通过形状-纹理脱的深度神经网络来减少体积庞大的医疗图像

科学领域:

• 医疗成像医学成像
• 数据压缩数据压缩
• 人工智能的人工智能

背景情况:

• 医疗数据正在呈指数级增长,这对存储和共享构成了挑战.
• 当前隐性神经表示 (INR) 压缩是准确但缓慢的.
• 数据驱动的方法很快,但缺乏通用性.

研究的目的:

• 开发一个实用的医疗数据压缩工具,克服现有方法的局限性.
• 引入形状-纹理脱压缩 (DeepSTD) 以实现高效的医疗数据压缩.
• 结合基于INR和数据驱动模型的优势,实现高保真性,速度和通用性.

主要方法:

• 将变异解成形状和纹理组件,用于单独编码.
• 使用INR进行快速形状编码和基于数据的方法进行纹理编码.
• 将DeepSTD应用于大型计算机断层扫描 (CT) 和磁共振成像 (MRI) 数据集.

主要成果:

• 在编码质量,压缩比和速度方面,DeepSTD表现出卓越的性能.
• 在数据集中实现了高保真性,快速编码和良好的通用性.
• 在大型CT和MRI数据集上得到验证,显示显著改善.

结论:

• DeepSTD为现代医学数据压缩提供了强大而高效的解决方案.
• 诸如多GPU加速和灵活的压缩控制等功能提高了可用性.
• 该方法解决了对医疗数据存储和共享的迫切需求.