检索效率，使用预先训练好的深度学习模型对云存储***中已存在的医疗信息数据进行语义特征提取，并在云存储***中创建每条医疗数据的标签索引文件。在进行检索时，根据检索文本的语义特征向量从索引文件选择候选集；
步骤5.1.4、根据文本降序相似度排序结果，从而得到与第j名患者pj相似病例的文本信息集合MRj＝{MR1,j,MR2,j,...,MRk,j,...,MRr,j}，其中，MRk,j表示与第j名患者pj相似病例的第k条文本信息，1≤k≤r；r表示相似病例总数；
步骤5.2、使用深度学习模型对医疗图像Ij进行特征提取与特征检索：
步骤5.2.1、将第j名患者pj的医疗图像Ij输入深度学习模型中进行特征提取，得到医疗图像Ij中病灶区域的特征并保存为病灶特征向量；
步骤5.2.2、将第j名患者pj的医疗图像Ij的病灶特征向量与云存储***中的医疗图像的病灶特征向量进行图像特征相似度计算，并生成图像相似度降序排序结果；
步骤5.2.3、根据图像相似度降序排序结果，得到与第j名患者pj相似病例的医疗图像集合Ij＝{I1,j,I2,j,...,Id,j,...,Ir,j}，其中，Id,j表示与第j名患者pj相似病例的第d张医疗图像，1≤d≤r；
步骤5.3、根据第j名患者pj的个人身份信息IDj，从云存储***中获取第j名患者pj的以往医疗信息：
使用第j名患者pj的就诊卡在第i家医院hi的终端进行身份验证，并根据就诊卡中身份识别令牌tokenj从云存储***获取第j名患者pj的加密医疗信息Mj；
步骤5.4、根据第j名患者pj的加密医疗信息Mj，得到其他相似病例的加密医疗信息集合Mj＝{M1,j,M2,j,...,Mk,j,...,Mr,j}，其中，Mk,j表示与第j名患者pj相似病例的第k名患者的加密医疗信息，1≤k≤r；
令加密医疗信息Mk,j中医疗记录的文本信息为MRk,j，隐写图像为
Figure BDA0003995987270000111
步骤6、对隐写图像
Figure BDA0003995987270000112
进行提取和图像恢复：
步骤6.1、将隐写图像
Figure BDA0003995987270000113
分解为HSB位平面/>
Figure BDA0003995987270000114
和LSB位平面/>
Figure BDA0003995987270000115
步骤6.2、对HSB位平面
Figure BDA0003995987270000116
中的每个像素点进行两次提取，从而得到二次提取后的HSB位平面值/>
Figure BDA0003995987270000117
以及由所有提取出的秘密信息组成新的秘密数据Rs′k；
由于在嵌入过程中使用预测误差扩展法对棋盘格中的每个像素点进行两次嵌入，并对像素值进行了更改，所以在提取过程中需要按照相反的顺序才能提取出正确的预测值，并还原棋盘格中的每个像素点；
步骤6.2.1、对
Figure BDA0003995987270000118
中第u行第v列的像素值/>
Figure BDA0003995987270000119
相邻的8个像素升序排列，并计算排序后的像素值中前六个像素值的均值再取整后记为第u行第v列的预测值q1′(u,v)；计算排序后的像素值中后六个像素值的均值再取整后记为第u行第v列的预测值q2′(u,v)；
步骤6.2.2、计算第一次提取的预测误差
Figure BDA0003995987270000121
当e2′＝1、2、0或-1时，从/>
Figure BDA0003995987270000122
中提取出秘密信息/>
Figure BDA0003995987270000123
并得一次提取后的HSB位平面值/>
Figure BDA0003995987270000124
步骤6.2.3、计算第二次提取的预测误差
Figure BDA0003995987270000125
当e1′＝1，2，0或-1时，从/>
Figure BDA0003995987270000126
中提取出秘密信息/>
Figure BDA0003995987270000127
并得到二次提取后的HSB位平面值
Figure BDA0003995987270000128
步骤6.3、从新的秘密数据Rs′k中分离出压缩后的位置图
Figure BDA0003995987270000129
和病历信息密文Rsk；
步骤6.4、对压缩后的位置图
Figure BDA00039959872700001210
进行解压，得到对应的位置图LMk，通过位置图LMk对/>
Figure BDA00039959872700001211
进行还原，再与/>
Figure BDA00039959872700001212
结合后，得到与第j名患者pj相似病例的第k名患者的医疗图像Ik,j；
步骤7、患者身份识别与信息解密：
步骤7.1、根据第j名患者pj持有的身份识别令牌tokenj从云存储***中搜索身份识别令牌相同的加密医疗信息；
