Master's Thesis

Deep Learning-Based Steganography for Securing Medical Image Data

Final Thesis 12.46 MB Appendix 56.1 kB

Author of thesis: Ing. Martin Hanták

Acad. year: 2025/2026

Supervisor: Ing. Anzhelika Mezina, Ph.D.

Reviewer: Ing. Martin Rosa

Abstract:

This diploma thesis addresses the use of deep learning methods for steganography in the context of securing medical imaging data. The theoretical part introduces steganography and cryptography principles with emphasis on medical image specifics, and analyses current deep learning approaches to image steganography. In the experimental part, three existing architectures are tested on a brain MRI dataset: StegFormer, Multi-Image Deep Steganography, and TransStego. The practical contribution is the design and implementation of MedStegViT (Medical Steganography Vision Transformer), which embeds a cryptographic SHA-256 hash of the patient identifier into DICOM chest X-ray images using a Vision Transformer architecture guided by an adaptive anatomical mask and protected by LDPC error-correcting codes. On a test set of images, the system achieves a bit accuracy of 94,7 %, PSNR of 30,1 dB and SSIM of 0,96, with 100 % hash reconstruction success at the recommended LDPC rate of 0,50. The thesis further evaluates robustness against image degradation and resistance to steganalysis.

Keywords:

autoencoder, DICOM, deep learning, embedding, error correction codes, LDPC, medical images, MedStegViT, patient anonymization, SHA-256, steganography, steganalysis, vision transformers

Date of defence

09.06.2026

Result of the defence

Defended (thesis was successfully defended)

znamkaAznamka

Grading

A

Process of defence

Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta. Otázka: 1. Prečo bola pri trénovaní architektúry MedStegViT použitá iná dátová množina ako pri trénovaní ostatných architektúr (StegFormer, TransStego a Multi-Image Deep Steganography)? 2. Vedeli by ste uviesť konkrétny príklad, kde je využitie steganografie výhodnejšie ako využitie zabezpečenia pomocou kryptografie? 3. Vedeli by ste uviesť konkrétny príklad využitia steganografie na medicínskych datach? 4. Nesposobi zmena snímku steganografiou znehodnotenie medicínskych dát obvzlášt pri použití medicínskeho softvéru? 5. Ako robustné sú výsledky proti zmene rozmeru obrázku? 6. Uvažoval ste ako vylepšiť vašu architektúru proti kompresii?

Language of thesis

Czech

Faculty

Fakulta elektrotechniky a komunikačních technologií

Department

Department of Telecommunications

Study programme

Information Security (MPC-IBE)

Composition of Committee

Ing. Eva Holasová, Ph.D. (člen)
Ing. Petr Machník, Ph.D. (člen)
doc. Ing. Petr Šiška, Ph.D. (místopředseda)
JUDr. Pavel Loutocký, BA (Hons), Ph.D. (člen)
prof. Ing. Radim Burget, Ph.D. (předseda)
Ing. Petr Blažek, Ph.D. (člen)
Ing. Ondřej Pospíšil, Ph.D. (člen)
Ing. Jorge Truffin (člen)

Supervisor’s report
Ing. Anzhelika Mezina, Ph.D.

Student Bc. Martin Hanták pracoval na své diplomové práci velmi aktivně a pravidelně konzultoval dosažené výsledky. Teoretická část obsahuje podrobné informace o problematice steganografie, hlubokého učení a zpracování medicínských dat, což dokládá schopnost studenta pracovat s odbornou literaturou.

V rámci praktické části bylo vyzkoušeno několik různých metod, přičemž hlavním přínosem práce je návrh a implementace vlastního řešení kombinujícího moderní přístupy. Kladně hodnotím rovněž zahrnutí výsledků testování s různými typy degradací, které mají z praktického hlediska významnou vypovídací hodnotu.
Velmi pozitivně hodnotím také jeho iniciativu při navrhování vlastních řešení.

