Reducción de imágenes médicas voluminosas mediante redes neuronales profundas desacopladas de forma y textura

Área de la Ciencia:

• Imágenes Médicas
• Compresión de Datos
• Inteligencia Artificial

Sus antecedentes:

• Los datos médicos crecen exponencialmente, lo que supone un desafío para el almacenamiento y el intercambio.
• La compresión actual de Representación Neuronal Implícita (INR) es precisa pero lenta.
• Los métodos basados en datos son rápidos pero carecen de generalización.

Objetivo del estudio:

• Desarrollar una herramienta práctica de compresión de datos médicos que supere las limitaciones de los métodos existentes.
• Introducir la Compresión Desacoplada de Forma y Textura (DeepSTD) para la compresión eficiente de datos médicos.
• Combinar las ventajas de los modelos basados en INR y los modelos basados en datos para obtener alta fidelidad, velocidad y generalización.

Principales métodos:

• Desacoplar las variaciones en componentes de forma y textura para una codificación separada.
• Utilizar INR para una codificación rápida de la forma y métodos basados en datos para la codificación de la textura.
• Aplicar DeepSTD a conjuntos de datos a gran escala de Tomografía Computarizada (TC) e Imágenes por Resonancia Magnética (RM).

Principales resultados:

• DeepSTD demuestra un rendimiento superior en calidad de codificación, relación de compresión y velocidad.
• Se logró alta fidelidad, codificación rápida y buena generalización en todos los conjuntos de datos.
• Validado en conjuntos de datos de TC y RM a gran escala, mostrando mejoras significativas.

Conclusiones:

• DeepSTD proporciona una solución robusta y eficiente para la compresión de datos médicos modernos.
• Características como la aceleración multi-GPU y el control flexible de la compresión mejoran la usabilidad.
• El enfoque aborda las demandas apremiantes de almacenamiento e intercambio de datos médicos.