KaydedilenlerDerginizi ekleyin

Dergiler / Bilişim Teknolojileri Dergisi / 2021 / Cilt: 14 - Sayı: 2

Medikal Görüntülerde Derin Öğrenme ile Steganaliz

Steganalysis with Deep Learning on Medical Images

Rukiye KARAKIŞ
Kali GURKAHRAMAN
Sayfa
151–159
Yayın Tarihi
2021-04-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışma, derin öğrenme yönteminin medikal görüntü steganalizinde de kullanılabileceğini ilk kez göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Steganaliz ile bir medya dosyasındaki gizli mesajı elde etmek ya da sadece mesajın varlığını tespit etmek amaçlanır.
📊
Temel Bulgular & Veri:Doğruluk, kesinlik, hassasiyet ve F1 değerleri sırasıyla 0,964, 0,966, 0965 ve 0964 olarak elde edilmiştir.
💡
Sonuç & Katkı:Bu çalışma, derin öğrenme yönteminin medikal görüntü steganalizinde de kullanılabileceğini ilk kez göstermiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:deep learning · convolutional neural network · medical image steganalysis

Özet

Steganaliz ile bir medya dosyasındaki gizli mesajı elde etmek ya da sadece mesajın varlığını tespit etmek amaçlanır. Literatürde medikal verilerin güvenliğini sağlamayı amaçlayan pek çok steganografi yöntemi mevcut olsa da medikal steganaliz çalışması çok azdır. Bu çalışmada, medikal görüntü steganografi yöntemlerinin dayanıklılığının arttırılmasında kullanılabilecek ve medikal bir görüntüde gizli mesajların varlığını tespit edebilecek bir sınıflandırıcı geliştirilmesi amaçlanmıştır. Bunun için karmaşık ve maliyetli öznitelik analizine gerek duymayan bir derin öğrenme mimarisi olan evrişimsel sinir ağı(ESA) taşıyıcı ve stego medikal görüntüler ile eğitilmiş ve test edilmiştir. Doğruluk, kesinlik, hassasiyet ve F1 değerleri sırasıyla 0,964, 0,966, 0965 ve 0964 olarak elde edilmiştir. Bu çalışma, derin öğrenme yönteminin medikal görüntü steganalizinde de kullanılabileceğini ilk kez göstermiştir.

Abstract

With steganalysis, it is aimed to obtain a hidden message from a media file or only to detect the presence of the message. Although there are many steganography methods in the literature aiming to ensure the medical data security, medical steganalysis studies are very few. In this study, it is aimed to develop a classifier that can be used to increase the durability of medical image steganography methods and detect the presence of hidden messages in a medical image. For this, the convolutional neural network (CNN), a deep learning architecture that does not require complex and costly feature analysis, has been trained and tested with cover and stego medical images. Accuracy, precision, recall and F1 values were obtained as 0.964, 0.966, 0965 and 0964, respectively. This study has shown for the first time that the deep learning method can also be used in medical image steganalysis.

🔖

Bu Makaleye Atıf Yap

KARAKIŞ, R., GURKAHRAMAN, K. (2021). Medikal Görüntülerde Derin Öğrenme ile Steganaliz. Bilişim Teknolojileri Dergisi, Cilt: 14 - Sayı: 2, 151–159. https://ajindex.com/articles/251725

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. M. Salomon, R. Couturier, C. Guyeux, J.-F. Couchot, J.M. Bahi, “Steganalysis via a Convolutional Neural Network Using Large Convolution Filters for Embedding Process with Same Stego Key: A Deep Learning Approach For Telemedicine”, European Research in Telemedicine/La Recherche Européenne en Télémédecine, 6, 79-92, 2017
  2. K. Karampidis, E. Kavallieratou, G. Papadourakis, “A Review of Image Steganalysis Techniques for Digital Forensics”, Journal of Information Security and Applications, 40, 217-235, 2018
  3. M. Bilgin, “Steganaliz”, Akademik Bilişim’14 - XVI. Akademik Bilişim Konferansı Bildirileri, Mersin Üniversitesi, Mersin, 693- 698, 2014
  4. J. Fridrich, M. Goljan, R. Du, “Reliable detection of LSB steganography in color and grayscale images”, Proceedings of the 2001 workshop on multimedia and security new challenges - (MM&Sec ’01), 27, 2001
  5. I. Avcibas, N. Memon, B. Sankur, Steganalysis Based on Image Quality Metrics, 2001 IEEE Fourth Workshop on Multimedia Signal Processing, 517-522, 2001
  6. I. Avcıbas, B. Sankur, K. Sayood, “Statistical evaluation of image quality measures”, Journal of Electronic Imaging, 11(2), 206-223, 2002
  7. R. Karakis, I. Güler, I. Capraz, E. Bilir, “A novel fuzzy logic based image steganography method to ensure medical data security”, Computers in Biology and Medicine, 67, 172-183, 2015
  8. R. Karakis, I. Guler, “Steganography and Medical Data Security”, Cryptographic and Information Security Approaches for Images and Videos, Cilt 22, Editor: S. Ramakrishnan, CRC Press, USA, ISBN: 9781138563841, 627-660, 2019
  9. M. Chaumont, “Deep Learning in steganography and steganalysis from 2015 to 2018”, Digital Media Steganography: Principles, Algorithms, Advances, Editor: M. Hassaballah, Elsevier Inc, 1- 45, 2020
  10. Y. Qian, J. Dong, W. Wang, T. Tan, “Deep learning for steganalysis via convolutional neural networks,” Proc. SPIE 9409, Media Watermarking, Security, and Forensics 2015, 94090J, 2015
  11. Y. Qian, J. Dong, W. Wang, T. Tan, “Learning and Transferring Representations for Image Steganalysis Using Convolutional Neural Network”, 2016 IEEE International Conference on Image Processing (ICIP), 2752-2756, 2016
  12. G. Xu, H.-Z. Wu, Y.-Q. Shi, “Structural Design of Convolutional Neural Networks for Steganalysis”, IEEE Signal Process. Lett., 23(5), 708-712, 2016
  13. G. Xu, H.-Z. Wu, Y.-Q. Shi, “Ensemble of CNNs for steganalysis: An empirical study”, Proc. 4th ACM Workshop Inf. Hiding Multimedia Secur., 103-107