步骤7.2、利用第j名患者pj的秘钥keyj，采用AES算法对第j名患者pj的病历信息密文Rsj进行解密，得到病历信息Rj，再对第j名患者pj的病历信息Rj进行分解后得到第j名患者pj的个人身份信息IDj和电子病历rj。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述医疗信息共享方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述医疗信息共享方法的步骤。

Claims (3)

1.一种基于安全云存储的医疗信息共享方法，其特征是应用于由n家医院H＝{h1,h2,...,hi,...,hn}、m名患者P＝{p1,p2,...,pj,...,pm}和云存储***所组成的医疗环境中，其中，hi表示第i家医院，1≤i≤n；pj表示第j名患者，1≤j≤m；所述医疗信息共享方法是按如下步骤进行：
步骤1、医院生成患者的医疗信息，包括病历信息和医疗记录：
步骤1.1、生成患者的病历信息：
假设第j名患者pj到第i家医院hi就诊，第i家医院hi获取第j名患者pj的个人身份信息IDj以及医疗图像Ij，并生成电子病历rj，从而构建第j名患者pj的病历信息Rj＝(IDj,rj)；
步骤1.2、生成患者的医疗记录：
步骤1.2.1、第i家医院hi治疗第j名患者pj后生成第j名患者pj的医疗记录，所述医疗记录包含治疗方案和治疗记录；
步骤1.2.2、对第j名患者pj的医疗记录进行解析，生成医疗记录的文本信息MRj；
步骤2、对患者病历信息加密：
步骤2.1、生成第j名患者pj的加密秘钥keyj和身份识别令牌tokenj，并写入第j名患者pj的就诊卡；
步骤2.2、采用AES加密算法对第j名患者pj的病历信息Rj进行加密，得到加密后的病历信息密文Rsj；
步骤3、将加密后的病历信息密文Rsj作为秘密信息嵌入医疗图像Ij中，得到含有秘密信息的隐写图像Ij em：
步骤3.1、将医疗图像Ij的位平面分解为HSB位平面
Figure FDA0003995987260000011
和LSB位平面/>
Figure FDA0003995987260000012
令/>
Figure FDA0003995987260000013
表示HSB位平面/>
Figure FDA0003995987260000014
中第u行第v列的像素值，/>
Figure FDA0003995987260000015
表示LSB位平面/>
Figure FDA0003995987260000016
中第u行第v列的像素值；
步骤3.2、对HSB位平面
Figure FDA0003995987260000017
可能溢出的像素进行标记，从而建立位置图LMj：
设定最大阈值Tmax与最小阈值Tmin；
若
Figure FDA0003995987260000021
或/>
Figure FDA0003995987260000022
则表示HSB位平面/>
Figure FDA0003995987260000023
中第u行第v列的像素值溢出，并将HSB位平面/>
Figure FDA0003995987260000024
中第u行第v列的位置标记为“1”；
若
Figure FDA0003995987260000025
或/>
Figure FDA0003995987260000026
则表示HSB位平面/>
Figure FDA0003995987260000027
中第u行第v列的像素值溢出，并将HSB位平面/>
Figure FDA0003995987260000028
中第u行第v列的位置标记为“2”；
否则，表示HSB位平面
Figure FDA0003995987260000029
中第u行第v列的像素值未溢出，并将HSB位平面/>
Figure FDA00039959872600000210
中第u行第v列的位置标记为“0”；从而得到HSB位平面/>
Figure FDA00039959872600000211
对应的位置图LMj；
步骤3.3、修改HSB位平面
Figure FDA00039959872600000212
可能溢出的像素值，从而得到处理后的HSB位平面/>
Figure FDA00039959872600000213
若
Figure FDA00039959872600000214
则将HSB位平面/>
Figure FDA00039959872600000215
中第u行第v列的像素值/>
Figure FDA00039959872600000216
减“2”；
若
Figure FDA00039959872600000217
则将HSB位平面/>
Figure FDA00039959872600000218
中第u行第v列的像素值/>
Figure FDA00039959872600000219
加“2”；
若
Figure FDA00039959872600000220
则将HSB位平面/>
Figure FDA00039959872600000221
中第u行第v列的像素值/>
Figure FDA00039959872600000222
减“1”；/>
若
