面向云端高效传输与精确分割的机器视觉引导三维医学图像压缩
计算机视觉与模式识别
2019-04-19 v1 机器学习
机器学习
摘要
基于云端的医学图像分析近年来变得流行，这归因于各类基于深度神经网络（DNN）的框架具有很高的计算复杂度，且需要处理的医学图像体量日益增大。已有研究表明，对于医学图像而言，从本地到云端的传输成本远高于云端本身的计算成本。为此，三维图像压缩技术被广泛用于减少数据流量。然而，现有大多数图像压缩技术都是围绕人类视觉开发的，即它们旨在最小化人眼可感知的失真。本文以基于深度学习的医学图像分割为载体，证明了一个有趣的现象：机器与人类对压缩质量的评判标准不同。按人类视觉质量良好压缩的医学图像可能导致较差的分割精度。我们随后设计了一个面向机器视觉、专为基于DNN的分割量身定制的三维图像压缩框架。我们的方法自动提取并保留对分割最为重要的图像特征。在HVSMR 2016挑战数据集上，针对广泛采用的分割框架所进行的综合实验表明，与现有的JPEG 2000方法相比，我们的方法在相同压缩率下可实现显著更高的分割精度，或在相同分割精度下实现更优的压缩率。据作者所知，这是首个面向云端分割的机器视觉引导医学图像压缩框架。
引用
@article{arxiv.1904.08487,
title = {Machine Vision Guided 3D Medical Image Compression for Efficient Transmission and Accurate Segmentation in the Clouds},
author = {Zihao Liu and Xiaowei Xu and Tao Liu and Qi Liu and Yanzhi Wang and Yiyu Shi and Wujie Wen and Meiping Huang and Haiyun Yuan and Jian Zhuang},
journal= {arXiv preprint arXiv:1904.08487},
year = {2019}
}
备注
IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR), Long Beach, CA, 2019