論文の概要: Practical Lossless Volumetric Medical Image Compression via Tri-plane Context Tree Learning

• arxiv url: http://arxiv.org/abs/2608.13897v1
• Date: Fri, 14 Aug 2026 03:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.254781
• Title: Practical Lossless Volumetric Medical Image Compression via Tri-plane Context Tree Learning
• Title（参考訳）: 三次元文脈木学習による実用的な無損失ボリューム医用画像圧縮
• Abstract要約: 従来の圧縮法は、剛体で手作りのモデルによって効率が制限されることが多い。 ディープニューラルネットワーク(DNN)ベースの圧縮手法は有効ではあるが、かなりの計算資源を必要とする。 本稿では、損失のないボリューム画像圧縮のための新しい3面コンテキストツリー(TCT)を提案する。
• 参考スコア（独自算出の注目度）: 44.4636106590074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lossless compression of volumetric medical images is of paramount importance for clinical and research applications where data fidelity is essential. Traditional compression methods are often limited in efficiency due to rigid, handcrafted models. Conversely, deep neural network (DNN)-based compression methods, while effective, demand substantial computational resources, hindering deployment in resource-constrained settings. To address these challenges, we propose a novel tri-plane context tree (TCT)-based method for lossless volumetric medical image compression that delivers high performance without relying on DNNs or external training data. To exploit intra-slice and inter-slice redundancies, we introduce a compact tri-plane context representation that decomposes complex 3D context modeling into efficient 2D modeling on three orthogonal planes. By integrating this representation with a context tree framework, we develop an input-specific TCT model employing an adaptive binary tree structure. At each tree node, the model dynamically selects from a suite of tri-plane based predictors and contextual feature extractors, enabling data-adaptive context modeling tailored to local structural characteristics. Instead of offline training, we sample a subset of the input volume to learn the TCT model by optimizing the minimum description length (MDL) through iterative construction and pruning. With the learned TCT model, each pixel retrieves its corresponding context, computes the prediction residual using the predictor dictated by the context, and performs entropy encoding based on the associated histograms. Experimental results demonstrate that the proposed method achieves compression performance on par with recent DNN-based methods on multiple datasets, while maintaining low computational cost and fast coding speeds, making it highly applicable in practice.
• Abstract（参考訳）: データ忠実性が不可欠である臨床・研究の分野では、ボリューム医学画像のロスレス圧縮が最重要となる。 従来の圧縮法は、剛体で手作りのモデルによって効率が制限されることが多い。 逆に、ディープニューラルネットワーク(DNN)ベースの圧縮手法は、有効ではあるが、かなりの計算リソースを必要とするため、リソース制約のある設定でのデプロイメントを妨げている。 これらの課題に対処するために、DNNや外部トレーニングデータに頼らずに高いパフォーマンスを実現する、損失のないボリューム画像圧縮のための新しい三面体コンテキストツリー(TCT)を提案する。 複雑な3次元コンテキストモデリングを3次元直交平面上の効率的な2次元モデリングに分解する,コンパクトな三面体コンテキスト表現を導入する。 この表現をコンテキストツリーフレームワークに統合することにより、適応二分木構造を用いた入力固有TCTモデルを構築する。 各ツリーノードでは、モデルがトリプレーンベースの予測器とコンテキスト特徴抽出器のスイートから動的に選択し、局所的な構造特性に合わせてデータ適応型コンテキストモデリングを可能にする。 オフライン学習の代わりに,最小記述長 (MDL) を反復的構成とプルーニングにより最適化することにより,TCTモデルを学習するために入力ボリュームのサブセットをサンプリングする。 学習したTCTモデルを用いて、各画素はその対応するコンテキストを検索し、コンテキストによって予測された予測器を用いて予測残差を計算し、関連するヒストグラムに基づいてエントロピー符号化を行う。 実験により,提案手法は,計算コストの低減と高速な符号化速度を維持しつつ,複数のデータセット上での最近のDNN法と同等の圧縮性能を実現し,実際に高い適用性が得られることを示した。

関連論文リスト

• Learning from Compressed CT: Feature Attention Style Transfer and Structured Factorized Projections for Resource-Efficient Medical Image Analysis [0.18352113484137622]
  Feature Attention Style Transfer (FAST) は、高忠実度CT表現から圧縮入力で動作するビジュアルエンコーダへ転送する新しいフレームワークである。 構造因子射影(Structured Factorized Projection, SFP)は、高密度射影層に対するパラメータ効率の代替であり、パラメータをほぼ半分削減する。 対照的な学習パイプラインであるCT-Liteは、これらのコンポーネントをSigLIPベースの客観的アライメント目標と統合します。
  論文  参考訳（メタデータ） (2026-05-01T06:35:53Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Vector Representations of Vessel Trees [12.391128284848135]
  本稿では,3次元血管ネットワークに着目した木構造幾何データのベクトル表現を学習するための新しいフレームワークを提案する。 我々のフレームワークであるVeTTAは、医用画像における解剖学的構造を正確に、柔軟で、位相的に一貫したモデリングを提供する。
  論文  参考訳（メタデータ） (2025-06-11T20:34:08Z)
• tCURLoRA: Tensor CUR Decomposition Based Low-Rank Parameter Adaptation and Its Application in Medical Image Segmentation [1.3037269687250654]
  伝達学習は、事前訓練されたモデルからの知識を活用することで、目標タスクの性能を大幅に向上させた。 ディープニューラルネットワークのスケールアップに伴って、フル微調整によって、計算とストレージの大幅な課題がもたらされる。 テンソルCUR分解に基づく新しい微調整法であるtCURLoRAを提案する。
  論文  参考訳（メタデータ） (2025-01-04T08:25:32Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
  そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。 提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
  論文  参考訳（メタデータ） (2022-08-05T19:05:16Z)
• Enforcing connectivity of 3D linear structures using their 2D projections [54.0598511446694]
  本稿では,2次元投影におけるトポロジ認識損失の総和を最小化することにより,結果の3次元接続性を改善することを提案する。 これにより、精度の向上と、アノテーション付きトレーニングデータの提供に必要なアノテーションの労力の削減が図られる。
  論文  参考訳（メタデータ） (2022-07-14T11:42:18Z)

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。