基于Swin-Transformer恢复技术的并行AI驱动框架，用于后量子时代的安全医疗图像通信

《BioData Mining》：Parallel AI-driven framework for post-quantum secure medical image communication using swin-transformer restoration

　　

摘要

医疗图像的可靠和安全传输对于远程医疗、远程诊断和分布式医疗系统至关重要。然而，在异构网络上传输医疗图像时常会遇到数据包丢失、信道噪声和隐私风险等问题，这些问题可能会影响诊断的准确性以及患者的隐私保护。传统的解决方案依赖于Reed–Solomon纠错技术和常规加密方法，但其抗干扰能力有限，已越来越无法满足现代高分辨率医疗成像环境的需求。本研究提出了一种基于人工智能的下一代通信框架，用于实现医疗图像的隐私保护传输，该框架整合了混合Transformer架构、神经通信编码和后量子密码学的最新进展。首先，采用Restormer/Swin-Transformer混合重建网络进行图像损坏检测与修复，与传统基于GAN的修复模型相比，在恢复损坏区域方面表现出更优越的性能。其次，为提高传输的鲁棒性，该框架引入了深度联合源信道编码（DeepJSCC）和神经纠错码（NECC），通过深度神经网络共同优化图像表示和信道稳定性。第三，通过基于格子的后量子密码原语（如CRYSTALS-Kyber用于密钥封装、CRYSTALS-Dilithium用于身份验证）来增强通信安全性，从而抵御量子计算攻击。为支持实时医疗应用，该框架采用了基于GPU的并行加速处理流程，并结合了基于CUDA的模型推理和分布式训练策略。此外，联邦学习结合安全聚合和差分隐私技术，能够在保护患者敏感数据的同时实现跨医疗机构的协作模型训练。在基准医疗成像数据集上的实验评估表明，与传统基于ECC的通信系统及最新的AI辅助传输方法相比，该框架显著提升了图像重建的保真度、传输的鲁棒性和加密安全性。