Figure FDA00039959872600000223
则将HSB位平面/>
Figure FDA00039959872600000224
中第u行第v列的像素值/>
Figure FDA00039959872600000225
加“1”；
步骤3.4、使用算术编码对位置图LMj进行无损压缩得到压缩后的位置图
Figure FDA00039959872600000226
将处理后的HSB位平面
Figure FDA00039959872600000227
中除第一行像素点、第一列像素点以及最后一行、最后一列以外的其余像素点均划分为棋盘格；
步骤3.5、将棋盘格中第u′行第v′列的像素值
Figure FDA00039959872600000228
相邻的8个像素值进行升序排列，并计算排序后的像素值中前六个像素值的均值再取整后记为第u′行第v′列的预测值q1(u′,v′)；计算排序后的像素值中后六个像素值的均值再取整后记为第u′行第v′列的预测值q2(u′,v′)；
步骤3.6、使用预测误差扩展法对棋盘格中的每个像素点进行两次嵌入，从而得到新的HSB位平面
Figure FDA00039959872600000229
步骤3.6.1、将压缩后的位置图
Figure FDA00039959872600000230
添加到加密后的病历信息密文Rsj的尾端，从而得到新秘密数据Rs′j，定义秘密信息记为b和b′；
步骤3.6.2、计算第一次嵌入的预测误差
Figure FDA00039959872600000231
步骤3.6.3、当e1＝1时，对棋盘格中第u′行第v′列的像素值
Figure FDA0003995987260000031
加上部分秘密信息b；
当e1＝0时，对棋盘格中第u′行第v′列的像素值
Figure FDA0003995987260000032
减去部分秘密信息b；
当e1＞1时，对棋盘格中第u′行第v′列的像素值
Figure FDA0003995987260000033
自增1；
当e1＜0时，对棋盘格中第u′行第v′列的像素值
Figure FDA0003995987260000034
自减1；
从而得到第一次嵌入后的第u′行第v′列的像素值
Figure FDA0003995987260000035
步骤3.6.4、计算第二次嵌入的预测误差
Figure FDA0003995987260000036
当e2＝1时，对第u′行第v′列的像素值
Figure FDA0003995987260000037
加上部分秘密信息b′；
当e2＝0时，对第u′行第v′列的像素值
Figure FDA0003995987260000038
减去部分秘密信息b′；
当e2＞1时，对第u′行第v′列的像素值
Figure FDA0003995987260000039
自增1；
当e2＜0时，对第u′行第v′列的像素值
Figure FDA00039959872600000310
自减1；
从而得第二次嵌入后的第u′行第v′列的像素值
Figure FDA00039959872600000311
步骤3.7、将新的HSB位平面
Figure FDA00039959872600000312
和LSB位平面/>
Figure FDA00039959872600000313
组合得到含有新秘密数据Rs′j的隐写图像/>
Figure FDA00039959872600000314
步骤4、合并医疗信息并上传到云存储***：
步骤4.1、合并第j名患者pj的医疗记录的文本信息MRj、身份识别令牌tokenj和隐写图像Ij em，形成第j名患者pj完整的加密医疗信息Mj＝(MRj,Ij em,tokenj)；
步骤4.2、将完整的加密医疗信息Mj上传到所述云存储***；
步骤5、从所述云存储***中检索相似病例的医疗信息：
步骤5.1、使用深度学习模型进行文本匹配与信息检索：
步骤5.1.1、根据第j名患者pj的患病情况，输入查询的病情症状信息；
步骤5.1.2、利用深度学习模型对病情症状信息进行解析，并提取语义特征向量；
步骤5.1.3、将语义特征向量与云存储***中的病历信息进行特征相似度计算，并生成文本相似度降序排序结果；
步骤5.1.4、根据文本降序相似度排序结果，从而得到与第j名患者pj相似病例的文本信息集合MRj＝{MR1,j,MR2,j,...,MRk,j,...,MRr,j}，其中，MRk,j表示与第j名患者pj相似病例的第k条文本信息，1≤k≤r；r表示相似病例总数；
步骤5.2、使用深度学习模型对医疗图像Ij进行特征提取与特征检索：
步骤5.2.1、将第j名患者pj的医疗图像Ij输入深度学习模型中进行特征提取，得到医疗图像Ij中病灶区域的特征并保存为病灶特征向量；
步骤5.2.2、将第j名患者pj的医疗图像Ij的病灶特征向量与云存储***中的医疗图像的病灶特征向量进行图像特征相似度计算，并生成图像相似度降序排序结果；
步骤5.2.3、根据图像相似度降序排序结果，得到与第j名患者pj相似病例的医疗图像集合Ij＝{I1,j,I2,j,...,Id,j,...,Ir,j}，其中，Id,j表示与第j名患者pj相似病例的第d张医疗图像，1≤d≤r；
