基于聚类的医学图像低秩矩阵逼近压缩方法

医学图像本身具有高分辨率特征，并包含诊断所必需的局部变结构。高效压缩必须在保留诊断保真度的同时最小化冗余度。低秩矩阵逼近（LoRMA）技术在图像压缩中通过捕获全局相关性显示出强大的潜力，但往往难以适应兴趣区域内局部结构变的变化。为此，我们引入一种自适应 LoRMA 方法，将医学图像划分为重叠的补丁，使用 k-means 对结构相似的补丁进行聚类，并在每个聚类内部执行奇异值分解（SVD）。我们推导了考虑补丁重叠后的整体压缩系数，并分析了补丁大小对压缩效率和计算成本的影响。虽然该方法适用于任何具有显著局部变的领域的数据，但我们聚焦于医学成像领域，因为其局部变性更为显著。我们在四种影像模态（MRI、超声、CT 扫描和胸部 X 光）上评估和比较了自适应 LoRMA 与全局 SVD。结果表明，自适应 LoRMA 在保持结构完整性、边缘细节和诊断相关性方面表现优异，测量指标包括 PSNR、SSIM、MSE、IoU 和 EPI。自适应 LoRMA 最小化了块状伪影和残差误差，尤其在病灶区域表现突出，在 PSNR、SSIM、IoU、EPI 上均优于全局 SVD，并实现更低的 MSE。该方法在临床关键区域优先级更高，允许在非关键区域进行激进压缩，从优化存储效率方面取得佳绩。虽然自适应 LoRMA 需要更高的处理时间，但其诊断保真度正合理化了其在高压缩应用中的使用价值。