医学图像数据压缩中的机器学习方法.docxVIP

医学图像数据压缩中的机器学习方法 随着医学成像技术的发展和仪器扫描精度的提高, 扫描产生的医学图像数据量越来越大. 以常用的计算机断层扫描(computer tomography, CT)为例, 每幅CT图像是由数张到数百张切片组成的, 占用空间可达数百兆字节. 此外, 在临床中经常要求病人的诊疗影像数据保存至少数月. 数据的采集量、存储需求量的增加, 要求存储医学图像数据时使用图像压缩技术(或称为图像编码技术). 此外, 现代医学中的远程医疗技术, 使来自偏远乡村的病人也能从城市中有经验的医生那里得到咨询. 在远程医疗中, 由于网络带宽的限制, 同样必须对医学图像进行压缩后再传输. 因此, 医学图像压缩已经成为诊疗中不可或缺的部分. 现有的压缩技术分为有损压缩和无损压缩. 其中, 无损压缩是可逆的, 数据不会因压缩而产生任何损失; 有损压缩是不可逆的, 解压后的图像与原图会有所差别. 然而, 有损压缩可以达到非常高的压缩比率, 这是无损压缩所无法企及的. 在多媒体领域, 有损压缩的结果一般只要视觉上无损就可以被接受; 而医学图像领域则要求更严格, 因为临床数据的丢失可能会损害影像检查对患者的价值. 起初, 医学界普遍要求使用无损压缩, 但随着数据体量的增加, 仅仅使用无损压缩无法满足存储和传输需求; 之后, 美国食品药品监督管理局宣称, 可以使用有损压缩, 但在显示压缩图像时必须标明该图像是有损的1 传统压缩方法应用于医学图像压缩中的有损压缩技术分为基于向量量化(vector quantization, VQ)的方法、基于变换编码的方法和基于分形压缩的方法, 它们都能达到较高的压缩比. 其中, 基于变换编码的方法属于对称压缩方法, 压缩和解压的时间相差不大; 而VQ方法和基于分形压缩的方法属于非对称压缩方法, 压缩需要耗费大量的搜索时间, 解压则相当高效. 根据它们的特性, 长期存储适合使用非对称压缩方法, 而实时远程医疗适合使用对称压缩方法. 应用于医学图像压缩中的无损压缩技术有熵编码(如Shannon编码、Huffman编码和算术编码)、游程编码等方法, 用于对有损压缩后的结果再编码, 进一步提高压缩比例. 如果单独使用无损编码, 压缩比例一般在8倍以下. 1.1 VQ方法VQ方法将要压缩的变换图像分解成向量, 将这些向量分割成聚类, 这些聚类的中心称为码字, 所有码字的集合称为码本. 产生码本之后, 将各个向量量化到最接近的码字, 则每个向量都可以通过它对应的码字的二进制地址来表示. 该方法利用图像块之间的相关性和冗余性实现压缩, 被广泛应用于图像编码中. 基于VQ的压缩得到的压缩比一般为8~20倍. 尽管使用VQ的压缩相对无损压缩可以提供更高的压缩比, 但其使用搜索生成码本的时间较长, 码本存储也需要额外空间. 另外, VQ编码容易出现边缘退化问题. 1.2 变换编码方法基于变换编码的压缩利用不同的变换方法, 将图像从像素域变换到其他域(一般是频域), 再将变换后得到的系数进行量化等操作完成压缩. 变换包括离散余弦变换(discrete cosine transform, DCT)和离散小波变换(discrete wavelet transform, DWT)等. 其中, 基于DWT的方法一般可以比基于其他变换的方法得到更好的图像质量或更高的压缩比. 许多作为图像压缩标准的方法, 如联合图像专家组(joint photographic experts group, JPEG)1.3 分形压缩方法分形压缩方法是一种特殊的压缩方法. 其基本思想是借鉴自然界中的雪花分形等自相似图案, 利用图像中的拓扑自相似性将图像的各个区域通过适当的变换相互表达. 解码时, 通过分形函数迭代处理恢复生成解码后的图像. 该方法对具有良好的正则性和自相似性的图像压缩非常有效, 压缩比甚至能超过100倍. 但是, 分形压缩要求每个小块图像都在整个空间中搜索与自己相似度最大的、分辨率更低的大块图像, 有非常多的重复计算, 因此编码相当慢. 1.4 感兴趣区域/感兴趣体积技术通常, 医学图像同时包含人体的组织区域和背景区域, 信息十分丰富. 其中, 一些区域对诊断至关重要, 如肿瘤区、病变区或脑活动区, 放射科医生可能无法容忍高压缩比下这些区域的信息损失. 一种对重要诊断区域不压缩或进行无损压缩、而其他背景区域应用有损压缩的技术称为感兴趣区域/感兴趣体积(region of interest/volume of interest, ROI/VOI)压缩技术, 需要无损压缩的区域称为ROI/VOI(下文统一以ROI代替). 这样的压缩可以在大幅减小图像存储大小的同时保留重要的临床诊断