步骤5.3、根据第j名患者pj的个人身份信息IDj，从所述云存储***中获取第j名患者pj的以往医疗信息：
使用第j名患者pj的就诊卡在第i家医院hi的终端进行身份验证，并根据就诊卡中身份识别令牌tokenj从所述云存储***获取第j名患者pj的加密医疗信息Mj；
步骤5.4、根据第j名患者pj的加密医疗信息Mj，得到其他相似病例的加密医疗信息集合Mj＝{M1,j,M2,j,...,Mk,j,...,Mr,j}，其中，Mk,j表示与第j名患者pj相似病例的第k名患者的加密医疗信息，1≤k≤r；
令加密医疗信息Mk,j中医疗记录的文本信息为MRk,j，隐写图像为
Figure FDA0003995987260000041
步骤6、对隐写图像
Figure FDA0003995987260000042
进行提取和图像恢复：
步骤6.1、将隐写图像
Figure FDA0003995987260000043
分解为HSB位平面/>
Figure FDA0003995987260000044
和LSB位平面/>
Figure FDA0003995987260000045
步骤6.2、对HSB位平面
Figure FDA0003995987260000046
中的每个像素点进行两次提取，从而得到二次提取后的HSB位平面值/>
Figure FDA0003995987260000047
以及由所有提取出的秘密信息组成新的秘密数据Rsk′；
步骤6.2.1、对
Figure FDA0003995987260000051
中第u行第v列的像素值/>
Figure FDA0003995987260000052
相邻的8个像素升序排列，并计算排序后的像素值中前六个像素值的均值再取整后记为第u行第v列的预测值q1′(u,v)；计算排序后的像素值中后六个像素值的均值再取整后记为第u行第v列的预测值q2′(u,v)；
步骤6.2.2、计算第一次提取的预测误差
Figure FDA0003995987260000053
当e2′＝1、2、0或-1时，从/>
Figure FDA0003995987260000054
中提取出秘密信息/>
Figure FDA0003995987260000055
并得一次提取后的HSB位平面值/>
Figure FDA0003995987260000056
步骤6.2.3、计算第二次提取的预测误差
Figure FDA0003995987260000057
当e1′＝1，2，0或-1时，从/>
Figure FDA0003995987260000058
中提取出秘密信息/>
Figure FDA0003995987260000059
并得到二次提取后的HSB位平面值/>
Figure FDA00039959872600000510
步骤6.3、从新的秘密数据Rsk′中分离出压缩后的位置图
Figure FDA00039959872600000511
和病历信息密文Rsk；
步骤6.4、对所述压缩后的位置图
Figure FDA00039959872600000512
进行解压，得到对应的位置图LMk，通过位置图LMk对/>
Figure FDA00039959872600000513
进行还原，再与/>
Figure FDA00039959872600000514
结合后，得到与第j名患者pj相似病例的第k名患者的医疗图像Ik,j；
步骤7、患者身份识别与信息解密：
步骤7.1、根据第j名患者pj持有的身份识别令牌tokenj从所述云存储***中搜索身份识别令牌相同的加密医疗信息；
步骤7.2、利用第j名患者pj的秘钥keyj，采用AES算法对第j名患者pj的病历信息密文Rsj进行解密，得到病历信息Rj，再对第j名患者pj的病历信息Rj进行分解后得到第j名患者pj的个人身份信息IDj和电子病历rj。
2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述医疗信息共享方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述医疗信息共享方法的步骤。
CN202211593668.2A 2022-12-13 2022-12-13 基于安全云存储的医疗信息共享方法、电子设备及存储介质 Active CN115879126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211593668.2A CN115879126B (zh) 2022-12-13 2022-12-13 基于安全云存储的医疗信息共享方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211593668.2A CN115879126B (zh) 2022-12-13 2022-12-13 基于安全云存储的医疗信息共享方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115879126A true CN115879126A (zh) 2023-03-31
