基于卷积循环神经网络的 X 射线图像压缩
计算机视觉与模式识别
2019-05-10 v2 图像与视频处理
摘要
在数字健康革命到来之际，海量临床数据正每日生成、存储和处理。这使得大规模医疗数据尤其是高分辨率医学图像的存储与检索变得尤为困难。因此，有效的医学图像压缩在当今医疗信息系统中，特别是在远程放射学中起着至关重要的作用。本工作提出了一种基于卷积循环神经网络 RNN-Conv 的 X 射线图像压缩方法。所提架构在部署时可提供可变压缩率，同时只需针对特定尺寸的 X 射线图像对每个网络训练一次。该模型采用多级池化方案，学习上下文特征以实现有效压缩。我们在 National Institute of Health (NIH) ChestX-ray8 数据集上进行了图像压缩实验，并将所提架构与一种最先进的基于 RNN 的技术以及 JPEG 2000 进行了比较。实验结果表明，所提方法在结构相似性指数（SSIM）和峰值信噪比（PSNR）指标上取得了更优的压缩性能。据我们所知，这是首个关于使用深度卷积 RNN 进行医学图像压缩的评估报道。
引用
@article{arxiv.1904.12271,
title = {X-Ray Image Compression Using Convolutional Recurrent Neural Networks},
author = {Asif Shahriyar Sushmit and Shakib Uz Zaman and Ahmed Imtiaz Humayun and Taufiq Hasan and Mohammed Imamul Hassan Bhuiyan},
journal= {arXiv preprint arXiv:1904.12271},
year = {2019}
}
备注
4 pages, 2 figures, IEEE BHI 2019