面向高比特深度体医学图像的无损压缩学习

近年来基于学习的方法显著提升了图像压缩的能力。然而，这些方法在处理高比特深度体医学图像时面临性能下降、内存需求增加和处理速度降低等问题。为应对这些挑战，本文提出了基于比特分割的无损体图像压缩（BD-LVIC）框架，该框架专为高比特深度医学体数据压缩而设计。BD-LVIC框架巧妙地将高比特深度体数据分割为两个较低比特深度的部分：最高有效位体（MSBV）和最低有效位体（LSBV）。MSBV专注于体医学图像的最高有效位，以紧凑的方式捕获关键的结构细节。这种复杂度的降低极大地提高了使用传统编解码器的压缩效率。相反，LSBV处理最低有效位，其中包含了复杂的纹理细节。为了有效压缩这些细节信息，我们引入了一个有效的基于学习的压缩模型，该模型配备了一个基于Transformer的特征对齐模块，利用切片内和切片间冗余来精确对齐特征。随后，一个并行自回归编码模块融合这些特征，以精确估计最低有效位平面的概率分布。我们的广泛测试表明，BD-LVIC框架不仅在多个数据集上设立了新的性能基准，而且保持了有竞争力的编码速度，突显了其在体医学图像压缩领域的巨大潜力和实际效用。