Présentation de l’article
Security of End-to-End medical images encryption system using trained
deep learning encryption and decryption network
Cheikh MBENGUE
December 27, 2024
Cheikh MBENGUE Présentation de l’article December 27, 2024 1 / 12
Plan de la présentation
1 Introduction
2 Contexte
3 Problématique
4 Chaos en cryptographie
5 Objectifs
6 Méthodologie
7 Cycle-GAN et Données non appariées
8 Résultats
9 Conclusion
Cheikh MBENGUE Présentation de l’article December 27, 2024 2 / 12
Introduction
Les progrès dans l’Internet des objets médicaux (IoMT) connectent
les appareils médicaux et améliorent les soins.
Cependant, les images médicales contiennent des données sensibles
nécessitant une protection rigoureuse.
Cet article propose une méthode d’encryptage basée sur Cycle-GAN,
un réseau d’apprentissage profond.
Cheikh MBENGUE Présentation de l’article December 27, 2024 3 / 12
Contexte
IoMT : Systèmes reliant des dispositifs comme les IRM, scanners, et
appareils portables.
Les images médicales sont partagées via des systèmes comme PACS
(Picture Archiving and Communication System).
Les menaces incluent :
Piratage des données.
Altération des images.
Importance de sécuriser ces données pour garantir leur confidentialité,
intégrité et authenticité.
Cheikh MBENGUE Présentation de l’article December 27, 2024 4 / 12
Problématique
Les méthodes classiques d’encryptage (AES, DES) ne sont pas
optimisées pour les grandes images médicales.
Les méthodes basées sur le chaos manquent de robustesse :
Sensibilité aux conditions initiales.
Complexité dans la gestion des clés.
Besoin d’une méthode innovante, robuste et efficace.
Cheikh MBENGUE Présentation de l’article December 27, 2024 5 / 12
Méthodes basées sur le chaos
Qu’est-ce que le chaos ?
Comportement pseudo-aléatoire, basé sur des équations déterministes.
Très sensible aux conditions initiales.
Utilisation en cryptographie :
Génère des séquences aléatoires pour mélanger et diffuser les pixels.
Étapes :
Permutation : Réorganise les pixels.
Diffusion : Modifie les valeurs des pixels.
Limites :
Sensibilité extrême aux conditions initiales : Une petite erreur
dans la clé initiale peut rendre la décryption impossible.
Problèmes de propagation d’erreurs : Une erreur dans une partie
de l’image peut se propager et affecter tout le fichier.
Complexité numérique : Le chaos étant souvent basé sur des
nombres réels, son implémentation en informatique (qui utilise des
nombres limités en précision) peut causer des problèmes de stabilité.
Cheikh MBENGUE Présentation de l’article December 27, 2024 6 / 12
Objectifs
Développer une méthode d’encryptage et de décryptage basée sur le
deeplearning
Utiliser Cycle-GAN pour transformer des images sans données
appariées.
Assurer une sécurité accrue et une qualité optimale des images
encryptées.
Cheikh MBENGUE Présentation de l’article December 27, 2024 7 / 12
Méthodologie
Approche proposée :
1 Cycle-GAN : Réseau utilisé pour transformer les images médicales.
2 Composants principaux :
Générateur : Transforme les images originales en images encryptées.
Discriminateur : Distingue les images réelles des images générées.
3 Fonction de perte : Binary Cross Entropy pour améliorer la qualité.
4 Entrainement du modèle : Utilisation d’un ensemble d’images de
cancer de la peau à partir de (Kaggle).
Cheikh MBENGUE Présentation de l’article December 27, 2024 8 / 12
Cycle-GAN et Données non appariées
Cycle-GAN :
Réseau génératif pour la traduction d’images.
Transforme des images entre deux domaines (ex. : scanner brut →
image encryptée).
Sans données appariées :
Pas besoin de paires correspondantes (image brute ↔ image
encryptée).
Avantages :
Réduit les coûts d’acquisition de données.
Améliore la flexibilité et la généralisation.
Cheikh MBENGUE Présentation de l’article December 27, 2024 9 / 12
Résultats
Performances du modèle :
PSNR : 39,98 (haute qualité des images récupérées).
SSIM : 0,9982 (grande similitude entre images originales et décryptées).
Avantages par rapport aux autres méthodes :
Espace de clés plus large : 10,8 millions de paramètres.
Meilleure robustesse face aux attaques.
Cheikh MBENGUE Présentation de l’article December 27, 2024 10 / 12
Conclusion
Méthode innovante et sécurisée pour protéger les données médicales
sensibles.
Cycle-GAN dépasse les limites des méthodes traditionnelles.
Résultats prometteurs avec des applications potentielles dans la
sécurité des données médicales.
Perspectives : Améliorer la vitesse d’entraı̂nement.
Cheikh MBENGUE Présentation de l’article December 27, 2024 11 / 12
Merci pour votre attention !
Cheikh MBENGUE Présentation de l’article December 27, 2024 12 / 12