論文の概要: SCI: A spectrum concentrated implicit neural compression for biomedical
data
- arxiv url: http://arxiv.org/abs/2209.15180v1
- Date: Fri, 30 Sep 2022 02:05:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 16:27:18.453505
- Title: SCI: A spectrum concentrated implicit neural compression for biomedical
data
- Title（参考訳）: SCI : バイオメディカルデータのためのスペクトル集中型暗黙的ニューラル圧縮
- Authors: Runzhao Yang, Tingxiong Xiao, Yuxiao Cheng, Qianni Cao, Jinyuan Qu,
Jinli Suo, Qionghai Dai
- Abstract要約: 本稿では, 適応圧縮手法SCIを提案する。これは, 対象データを, 適用したINRのスペクトル包み込みに適合するブロックに適応的に分割する。
実験により、SCIは従来の技術よりも優れた性能を示し、様々な医療データに適用可能であることが示された。
- 参考スコア（独自算出の注目度）: 26.621981063249645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Massive collection and explosive growth of the huge amount of medical data,
demands effective compression for efficient storage, transmission and sharing.
Readily available visual data compression techniques have been studied
extensively but tailored for nature images/videos, and thus show limited
performance on medical data which are of different characteristics. Emerging
implicit neural representation (INR) is gaining momentum and demonstrates high
promise for fitting diverse visual data in target-data-specific manner, but a
general compression scheme covering diverse medical data is so far absent. To
address this issue, we firstly derive a mathematical explanation for INR's
spectrum concentration property and an analytical insight on the design of
compression-oriented INR architecture. Further, we design a funnel shaped
neural network capable of covering broad spectrum of complex medical data and
achieving high compression ratio. Based on this design, we conduct compression
via optimization under given budget and propose an adaptive compression
approach SCI, which adaptively partitions the target data into blocks matching
the concentrated spectrum envelop of the adopted INR, and allocates parameter
with high representation accuracy under given compression ratio. The
experiments show SCI's superior performance over conventional techniques and
wide applicability across diverse medical data.
- Abstract（参考訳）: 大量の医療データの大量収集と爆発的な成長は、効率的な保管、送信、共有のために効果的な圧縮を要求する。
可読性のあるビジュアルデータ圧縮技術は広く研究されているが、自然画像やビデオに特化しており、異なる特徴を持つ医療データに対して限られた性能を示す。
暗黙的神経表現(INR)の出現は勢いを増しており、ターゲットデータ固有の方法で多様な視覚データを適合させるという高い期待を示しているが、様々な医療データを包含する一般的な圧縮スキームは今のところ存在しない。
この問題に対処するため,まず,INRのスペクトル集中特性に関する数学的説明と,圧縮指向INRアーキテクチャの設計に関する解析的考察を導出する。
さらに,複雑な医療データの広いスペクトルをカバーし,高い圧縮率を達成することができるファンネル型ニューラルネットワークの設計を行う。
この設計に基づき、与えられた予算の下で最適化により圧縮を行い、ターゲットデータを、選択したinrの集中スペクトル包絡に適合するブロックに適応的に分割し、所定の圧縮比で高い表現精度でパラメータを割り当てる適応圧縮アプローチsciを提案する。
実験の結果,SCIは従来の技術よりも優れた性能を示し,様々な医療データに適用可能であることがわかった。
関連論文リスト
- Medical Imaging Complexity and its Effects on GAN Performance [1.776717121506676]
医用医用画像合成は, 画像合成のための強力な手法として, GAN (Generative Adversarial Network) による医用画像合成が登場した。
サンプルデータセットサイズと生成された画像の忠実度との関係を計測するベンチマークを実験的に確立する。
サンプルサイズが変化する複数の医用画像データセットをトレーニングした,最先端の2つのGANであるStyleGAN 3とSPADE-GANを用いて実験を行った。
論文 参考訳（メタデータ） (2024-10-23T15:28:25Z) - 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) - Sparse $L^1$-Autoencoders for Scientific Data Compression [0.0]
L1$-regularizedの高次元ラテント空間を用いたオートエンコーダの開発により,効率的なデータ圧縮手法を提案する。
本稿では,これらの情報に富む潜伏空間を用いて,ぼやけなどのアーティファクトを緩和し,科学的データに対する高効率なデータ圧縮手法を実現する方法について述べる。
論文 参考訳（メタデータ） (2024-05-23T07:48:00Z) - SRN-SZ: Deep Leaning-Based Scientific Error-bounded Lossy Compression
with Super-resolution Neural Networks [13.706955134941385]
本研究では,SRN-SZを提案する。
SRN-SZはその圧縮に最も高度な超解像ネットワークHATを適用している。
実験では、SRN-SZは最大75%の圧縮比の改善を同じ誤差境界下で達成する。
論文 参考訳（メタデータ） (2023-09-07T22:15:32Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Modality-Agnostic Variational Compression of Implicit Neural
Representations [96.35492043867104]
Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。
潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。
このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
論文 参考訳（メタデータ） (2023-01-23T15:22:42Z) - Lossy compression of multidimensional medical images using sinusoidal
activation networks: an evaluation study [0.0]
我々は, 周期的活性化機能を持つニューラルネットワークを用いて, 大規模多次元医用画像データセットを確実に圧縮する方法を評価する。
正弦波アクティベーションネットワークのパラメータを用いて,任意の4次元dMRIデータセットを正確に表現する方法を示す。
その結果,提案手法は平均二乗誤差,ピーク信号-雑音比,構造類似度指数において,ReLUとTanhのアクティベーションパーセプトロンアーキテクチャよりも優れていた。
論文 参考訳（メタデータ） (2022-08-02T17:16:33Z) - 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) - Video Coding for Machine: Compact Visual Representation Compression for
Intelligent Collaborative Analytics [101.35754364753409]
Video Coding for Machines (VCM) は、ビデオ/画像圧縮と特徴圧縮をある程度別々の研究トラックにブリッジすることを約束している。
本稿では,既存の学術・産業活動に基づくVCM方法論と哲学を要約する。
論文 参考訳（メタデータ） (2021-10-18T12:42:13Z) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳（メタデータ） (2021-10-07T14:03:00Z)
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。