基于残差学习双自编码器模型的有损医学图像压缩
图像与视频处理
2021-08-25 v1 人工智能
机器学习
信号处理
摘要
本文提出了一种基于两级自编码器的压缩-解压缩框架，用于压缩疟疾红细胞图像块。我们知道，用于疾病诊断的医学图像大小约为数 GB，体量相当庞大。所提出的基于残差的双自编码器网络经过训练，可提取独特特征，随后通过解压缩模块重建原始图像。两个潜在空间表示（第一个对应原始图像，第二个对应残差图像）用于重建最终的原始图像。我们专门使用 Color-SSIM 来检查解压缩后细胞图像色度部分的质量。实验结果表明，所提出的工作在 PSNR、Color SSIM 和 MS-SSIM 指标上分别比其他用于医学图像的神经网络压缩技术高出约 35%、10% 和 5%。该算法在比特节省方面，相较于 JPEG-LS、JP2K-LM、CALIC 和最新的神经网络方法，分别显著提升了 76%、78%、75% 和 74%，使其成为一种优秀的压缩-解压缩技术。
引用
@article{arxiv.2108.10579,
title = {Lossy Medical Image Compression using Residual Learning-based Dual Autoencoder Model},
author = {Dipti Mishra and Satish Kumar Singh and Rajat Kumar Singh},
journal= {arXiv preprint arXiv:2108.10579},
year = {2021}
}