[논문 리뷰] Fully Convolutional Model for Variable Bit Length and Lossy High Density Compression of Mammograms

Aupendu Kar, Sri Phani Krishna Karri외 3명|arXiv (Cornell University)|2018. 05. 17.

Advanced Data Compression Techniques참고 문헌 14인용 수 6

한 줄 요약

이 논문은 진단적으로 관련성이 높은 특징을 유지하면서 유방촬영 영상을 고밀도 손실 압축하기 위해 적응형 산술 부호화를 갖춘 완전 컨volution 오토에인코더(CAE)를 제안한다. 압축 비율이 300배를 초과할 때(0.04 bpp), JPEG 및 JPEG2000보다 뛰어난 성능을 보이며, 초저비트레이트에서 방사선의사 검증을 통한 시각적 품질이 표준을 충족하거나 초월한다.

ABSTRACT

Early works on medical image compression date to the 1980's with the impetus on deployment of teleradiology systems for high-resolution digital X-ray detectors. Commercially deployed systems during the period could compress 4,096 x 4,096 sized images at 12 bpp to 2 bpp using lossless arithmetic coding, and over the years JPEG and JPEG2000 were imbibed reaching upto 0.1 bpp. Inspired by the reprise of deep learning based compression for natural images over the last two years, we propose a fully convolutional autoencoder for diagnostically relevant feature preserving lossy compression. This is followed by leveraging arithmetic coding for encapsulating high redundancy of features for further high-density code packing leading to variable bit length. We demonstrate performance on two different publicly available digital mammography datasets using peak signal-to-noise ratio (pSNR), structural similarity (SSIM) index and domain adaptability tests between datasets. At high density compression factors of >300x (~0.04 bpp), our approach rivals JPEG and JPEG2000 as evaluated through a Radiologist's visual Turing test.

연구 동기 및 목표

• 초저비트레이트에서 진단적으로 관련성이 높은 특징을 유지하는 고밀도 유방촬영 영상 압축 방법을 개발하기 위해.
• 고압축 영역에서 기존 표준인 JPEG 및 JPEG2000의 한계를 극복하여, 임상적 유용성이 떨어지는 아티팩트를 줄이기 위해.
• 딥 러닝과 엔트로피 부호화를 활용하여 다양한 비트길이의 압축을 실현하고, 비트레이트에 관계없이 안정적인 영상 품질을 확보하기 위해.
• 방사선의사 시각 터닝 테스트와 교차 데이터셋 일반화를 통해 임상적 사용 가능성을 검증하기 위해.

제안 방법

• 완전 컨볼루션 오토에인코더(CAE)를 평균 제곱오차(MSE) 손실을 사용해 엔드 투 엔드로 훈련하여 유방촬영 영상을 잠재 코드 텐서로 압축한다.
• 스패티얼 해상도를 감소시키면서 계층적 특징을 추출하기 위해 ReLU 활성화 함수를 사용하는 4단계의 다운컨볼루션 블록을 사용한다.
• 잠재 코드 텐서는 부동소수점에서 정수로 변환하는 float2int 연산을 통해 양자화되며, 각 요소는 클리핑 및 반올림을 통해 n비트 정밀도로 변환되어 가변 비트길이 표현을 가능하게 한다.
• 양자화된 잠재 코드 텐서에 대해 적응형 산술 부호화를 적용하여 통계적 부족함을 활용하고 압축 효율을 추가로 향상시킨다.
• 압축된 잠재 표현에서 영상을 재구성하기 위해 대칭적인 업컨볼루션 블록을 사용하는 복원기(디코프레서)를 구현한다.
• 비교를 위한 기준으로 완전 연결 오토에인코더(FCAE)를 사용하며, tanh 및 클리프드렐루 활성화 함수를 사용하여 16×16 영상 패치에서 훈련한다.

실험 결과

연구 질문

• RQ1 압축 비율이 300배를 초과하는 경우, 완전 컨볼루션 오토에인코더는 유방촬영 영상에서 진단적으로 관련성이 높은 특징을 유지할 수 있는가?
• RQ2 초저비트레이트(<0.1 bpp)에서 제안된 CAE 기반 압축 기법은 PSNR 및 SSIM 측면에서 JPEG 및 JPEG2000와 비교해 어떻게 성능을 내는가?
• RQ3 잠재 코드 텐서에 적응형 산술 부호화를 적용함으로써 가변 비트길이 압축을 실현하면서도 영상 품질을 유지할 수 있는가?
• RQ4 CBIS-DDSM 및 Dream과 같은 다양한 유방촬영 데이터셋 간에서 CAE 모델의 일반화 능력은 어떻게 평가되는가(성능 및 특징 보존 측면에서)?
• RQ5 방사선의사들은 시각 터닝 테스트에서 압축된 출력을 원본과 구별할 수 있는가? 또한 CAE는 JPEG2000에 비해 진단적 관련성 측면에서 어떻게 비교되는가?

주요 결과

• 0.049 bpp에서 CAE는 구조적 유사도(SSI) 약 0.80을 달성했으며, 이는 JPEG2000가 0.051 bpp에서 달성한 수준과 동일하고, JPEG가 0.132 bpp에서 달성한 것보다 뛰어나다.
• CAE는 0.04–0.1 bpp의 광범위한 비트레이트 범위에서 PSNR 및 SSIM 응답이 비교적 평탄한 편이지만, JPEG 및 JPEG2000는 비트레이트가 낮아질수록 점진적으로 품질이 떨어지는 경향을 보인다.
• 잠재 코드 텐서는 낮은 엔트로피를 보이며(예: n=2일 때 H ≈ 1.98), 이는 값의 분포가 희박함을 의미하며, 이는 산술 부호화를 통해 효율적인 압축과 높은 압축 성능 향상을 가능하게 한다.
• 시각 터닝 테스트에서 방사선의사들은 CAE로 압축된 영상의 50%를 압축된 것으로 정확하게 식별했으며, JPEG2000는 52%였고, 이는 시각적 품질이 유사한 것으로 나타났다.
• CAE는 강력한 교차 데이터셋 일반화 성능를 보이며, CBIS-DDSM에서 훈련한 모델이 Dream에서, 반대로 Dream에서 훈련한 모델이 CBIS-DDSM에서 모두 일관된 PSNR 및 SSIM 성능를 유지한다.
• CAE는 전형적인 JPEG의 블록 아티팩트를 피하고, 빌드업된 영상 재구성의 부드러움을 유지하며, 시각적 점검 및 방사선의사 평가를 통해 확인되었다.