CN115879126B CN115879126B (zh) 2024-07-19

Family

ID=85767173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211593668.2A Active CN115879126B (zh) 2022-12-13 2022-12-13 基于安全云存储的医疗信息共享方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115879126B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117334285A (zh) * 2023-10-16 2024-01-02 威海万伟达信息科技有限公司 一种医疗自助信息交互***及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140325205A1 (en) * 2012-07-12 2014-10-30 Xsette Technology, Inc. Secure transmission between a source component and a node device
CN107682353A (zh) * 2017-10-25 2018-02-09 西安邮电大学 一种电子医疗云中的健康档案访问控制***及方法
CN109462714A (zh) * 2018-10-30 2019-03-12 成都优图有真像信息技术有限公司 云存储开销小的加密图像多位平面可逆数据隐藏方法
CN110517182A (zh) * 2019-08-29 2019-11-29 海南大学 一种基于nsct组合变换的医学图像零水印嵌入方法
CN111311474A (zh) * 2020-02-04 2020-06-19 太原科技大学 一种大容量的图像加密域信息隐藏方法
CN113114871A (zh) * 2021-04-15 2021-07-13 福建技术师范学院 一种数字图像隐写方法及***
CN114285636A (zh) * 2021-12-23 2022-04-05 辽宁工业大学 一种基于联盟链的共享医疗数据代理重加密***和方法
CN114553589A (zh) * 2022-03-14 2022-05-27 杭州电子科技大学 一种基于多级加密的云端文件安全传输方法
CN114982194A (zh) * 2019-12-18 2022-08-30 Jaj技术私人有限公司 用于改进数据安全通信、存储和传输的区块链实现的数据隐藏方案
CN115296810A (zh) * 2022-08-02 2022-11-04 安徽大学 一种支持精准检查的医疗共享云存储文件审计方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140325205A1 (en) * 2012-07-12 2014-10-30 Xsette Technology, Inc. Secure transmission between a source component and a node device
CN107682353A (zh) * 2017-10-25 2018-02-09 西安邮电大学 一种电子医疗云中的健康档案访问控制***及方法
CN109462714A (zh) * 2018-10-30 2019-03-12 成都优图有真像信息技术有限公司 云存储开销小的加密图像多位平面可逆数据隐藏方法
CN110517182A (zh) * 2019-08-29 2019-11-29 海南大学 一种基于nsct组合变换的医学图像零水印嵌入方法
CN114982194A (zh) * 2019-12-18 2022-08-30 Jaj技术私人有限公司 用于改进数据安全通信、存储和传输的区块链实现的数据隐藏方案
CN111311474A (zh) * 2020-02-04 2020-06-19 太原科技大学 一种大容量的图像加密域信息隐藏方法
CN113114871A (zh) * 2021-04-15 2021-07-13 福建技术师范学院 一种数字图像隐写方法及***
CN114285636A (zh) * 2021-12-23 2022-04-05 辽宁工业大学 一种基于联盟链的共享医疗数据代理重加密***和方法
CN114553589A (zh) * 2022-03-14 2022-05-27 杭州电子科技大学 一种基于多级加密的云端文件安全传输方法
CN115296810A (zh) * 2022-08-02 2022-11-04 安徽大学 一种支持精准检查的医疗共享云存储文件审计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUSSEIN K. ALZUBAIDY: "A Survey on Patients Privacy Protection with Stganography and Visual Encryption", 《ARXIV》, 23 January 2022 (2022-01-23) *
