UltraCompression：基于物理建模深度神经网络的高密度超声体数据压缩框架
计算机视觉与模式识别
2019-01-18 v1
摘要
在保持基于散斑的关键信息的同时压缩超声图像是一项具有挑战性的任务。在本文中，我们引入了一种超声图像压缩框架，其能够在实现非常高密度压缩比的同时保留散斑外观的真实感。该压缩器采用组织分割方法，传输分割块以及换能器频率、采样数和图像尺寸作为解压缩所需的基本信息。解压缩器基于一个卷积网络，该网络经训练可生成具有病理真实感的超声图像，传达图像中可见的组织病理学相关信息。我们使用两种变体来构建压缩器，从而证明了各构建模块的通用性。我们使用失真损失以及感知损失评估了解压缩图像的质量，并将其与其他现成方案进行了比较。所提出的方法实现了 的压缩比，同时保留了散斑的统计分布。这使得在解压缩图像上进行图像分割可达到 的 dice 分数，而使用 JPEG、JPEG 2000、WebP 和 BPG 等当前标准压缩图像时显然无法如此准确地实现。我们设想该框架可作为散斑图像压缩标准的路线图。
引用
@article{arxiv.1901.05880,
title = {UltraCompression: Framework for High Density Compression of Ultrasound Volumes using Physics Modeling Deep Neural Networks},
author = {Debarghya China and Francis Tom and Sumanth Nandamuri and Aupendu Kar and Mukundhan Srinivasan and Pabitra Mitra and Debdoot Sheet},
journal= {arXiv preprint arXiv:1901.05880},
year = {2019}
}
备注
To appear in the Proceedings of the 2019 IEEE International Symposium on Biomedical Imaging (ISBI 2019); First three authors contributed equally