Deep versus handcrafted approaches for improving medical image security using watermarking

Abstract

As advancements in computer vision continue to transform healthcare, the need to protect medical images, particularly in telemedicine, has become increasingly critical. This thesis explores the domain of medical image watermarking, offering a detailed comparison between handcrafted methods and deep learning approaches, with a specific emphasis on feature extraction techniques. A comprehensive state-of-the-art review sets the stage, identifying the strengths and limitations of various watermarking strategies aimed at safeguarding medical images. The primary contributions of this research include three proposed watermarking methods. First, a novel blind watermarking method based on Local Binary Patterns and Discrete Wavelet Transform (LBP-DWT) is presented, specifically designed for telemedicine applications. Second, a gradient-based feature extraction technique, termed "GradWater," is developed to further strengthen watermark security through rich image-driven features. Third, a deep learning-based zero watermarking technique is proposed, utilizing a pre-trained VGG16 model. This method generates the watermark without embedding any alterations into the original medical image, ensuring its quality remains intact while maintaining strong security. An extensive experimental evaluation compares the feature extraction capabilities of handcrafted methods against those of deep learning approaches, focusing on their resistance to various attacks, such as noise, compression, and geometric distortions, while preserving the quality of the medical images. The findings also offer a comparative analysis of zero and non- zero watermarking schemes, providing valuable insights into their respective advantages.

Avec les avancées de la vision par ordinateur qui continuent de transformer le domaine de la santé, la nécessité de protéger les images médicales, en particulier dans la télémédecine, devient de plus en plus cruciale. Cette thèse explore le domaine du tatouage numérique des images médicales, en offrant une comparaison détaillée entre les méthodes artisanales et les approches basées sur l'apprentissage profond, avec un accent particulier sur les techniques d'extraction de caractéristiques. Une revue complète de l'état de l'art est présentée, identifiant les forces et les limites des différentes stratégies de tatouage visant à protéger les images médicales. Les principales contributions de cette recherche comprennent trois méthodes de tatouage numérique proposées. Premièrement, une nouvelle méthode de tatouage aveugle basée sur les motifs binaires locaux (LBP) et la transformation en ondelettes discrète (DWT) est présentée, spécifiquement conçue pour les applications de télémédecine. Deuxièmement, une technique d'extraction de caractéristiques basée sur le gradient, appelée "GradWater", est développée pour renforcer davantage la sécurité des tatouages à travers des caractéristiques riches et tirées des images. Troisièmement, une technique de tatouage zéro basée sur l'apprentissage profond est proposée, utilisant un modèle pré-entraîné VGG16. Cette méthode génère le tatouage sans introduire de modifications dans l'image médicale originale, assurant ainsi la préservation de sa qualité tout en maintenant une sécurité robuste. Une évaluation expérimentale approfondie compare les capacités d'extraction de caractéristiques des méthodes artisanales à celles des approches d'apprentissage profond, en se concentrant sur leur résistance à diverses attaques, telles que le bruit, la compression et les distorsions géométriques, tout en préservant la qualité des images médicales. Les résultats offrent également une analyse comparative des schémas de tatouage zéro et non-zéro, fournissant des informations précieuses sur leurs avantages respectifs.