LFC-UNet:使用U-Net学习了无损医疗图像快速压缩

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 数据压缩数据压缩

背景情况:

• 医疗技术的快速进步需要高效的医学图像压缩.
• 神经网络为无损压缩提供了有希望的解决方案,但现有的方法在剩余数据不平衡方面扎.
• 准确的剩余概率估计对于有效的基于学习的压缩至关重要.

研究的目的:

• 开发一种高效准确的无损压缩方法,使用神经网络对医疗图像进行压缩.
• 为了应对现有的压缩技术中过度残留度的挑战.
• 为了提高基于神经网络的医学图像压缩的速度和性能.

主要方法:

• 采用加权交叉法来管理不平衡的剩余类别.
• 集成的U-Net架构与跳过连接用于增强功能捕获和概率估计.
• 开发了一个框架,允许对余数及其概率进行单通推理.

主要成果:

• 在医疗数据集上实现了最先进的性能,用于无损图像压缩.
• 与现有方法相比,演示了明显更快的处理速度.
• 一个使用头部CT数据的例子显示了0.320秒的每像素2.30位的压缩效率.

结论:

• 提出的加权交叉和基于U-Net的方法有效地克服了神经网络压缩中的剩余数据不平衡.
• 这种方法为医疗图像提供了卓越的压缩效率和处理速度.
• 该框架的单通推断能力有助于其显著的编码速度.