基于深度学习的巨分辨率全切片图像压缩
超导电性
2026-05-19 v1 介观与纳米尺度物理
摘要
数字病理学的实现导致全切片图像 (WSI) 的数量增加。WSI 的大尺寸具有挑战性。今天，WSI 采用诸如 JPEG 等编解码器进行压缩，每个 WSI 可达几 GB，大量空间用于存储玻璃。本研究探索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，并与 JPEG、JPEG-2000 和 JPEG-XL 进行比较。创建了包含完整玻璃、玻璃替换为单色像素、以及玻璃替换为零字节图块的图像金字塔 (N=21)，并分别使用 JPEG、JPEG-XL 和深度学习模型进行压缩。此外，评估了多个压缩模型在组织块数据集上的表现，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 大小缩小了 43-72%，而基于深度学习的玻璃移除将 WSI 大小缩小了 0.3-33%，使用单色像素替换玻璃时缩小 6-62%。将两种方法结合可实现 44-80% 的总体大小降低，这表明基于深度学习的图像压缩能够有效压缩玻璃图块，而 JPEG 则不能。在组织块数据集上，最佳基于深度学习的压缩模型相对于 JPEG 平均节省约 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%，同时保持 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.2605.17667,
title = {I-V characteristics of SNS junctions with a multivalley normal region},
author = {Liam Bonds and Shiang-Bin Chiu and Anton Andreev and Boris Spivak},
journal= {arXiv preprint arXiv:2605.17667},
year = {2026}
}