[论文解读] Region of Interest based Medical Image Compression

Utkarsh Prakash Srivastava, Toshiaki Fujii|arXiv (Cornell University)|Jan 6, 2025

Advanced Data Compression Techniques被引用 5

一句话总结

本文提出基于ROI的医学图像压缩，通过在 BRATS 2020 数据上使用 UNET 分割肿瘤区域，并用 HEVC 对感兴趣区域进行压缩，以在提高压缩效率的同时保持诊断质量。

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.

研究动机与目标

• 为远程医疗中的大型医学影像数据集的高效存储与传输提供动机。
• 识别诊断上关键的区域（肿瘤），在压缩过程中保护它们的质量。
• 提出一个将分割与基于 ROI 的编码结合的两阶段流水线，以在码率和质量之间取得平衡。

提出的方法

• 在 BRATS 2020 上应用 UNET 分割以定位肿瘤区域。
• 使用 ROI（感兴趣区域）编码，其中肿瘤区域以更高保真度保留。
• 更积极地压缩非 ROI 区域以降低整体数据规模。
• 将高效视频编码（HEVC）实现为 ROI 区域的压缩骨干。
• 在压缩率和诊断细节保留方面评估该方法。

实验结果

研究问题

• RQ1 ROI 基于编码如何改善压缩率与诊断图像质量之间的权衡？
• RQ2 基于 BRATS 2020 的 UNET 推导的肿瘤分割能否可靠地识别需要在压缩过程中提高保真度的区域？
• RQ3 将 HEVC 应用于 ROI 区域是否在减少总比特率的同时维持诊断完整性？

主要发现

• 基于 ROI 的方法旨在在提高整体压缩效率的同时保留关键诊断区域。
• 该方法利用基于 UNET 的肿瘤掩膜来驱动选择性高保真编码。
• 该流水线将 ROI 识别与 HEVC 压缩整合，以在质量与存储/传输需求之间取得平衡。
• 该方法被定位为在远程医疗和大规模医学影像任务中的鲁棒性。
• 研究显示在不影响关键数据的前提下实现潜在的存储与带宽优化。