論文の概要: Regularized Compression of MRI Data: Modular Optimization of Joint
Reconstruction and Coding
- arxiv url: http://arxiv.org/abs/2010.04065v2
- Date: Mon, 9 Nov 2020 15:01:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 13:02:04.330479
- Title: Regularized Compression of MRI Data: Modular Optimization of Joint
Reconstruction and Coding
- Title（参考訳）: MRIデータの正規圧縮:関節再構成と符号化のモジュール最適化
- Authors: Veronica Corona, Yehuda Dar, Guy Williams, Carola-Bibiane Sch\"onlieb
- Abstract要約: 本稿では,MRI再構成と損失圧縮の協調最適化のためのフレームワークを提案する。
本手法は,品質とビットレートのトレードオフを改善するために,医用画像の圧縮表現を生成する。
正規化法と比較すると,PSNRは高いビットレートで0.5から1dBのゲインが得られる。
- 参考スコア（独自算出の注目度）: 2.370481325034443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Magnetic Resonance Imaging (MRI) processing chain starts with a critical
acquisition stage that provides raw data for reconstruction of images for
medical diagnosis. This flow usually includes a near-lossless data compression
stage that enables digital storage and/or transmission in binary formats. In
this work we propose a framework for joint optimization of the MRI
reconstruction and lossy compression, producing compressed representations of
medical images that achieve improved trade-offs between quality and bit-rate.
Moreover, we demonstrate that lossy compression can even improve the
reconstruction quality compared to settings based on lossless compression. Our
method has a modular optimization structure, implemented using the alternating
direction method of multipliers (ADMM) technique and the state-of-the-art image
compression technique (BPG) as a black-box module iteratively applied. This
establishes a medical data compression approach compatible with a lossy
compression standard of choice. A main novelty of the proposed algorithm is in
the total-variation regularization added to the modular compression process,
leading to decompressed images of higher quality without any additional
processing at/after the decompression stage. Our experiments show that our
regularization-based approach for joint MRI reconstruction and compression
often achieves significant PSNR gains between 4 to 9 dB at high bit-rates
compared to non-regularized solutions of the joint task. Compared to
regularization-based solutions, our optimization method provides PSNR gains
between 0.5 to 1 dB at high bit-rates, which is the range of interest for
medical image compression.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)処理チェーンは、診断のための画像の再構築のための生データを提供する重要な取得段階から始まる。
このフローは通常、デジタルストレージおよび/またはバイナリ形式の送信を可能にする、ほぼロスレスなデータ圧縮段階を含む。
本研究では,MRI再構成と損失圧縮の協調最適化のためのフレームワークを提案し,高品質とビットレートのトレードオフを改善するための医用画像の圧縮表現を生成する。
さらに,ロスレス圧縮に基づく設定と比較して,ロスレス圧縮により復元品質が向上することを示す。
本手法は,乗算器法 (ADMM) の交互方向法と最先端画像圧縮法 (BPG) を用いて,ブラックボックスモジュールを反復的に適用したモジュラー最適化構造を有する。
これにより、損失のある圧縮標準と互換性のある医療データ圧縮アプローチが確立される。
提案アルゴリズムの主な新規性は、モジュラー圧縮プロセスに追加される全変分正規化であり、圧縮段階以降に追加処理を行わずに高品質の圧縮画像が得られる。
実験の結果,関節MRI再建と圧縮に対する正規化に基づくアプローチは,関節の非正規化ソリューションと比較して,高ビットレートで4～9dBのPSNRゲインを達成できることがわかった。
正規化法と比較すると,PSNRの高ビットレートでの利得は0.5～1dBであり,医用画像圧縮の関心範囲である。
関連論文リスト
- UniCompress: Enhancing Multi-Data Medical Image Compression with Knowledge Distillation [59.3877309501938]
Inlicit Neural Representation (INR) ネットワークは、その柔軟な圧縮比のため、顕著な汎用性を示している。
周波数領域情報を含むコードブックをINRネットワークへの事前入力として導入する。
これにより、INRの表現力が向上し、異なる画像ブロックに対して特異な条件付けが提供される。
論文 参考訳（メタデータ） (2024-05-27T05:52:13Z) - Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。
我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。
実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-01-25T08:11:27Z) - Streaming Lossless Volumetric Compression of Medical Images Using Gated
Recurrent Convolutional Neural Network [0.0]
本稿では,ハードウェアフレンドリーなストリーミングロスレスボリューム圧縮フレームワークを提案する。
本稿では,多種多様な畳み込み構造と融合ゲート機構を組み合わせたゲートリカレント畳み込みニューラルネットワークを提案する。
提案手法は,堅牢な一般化能力と競争圧縮速度を示す。
論文 参考訳（メタデータ） (2023-11-27T07:19:09Z) - Image Compression and Decompression Framework Based on Latent Diffusion
Model for Breast Mammography [0.0]
本研究では,潜在拡散モデル(LDM)を用いた医用画像の圧縮・圧縮のための新しい枠組みを提案する。
LDMは, 拡散確率モデル (DDPM) の進歩を表現し, 優れた画質が得られる可能性が示唆された。
医用画像データを用いた画像アップスケーリングにおけるLCMとTorchvisionの応用の可能性について検討した。
論文 参考訳（メタデータ） (2023-10-08T22:08:59Z) - CompaCT: Fractal-Based Heuristic Pixel Segmentation for Lossless Compression of High-Color DICOM Medical Images [0.0]
医用画像は、医師による正確な分析のために、ピクセル単位の12ビットの高色深度を必要とする。
フィルタリングによる画像の標準圧縮はよく知られているが、具体化されていない実装のため、医療領域ではまだ最適ではない。
本研究では,動的に拡張されたデータ処理のための画素濃度の空間的特徴とパターンをターゲットとした医用画像圧縮アルゴリズムCompaCTを提案する。
論文 参考訳（メタデータ） (2023-08-24T21:43:04Z) - You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
近年,学習画像圧縮(lic)法は大きな進歩を遂げている。
licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。
原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。
極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
論文 参考訳（メタデータ） (2023-06-27T15:36:22Z) - Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG
Encoder-Decoder [73.48927855855219]
本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。
実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
論文 参考訳（メタデータ） (2022-01-27T20:20:03Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳（メタデータ） (2021-12-08T13:02:53Z) - Learning Better Lossless Compression Using Lossy Compression [100.50156325096611]
我々は、ロスレス画像圧縮システムを構築するために、強力なロスレス画像圧縮アルゴリズムであるBPGを利用する。
我々は,BPG再構成を条件とした畳み込みニューラルネットワークに基づく確率モデルを用いて,残差分布をモデル化する。
そして、この画像は、BPGが生成したビットストリームと学習した残留コーダの連結を用いて保存される。
論文 参考訳（メタデータ） (2020-03-23T11:21:52Z) - A GAN-based Tunable Image Compression System [13.76136694287327]
本稿では、GAN(Generative Adversarial Network)を用いてコンテンツベースの圧縮を再考し、重要でない領域を再構築する。
モデルを再トレーニングすることなく、特定の圧縮比に画像を圧縮するチューナブル圧縮スキームも提案する。
論文 参考訳（メタデータ） (2020-01-18T02:40:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。