Zadání práce bylo splněno v plném rozsahu. Práci doporučuji k obhajobě a hodnotím ji stupněm A (95 bodů). Points proposed by supervisor: 95

Grade proposed by supervisor: A

Reviewer’s report
Ing. Martin Rosa

V práci „Steganografie založená na hlubokém učení pro zabezpečení medicínských obrazových dat" sa študent Bc. Martin Hanták venoval návrhu a testovaniu architektúr pre ukladanie textovej informácie do medicínskeho obrazu.
V teoretickej časti autor opisuje samotnú steganografiu a jej rozdiely oproti klasickej kryptografii, ďalej využitie strojového učenia a neurónových sietí v steganografii a jednotlivé architektúry použiteľné na daný účel. Za nedostatok považujem objem informácií, ktoré autor do tejto časti vložil – mnohé z nich nie sú pre samotnú prácu relevantné. Príkladom je historický exkurz do steganografie, ktorý mohol byť výrazne skrátený. Podobne aj následná časť venovaná snímacím technikám v medicíne nie je pre tému diplomovej práce príliš relevantná. Autor má taktiež na konci každej kapitoly sumarizačnú sekciu, ktorá pôsobí ako umelé rozťahovanie textu. Nerozumiem však, prečo by sa o to pokúšal, keďže práca má 102 strán, čo značne presahuje štandardný rozsah diplomových prác.
V ďalšej časti autor predstavuje rešerš využitia umelej inteligencie v steganografii. Tá je spracovaná podrobne, čo svedčí o dobrom prehľade autora v danej oblasti – to hodnotím ako výrazné pozitívum. Čo mi však vadí, je miera detailov pri popise jednotlivých článkov. Autor ich miestami opisuje až príliš dopodrobna; v niektorých prípadoch uvádza aj nepodstatné technické parametre, ako napríklad rýchlosť učenia, čo do rešerše nepatrí. Samotný štýl textu teoretickej časti hodnotím pozitívne – je napísaný odborne a obsahuje dostatočné citácie.
V praktickej časti autor začína trénovaním vybraných existujúcich architektúr – StegFormer, TransStego a Multi-Image Deep Steganography. Postup trénovania je dobre popísaný a obsahuje všetky potrebné informácie, pričom text vhodne dopĺňajú kvalitne spracované grafy zobrazujúce priebeh učenia. Osobitne oceňujem tabuľky hodnotiacich metrík jednotlivých architektúr a zahrnutie porovnaní výsledného obrazu s pôvodným, ako aj extrahovaného tajomstva s pôvodným – tieto prvky výborne komunikujú kvalitu jednotlivých architektúr.
V nadväzujúcej časti autor predstavuje vlastnú architektúru MedStegViT, ktorá tvorí hlavný prínos diplomovej práce. Nákres architektúry a trénovacej pipeline je detailný a prehľadne podporený schémami. Využitie LDPC kódovania na opravu chýb dekóderu považujem za dobrý nápad. Oceňujem dobré hodnotiace metriky tejto architektúry a jej robustnosť voči degradácii spôsobenej kompresiou, zmenou jasu alebo rozostrením.
MedStegViT je následne porovnaná s natrénovanými architektúrami z predošlej časti. Tu vidím nedostatok, keďže MedStegViT bola trénovaná na inej dátovej množine ako ostatné architektúry, čo znižuje výpovednú hodnotu tohto porovnania – zatiaľ čo MedStegViT bola trénovaná na rentgenových snímkach hrudníka, vybrané existujúce architektúry boli trénované na rentgenových snímkach mozgu. Sám autor v texte priznáva, že jeho architektúra nepracuje rovnako dobre na snímkach iných častí tela.
Napriek uvedeným nedostatkom prácu hodnotím pozitívne. Splnila všetky body zadania a dosiahla dobrých výsledkov. Preto ju odporúčam k obhajobe s hodnotením 85 b – B. Topics for thesis defence:
  1. Prečo bola pri trénovaní architektúry MedStegViT použitá iná dátová množina ako pri trénovaní ostatných architektúr (StegFormer, TransStego a Multi-Image Deep Steganography)?
  2. Vedeli by ste uviesť konkrétny príklad, kde je využitie steganografie výhodnejšie ako využitie zabezpečenia pomocou kryptografie?
Points proposed by reviewer: 85

Grade proposed by reviewer: B

Responsibility: Mgr. et Mgr. Hana Odstrčilová