基于深度学习的巨分辨率全切片图像压缩
计算机视觉与模式识别
2026-05-19 v1
摘要
数字病理学的实施导致了全切片图像（WSI）数量的增加。WSI 的大尺寸构成挑战。当前，WSI 采用如 JPEG 等编解码器进行压缩，每个 WSI 可达几 GB，大量存储空间用于保存玻璃底板。在本研究中，探索并比较了基于深度学习的组织分割用于玻璃移除，以及基于深度学习的压缩方法与 JPEG、JPEG-2000 和 JPEG-XL 的效果。创建了 N=21 个图像金字塔，包含完整玻璃、玻璃替换为单色像素、以及玻璃替换为零字节瓷砖三种情况，并分别使用 JPEG、JPEG-XL 和深度学习模型进行压缩。此外，还评估了多种压缩模型在组织切片数据集上的表现，并与 JPEG、JPEG-2000 和 JPEG-XL 进行比较。去除玻璃显著减少了 JPEG 和 JPEG-XL 的文件大小。基于深度学习的图像压缩将 WSI 大小较 JPEG 压缩方式降低 43-72%，而基于深度学习的玻璃移除将 WSI 大小降低 0.3-33%（使用单色像素替换），或 6-62%（移除全部玻璃瓷砖）。将两种方法组合可实现总体大小降低 44-80%，这表明基于深度学习的图像压缩能够高效压缩玻璃瓷砖，而 JPEG 不行。在组织切片数据集上，最佳基于深度学习的压缩模型平均比 JPEG 节省约 35-40%，同时保持 SSIM 值在 0.95 以上，而 JPEG-XL 和 JPEG-2000 分别节省 17% 和 14%，且保持 SSIM 为 0.96。然而，深度学习模型的解压缩时间高于 JPEG 和 JPEG-XL。
引用
@article{arxiv.2605.17668,
title = {Deep learning-based compression of giga-resolution whole slide images},
author = {Maren Høibø and Etienne Gaucher and Ingerid Reinertsen and Marit Valla and Erik Smistad},
journal= {arXiv preprint arXiv:2605.17668},
year = {2026}
}