基于DWT-DCT与轻量级CNN的双重水印框架：提升医学图像认证与完整性的创新方案

《Scientific Reports》：Lightweight dual-watermarking framework for medical image authentication and integrity preservation

本研究针对医学图像在传输存储中的安全隐患，提出一种结合离散小波变换（DWT）与离散余弦变换（DCT）的混合域水印嵌入方法，并设计轻量级卷积神经网络（CNN）解码器实现高效提取。该框架在保持图像诊断质量（PSNR达68.75 dB）的同时，对噪声、压缩及几何攻击具有强鲁棒性（NC=1.0），模型尺寸仅0.65 MB，为医疗边缘设备提供实时认证解决方案。

　　

在数字化医疗时代，医学图像如MRI、CT等已成为临床诊断的核心依据，然而其通过互联网传输和云存储时面临篡改、伪造等安全威胁。传统加密技术虽能保护传输过程，却无法在图像解码后验证内容完整性。数字水印技术通过将认证信息（如医院标识、患者数据）嵌入图像自身，为医学图像提供了有效的溯源与防篡改手段。但现有水印方法常面临两难困境：强鲁棒性需复杂计算，难以适用于资源有限的医疗设备；而轻量级方案又易受常见图像处理攻击影响。这一矛盾促使研究者探索融合传统变换域方法与深度学习的新路径。

本研究发表于《Scientific Reports》，提出一种轻量级双水印框架，通过混合DWT-DCT域嵌入水印，并利用定制化CNN解码器实现高效提取。关键技术方法包括：1）基于Haar小波的DWT分解与DCT系数修改的双水印嵌入流程；2）集成均方误差（MSE）、结构相似性指数（SSIM）与Sobel边缘损失的混合损失函数；3）U-Net结构的轻量级CNN解码器（仅0.65 MB）；4）使用公开脑肿瘤MRI数据集（7,023张图像）进行验证。

水印嵌入与攻击模拟

研究采用QR码（编码患者ID、检查日期等元数据）和医院标识作为双水印，通过DWT将图像分解为LL、LH、HL、HH子带，将水印嵌入HL与LH子带的DCT系数中。嵌入强度因子α=0.05，平衡不可见性与鲁棒性。为测试性能，对水印化图像施加椒盐噪声、高斯噪声、JPEG压缩及中值滤波等常规攻击，并模拟旋转、裁剪等几何失真。

轻量级CNN解码器设计

解码器采用编码器-解码器结构，包含3个卷积层与跨层连接，使用Tanh激活函数输出归一化水印。训练时通过Adam优化器结合早停策略防止过拟合，损失函数权重设为λ₁=0.4（MSE）、λ₂=0.4（SSIM）、λ₃=0.2（边缘损失）。该设计使模型在保持小体积（0.65 MB）的同时，实现单张图像0.182秒的实时处理速度。

鲁棒性评估

在椒盐噪声（密度5%-30%）下，提取水印的PSNR维持在36.80-43.65 dB，误码率（BER）仅0.21%-0.87%；JPEG压缩（质量因子30-90）时PSNR达42.10-48.00 dB，BER低于0.5%。几何攻击中，旋转（±15°）和裁剪（15%）虽导致PSNR下降至41.10 dB与38.62 dB，但水印结构仍可完整恢复（SSIM>0.91）。消融实验表明，混合损失函数使PSNR提升至64.87 dB，较单一MSE损失提高6.45 dB。

不可见性与效能比较

与现有技术相比，本方案PSNR（68.75 dB）显著高于空间域LSB方法（51.14 dB）及传统DWT-DCT-SVD混合方法（47.17 dB），且归一化相关系数（NC）稳定为1.0。尽管双水印负载密度（0.03125 bpp）略低于部分单水印方案，但其在视觉保真度与攻击韧性间取得更优平衡。

结论与展望

该研究通过DWT-DCT与轻量级CNN的协同设计，解决了医学图像水印中鲁棒性、不可见性与计算效率的权衡难题。双水印机制同时支持机器（QR码）与视觉（标识）认证，适配远程诊疗与边缘设备场景。未来工作可扩展至三维医学图像水印，并引入注意力机制提升篡改定位精度，进一步强化临床数据安全体系。