LC-TMNet:学习无损医疗图像压缩与可调节的多尺度网络

科学领域:

• 医疗成像医学成像
• 计算机科学 计算机科学
• 数据压缩数据压缩

背景情况:

• 高质量的医疗图像对于准确诊断至关重要,需要无损压缩来保持图像完整性.
• 与编码器集成的神经网络提供先进的无损压缩,优于传统方法.
• 现有的神经网络压缩方法在复杂或边缘区域中难以进行概率估计,从而限制了性能.

研究的目的:

• 开发一种新的无损图像压缩方法,克服对复杂图像区域的概率估计的局限性.
• 为了提高基于神经网络的无损图像压缩用于医疗应用的准确性和效率.

主要方法:

• 使用灵活的树结构图像分割机制来利用子图像之间的关系.
• 一个注意力机制被整合到UNet网络架构中,以提高概率估计的准确性.
• 实现了可变速度压缩,提供了不同的快速和慢速模式.

主要成果:

• 拟议的方法证明了改进的概率估计,特别是在复杂的纹理区域.
• 可变速度压缩在快速模式下实现了最先进的压缩速度.
• 慢模式实现了最先进的压缩性能.

结论:

• 这种新的方法有效地提高了医疗成像的无损图像压缩精度和效率.
• 灵活的树结构细分和注意力机制是改善基于神经网络的压缩的关键.
• 变速压缩为不同的临床或研究需求提供了实际的适应性.