AfiaaAziz/SpectraVault-AI

# SpectraVault AI：高级混合医疗数据嵌入 ## 概述 SpectraVault AI 是一个高安全性的数字图像处理 (DIP) 项目，旨在保护医疗成像中的敏感患者信息。该系统集成了深度学习技术，用于自动提取疾病元数据，并采用多层加密和隐写术方法将这些数据隐藏在 X 射线图像中。 通过同时利用空间域和频域技术，该系统确保数据在肉眼不可见的同时，能够对常见的图像处理攻击保持高度的鲁棒性。 ## 核心特性 - AI 驱动的元数据提取：使用预训练的 DenseNet-121 模型（基于 NIH ChestX-ray14 数据集）从 ChestMNIST X 射线图像中自动生成诊断标签。 - 加密层：实现 AES-256-GCM 加密并使用 PBKDF2 密钥派生，以确保数据处理的安全性。 - 混合隐写术： - LSB（最低有效位）：用于高容量的空间域嵌入。 - DCT（离散余弦变换）：用于提升不可见性的盲频域嵌入。 - FFT（快速傅里叶变换）：用于抵抗几何畸变的鲁棒频域嵌入。 - 鲁棒性测试：针对高斯噪声、椒盐噪声、JPEG 压缩和缩放进行评估。 - 质量评估：使用 PSNR（峰值信噪比）、MSE（均方误差）和 SSIM（结构相似性指数）进行定量分析。 ## 技术实现 ### 1. 数据采集与 AI 分析 系统从 MedMNIST 数据集中加载真实的医疗 X 射线数据。每张图像都会经过一个 AI 流水线处理，由 DenseNet-121 模型预测潜在的病理情况。这种自动诊断结果与模拟的患者人口统计学信息一起，构成了用于嵌入的 payload。 ### 2. 加密流水线 在嵌入之前，提取的字符串会使用 Galois/Counter Mode (GCM) 模式下的 AES-256 进行加密。系统使用 16 字节的随机 salt 和 nonce，以确保即使是完全相同的患者数据也会生成唯一的密文。 ### 3. 隐写嵌入 - 空间域：数据被隐藏在像素强度值的最低有效位中。 - 频域 (DCT/FFT)：图像被转换为其频率分量。对中频系数应用基于奇偶校验的量化，以在不影响图像诊断质量的前提下隐藏数据。 ### 4. 恢复与验证 提取过程是“盲”的，这意味着不需要原始载体图像即可检索隐藏的元数据。一旦提取完成，密文将被解密，并验证数据的完整性。 ## 性能指标 系统基于隐藏数据的透明度进行评估： - PSNR：> 50 dB（表示极佳的图像质量）。 - SSIM：> 0.99（表示隐写图像在结构上与原始图像完全一致）。 ## 设置与安装 ### 前置条件 - Python 3.8+ - PyTorch - OpenCV - MedMNIST - PyCryptodome - Scikit-Image ### 安装说明 1. 克隆仓库： git clone https://github.com/AfiaaAziz/SpectraVault-AI.git 2. 安装依赖： pip install medmnist torch torchvision opencv-python matplotlib numpy pandas scipy pycryptodome scikit-image torchxrayvision 3. 运行 notebook： 在 Jupyter 或 Google Colab 中打开 `model.ipynb` 并按顺序执行各个单元格。 ## 未来展望 - 集成 GAN（生成对抗网络）以生成更安全的载体图像。 - 支持如 MRI 和 CT 扫描等 3D 医疗数据。 - 基于 Blockchain 的审计日志验证。

标签：AES-256-GCM, ChestMNIST, DCT, DenseNet-121, FFT, LSB, MedMNIST, MSE, PBKDF2, PSNR, SSIM, X光图像分析, 人工智能, 信息隐藏, 凭据扫描, 医学图像隐写术, 医学影像, 医疗图像处理, 医疗数据安全, 图像质量评估, 密码学, 患者隐私保护, 手动系统调用, 数字图像处理(DIP), 数字水印, 数据加密, 深度学习, 混合隐写分析, 用户模式Hook绕过, 疾病元数据提取, 空间域与频域, 计算机视觉, 逆向工具, 高安全系统, 鲁棒性测试