牛淑芬 等: "智慧医疗中基于属性加密的云存储数据共享", 《电子与信息学报》, vol. 44, no. 1, 15 January 2022 (2022-01-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117334285A (zh) * 2023-10-16 2024-01-02 威海万伟达信息科技有限公司 一种医疗自助信息交互***及方法
CN117334285B (zh) * 2023-10-16 2024-05-10 威海万伟达信息科技有限公司 一种医疗自助信息交互***及方法

Also Published As

Publication number Publication date
CN115879126B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
US7770026B2 (en) Document management system, information processing device and method, and computer program
CN109803142B (zh) 一种基于邻域预测的加密域图像可逆数据隐藏方法
Alzamily et al. Classification of Encrypted Images Using Deep Learning–Resnet50
US11604893B2 (en) Privacy-preserving image distribution
CN111222880A (zh) 一种基于生物识别的区块链密钥生成方法
CN115879126B (zh) 基于安全云存储的医疗信息共享方法、电子设备及存储介质
Kong et al. Reversible data hiding in encrypted medical DICOM image
Manikandan et al. A novel entropy-based reversible data hiding during encryption
CN110535630B (zh) 密钥生成方法、装置及存储介质
WO2017207998A1 (en) Method of associating a person with a digital object
CN115914488B (zh) 医学图像身份混淆共享方法、***、终端设备及存储介质
JP4822842B2 (ja) 匿名化識別情報生成システム、及び、プログラム。
CN116070185A (zh) 用生物测定数据匹配处理数据主体权限请求的***和方法
CN111814160B (zh) 一种用于dicom文件的密文域可逆信息隐藏***及其方法
CN109672804A (zh) 一种图像的加密、解密方法及其***
Guan et al. Fingerprint-based access to personally controlled health records in emergency situations
Karakus et al. Application of similarity-based image steganography method to computerized tomography images
Wen et al. PPM-SEM: A privacy-preserving mechanism for sharing electronic patient records and medical images in telemedicine
KR102199334B1 (ko) 의료영상의 분할저장 및 제공시스템
JP5718757B2 (ja) 画像管理装置、画像管理プログラム、および画像管理方法
Arun Jeba Kumar et al. A Review of Security Analysis of Wearable Implantable Medical Devices Using Biometric Encryption
JPH1173103A (ja) 暗号化制御方法及びプログラムを記録した機械読み取り可能な記録媒体
Moataz Watermarking medical scans: Saliency filter pixels
Li et al. Reversible data hiding based key region protection method in medical images
CN117436132B (zh) 一种融合区块链技术与人工智能的数据隐私保护方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant