[论文解读] Medical Image Compression using Wavelet Decomposition for Prediction Method

Sridhar Ramesh, A. Shanmugam|arXiv (Cornell University)|Feb 11, 2010

Advanced Data Compression Techniques被引用 25

一句话总结

本文提出一种基于离散小波变换（DWT）并结合子带相关性分析的子带特定预测的无损医学图像压缩方法。通过系数图法选择最优预测变量以减少多重共线性，该方法在磁共振成像（MRI）和计算机断层扫描（CT）图像上实现了较高的压缩比，其压缩速率和预测精度均优于现有最先进方法。

ABSTRACT

In this paper offers a simple and lossless compression method for compression of medical images. Method is based on wavelet decomposition of the medical images followed by the correlation analysis of coefficients. The correlation analyses are the basis of prediction equation for each sub band. Predictor variable selection is performed through coefficient graphic method to avoid multicollinearity problem and to achieve high prediction accuracy and compression rate. The method is applied on MRI and CT images. Results show that the proposed approach gives a high compression rate for MRI and CT images comparing with state of the art methods.

研究动机与目标

• 开发一种专用于医学影像的无损压缩技术，以实现高保真度的图像保存。
• 通过小波分解利用子带间相关性，减少医学图像中的冗余信息。
• 通过选择能最小化多重共线性并最大化预测精度的最优预测变量，提升压缩效率。
• 在真实世界的磁共振成像（MRI）和计算机断层扫描（CT）图像上，评估该方法相对于现有最先进技术的性能表现。
• 在保持无损重建质量的前提下实现高比率压缩，确保诊断图像的完整性。

提出的方法

• 对医学图像应用离散小波变换（DWT），将其分解为多个子带（LL、LH、HL、HH）。
• 对每个子带内的小波系数进行相关性分析，以识别预测关系。
• 使用系数图法选择能最小化多重共线性并提升预测精度的预测变量。
• 基于选定的预测变量和系数关系，为每个子带制定预测方程。
• 使用熵编码对预测残差进行编码，以实现无损压缩。
• 通过逆预测和逆向DWT，从压缩数据中重建原始图像。

实验结果

研究问题

• RQ1 基于小波的子带分解能否有效减少医学图像中的冗余，从而提升压缩效果？
• RQ2 基于相关性分析的子带特定预测相较于传统方法，如何提升压缩效率？
• RQ3 用于预测变量选择的系数图法在多大程度上减少了多重共线性问题并提升了预测精度？
• RQ4 与现有最先进技术相比，该方法在磁共振成像（MRI）和计算机断层扫描（CT）图像上可实现多高的压缩比？
• RQ5 所提出的方法是否能保持适合医学影像诊断用途的无损重建质量？

主要发现

• 所提出的方法在磁共振成像（MRI）和计算机断层扫描（CT）图像上的压缩比高于现有最先进的无损压缩技术。
• 基于相关性分析的子带特定预测显著提升了预测精度并降低了残差能量。
• 系数图法在预测变量选择中成功缓解了多重共线性问题，增强了模型稳定性。
• 该方法在多种医学图像类型（包括T1加权磁共振成像和CT扫描）中表现出一致的性能。
• 压缩结果表明，该方法在无损压缩方面有效，同时完整保留了所有诊断图像信息。
• 在测试数据集上，该方法在压缩比和预测效率方面均优于传统的基于小波的压缩方法。