用于数字病理学的学习型图像压缩与恢复
计算机视觉与模式识别
2025-04-02 v2 人工智能
摘要
数字病理学图像在医学诊断中发挥着关键作用，但其超高分辨率和大文件尺寸为存储、传输和实时可视化带来了重大挑战。为此，我们提出了 CLERIC（Compressed Learning for Image Restoration and Compression）——一种专为全切片图像（Whole Slide Images, WSI）设计的基于深度学习的图像压缩框架。CLERIC 集成了可学习的升数方案和先进的卷积技术，以在保持关键病理细节的同时提高压缩效率。我们的框架在分析阶段采用升数变换将图像分解为低频和高频成分，从而实现更结构化的潜在表示。这些成分通过并行编码器处理，编码器包含可变形残差块（Deformable Residual Blocks, DRB）和循环残差块（Recurrent Residual Blocks, R2B），以提高特征提取和空间自适应性。合成阶段应用逆升数变换进行有效的图像重建，确保细粒组织结构的高保真恢复。我们在数字病理学图像数据集上对 CLERIC 进行评估，并将其性能与当前先进的学习型图像压缩（Learned Image Compression, LIC）模型进行比较。实验结果表明，CLERIC 在率失真（Rate-Distortion, RD）性能方面具有优势，显著降低存储需求，同时保持高诊断图像质量。我们的研究凸显了深度学习压缩在数字病理学中的潜力，有助于高效的数据管理和长期存储，同时确保无缝集成到临床工作流程和 AI 辅助诊断系统中。代码和模型可在 https://github.com/pnu-amilab/CLERIC 查阅。
引用
@article{arxiv.2503.23862,
title = {Learned Image Compression and Restoration for Digital Pathology},
author = {SeonYeong Lee and EonSeung Seong and DongEon Lee and SiYeoul Lee and Yubin Cho and Chunsu Park and Seonho Kim and MinKyung Seo and YoungSin Ko and MinWoo Kim},
journal= {arXiv preprint arXiv:2503.23862},
year = {2025}
}