用于乳腺X线照片可变比特长度有损高密度压缩的全卷积模型
计算机视觉与模式识别
2018-05-21 v1
摘要
医学图像压缩的早期工作可追溯到 1980 年代，其推动力在于部署用于高分辨率数字 X 射线探测器的远程放射学系统。该时期商业部署的系统可使用无损算术编码将 4,096 x 4,096 尺寸、12 bpp 的图像压缩至 2 bpp，多年来融入了 JPEG 和 JPEG2000，达到低至 0.1 bpp。受过去两年基于深度学习的自然图像压缩复兴的启发，我们提出了一种用于保留诊断相关特征的有损压缩的全卷积自编码器。随后利用算术编码封装特征的高冗余性，以进一步进行高密度码打包，从而实现可变比特长度。我们使用峰值信噪比（pSNR）、结构相似性（SSIM）指数以及数据集间的域适应性测试，在两个不同的公开可用数字乳腺摄影数据集上展示了性能。在 >300x（约 0.04 bpp）的高密度压缩比下，通过放射科医生的视觉图灵测试评估，我们的方法可与 JPEG 和 JPEG2000 媲美。
引用
@article{arxiv.1805.06909,
title = {Fully Convolutional Model for Variable Bit Length and Lossy High Density Compression of Mammograms},
author = {Aupendu Kar and Sri Phani Krishna Karri and Nirmalya Ghosh and Ramanathan Sethuraman and Debdoot Sheet},
journal= {arXiv preprint arXiv:1805.06909},
year = {2018}
}
备注
4 pages, 3 figures, To appear in Workshop on Learned Image Compression, CVPR 2018