The real-time sharing and retrieval of medical data, such as medical imaging data, via cloud systems can facilitate timely medical/disease diagnosis, for example during pandemics (e g , COVID-19) While encryption can be used to ensure that patients’ private and medical information are not accessible by unauthorised individuals, it is challenging for cloud servers to search for and locate encrypted medical images (e g those relating to similar medical conditions) In this paper, we propose a novel and practical classification and retrieval method to search for and locate relevant cases over encrypted images Specifically, we construct a privacy-preserving Convolutional Neural Network (CNN) framework that allows the classification and searching of secure, content-based, large-scale encrypted images (including large-size medical images) with homomorphic encryption We analyze the security of our proposed method to ensure that no sensitive information from the encrypted images is leaked Using four real-world datasets (i e , chest X-Ray images, retinal OCT images, blood cell images, and Caltech101 image set), we evaluate and demonstrate the utility of our privacy-preserving method for searching images performed as well as CNN-based classification and searching of original images This is an important step towards practical automated clinical diagnoses © 2020 Elsevier Ltd

中文翻译：

---

隐私保护图像搜索 (PPIS)：使用卷积神经网络对大规模加密医学图像进行安全分类和搜索

通过云系统实时共享和检索医疗数据（例如医学影像数据）可以促进及时的医疗/疾病诊断，例如在大流行期间（例如 COVID-19），同时可以使用加密来确保患者的隐私并且未经授权的个人无法访问医疗信息，云服务器搜索和定位加密医疗图像（例如与类似医疗状况相关的图像）具有挑战性在本文中，我们提出了一种新颖实用的分类和检索方法来搜索并在加密图像上定位相关案例 具体来说，我们构建了一个隐私保护卷积神经网络 (CNN) 框架，允许对安全的、基于内容的、使用同态加密的大规模加密图像（包括大尺寸医学图像）我们分析了我们提出的方法的安全性，以确保加密图像中的敏感信息不会泄露使用四个真实世界的数据集（即胸部 X 射线图像） 、视网膜 OCT 图像、血细胞图像和 Caltech101 图像集），我们评估并证明了我们的隐私保护方法在搜索图像以及基于 CNN 的原始图像分类和搜索方面的效用 这是迈向实用的重要一步自动化临床诊断 © 2020 Elsevier Ltd和 Caltech101 图像集），我们评估并证明了我们的隐私保护方法在搜索图像以及基于 CNN 的原始图像分类和搜索方面的效用 这是迈向实用自动化临床诊断的重要一步 © 2020 Elsevier Ltd和 Caltech101 图像集），我们评估并证明了我们的隐私保护方法在搜索图像以及基于 CNN 的原始图像分类和搜索方面的效用 这是迈向实用自动化临床诊断的重要一步 © 2020 Elsevier Ltd