論文の概要: Region of Interest based Medical Image Compression

• arxiv url: http://arxiv.org/abs/2501.02895v1
• Date: Mon, 06 Jan 2025 10:16:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:06:10.201830
• Title: Region of Interest based Medical Image Compression
• Title（参考訳）: 興味を生かした医用画像圧縮領域
• Authors: Utkarsh Prakash Srivastava, Toshiaki Fujii,
• Abstract要約: 本稿では、圧縮率と画質のバランスに対処するため、関心領域(ROI)の符号化について検討する。 Brats 2020データセット上でUNETセグメンテーションを利用することで、診断に重要な腫瘍領域を正確に同定する。 これらの領域は、圧縮のための高効率ビデオ符号化(HEVC)の対象となり、必要不可欠な診断情報を保持しながら圧縮速度を向上する。
• 参考スコア（独自算出の注目度）: 3.902441198412341
• License:
• Abstract: The vast volume of medical image data necessitates efficient compression techniques to support remote healthcare services. This paper explores Region of Interest (ROI) coding to address the balance between compression rate and image quality. By leveraging UNET segmentation on the Brats 2020 dataset, we accurately identify tumor regions, which are critical for diagnosis. These regions are then subjected to High Efficiency Video Coding (HEVC) for compression, enhancing compression rates while preserving essential diagnostic information. This approach ensures that critical image regions maintain their quality, while non-essential areas are compressed more. Our method optimizes storage space and transmission bandwidth, meeting the demands of telemedicine and large-scale medical imaging. Through this technique, we provide a robust solution that maintains the integrity of vital data and improves the efficiency of medical image handling.
• Abstract（参考訳）: 医療画像の膨大な量は、遠隔医療サービスをサポートするために効率的な圧縮技術を必要とする。 本稿では、圧縮率と画質のバランスに対処するため、関心領域(ROI)の符号化について検討する。 Brats 2020データセット上でUNETセグメンテーションを利用することで、診断に重要な腫瘍領域を正確に同定する。 これらの領域は、圧縮のための高効率ビデオ符号化(HEVC)の対象となり、必要不可欠な診断情報を保持しながら圧縮速度を向上する。 このアプローチにより、重要画像領域は品質を維持し、非必要領域はより圧縮される。 本手法は,遠隔医療と大規模医用画像の要求を満たすため,ストレージ容量と伝送帯域幅を最適化する。 この手法により,重要なデータの完全性を維持し,医用画像処理の効率を向上するロバストなソリューションを提供する。

関連論文リスト

• Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification [0.0]
  本稿では,DenseNetとFAISSを用いた医用画像検索手法を提案する。 DenseNetは複雑な医療画像の特徴抽出に適している。 FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2024-11-03T08:14:31Z)
• Learning Lossless Compression for High Bit-Depth Volumetric Medical Image [61.740026014860256]
  本稿では,高ビット深度医用ボリューム圧縮に適したBit-DivisionベースのLosless Volumetric Image Compressionフレームワークを提案する。 BD-LVICフレームワークは、高ビット深度を2つの下位ビット深度セグメント(MSBV)とLast Significant Bit-Volume(LSBV)に巧みに分割する。
  論文  参考訳（メタデータ） (2024-10-23T12:18:36Z)
• 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)
• Diagnosis-oriented Medical Image Compression with Efficient Transfer Learning [14.194618076689107]
  本稿では,医療シナリオを対象とした特別な意味的圧縮タスクである診断指向の医用画像圧縮を提案する。 本研究では,診断指向の医用画像圧縮のための第1の効率的な転写学習アノテーションであるDMICを提案する。 実験の結果,我々のDMICはHEVCアンカーに比べて47.54%BD-Rate貯蓄が可能であった。
  論文  参考訳（メタデータ） (2023-10-20T03:15:13Z)
• 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)
• Clinically Relevant Latent Space Embedding of Cancer Histopathology Slides through Variational Autoencoder Based Image Compression [1.3280207637024473]
  本研究では, がんの病態スライドを1:512の圧縮比で圧縮・圧縮できるVAEベースのトレーニング手法を提案する。 圧縮された潜伏空間から埋め込みを生成,可視化し,データの臨床的解釈にどのように有用かを示す。
  論文  参考訳（メタデータ） (2023-03-23T15:13:04Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• Regularized Compression of MRI Data: Modular Optimization of Joint Reconstruction and Coding [2.370481325034443]
  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。
  論文  参考訳（メタデータ） (2020-10-08T15:32:52Z)
• Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images [54.40852143927333]
  ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。 圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。 提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
  論文  参考訳（メタデータ） (2020-06-30T07:38:47Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。