背景现有医学影像压缩技术基于均方误差优化,并不能完全反映人类对医学影像的主观质量感受,与临床诊断所需的结构特征保留度存在一定差距。目的提出一种面向医学影像细微特征的低损耗压缩编码算法,旨在不降低医学影像主观质量的同时降...背景现有医学影像压缩技术基于均方误差优化,并不能完全反映人类对医学影像的主观质量感受,与临床诊断所需的结构特征保留度存在一定差距。目的提出一种面向医学影像细微特征的低损耗压缩编码算法,旨在不降低医学影像主观质量的同时降低其传输带宽。方法本研究收集了解放军总医院14例骨科手术的CT图像序列,首先基于医学影像的亮度、对比度及细节纹理等关键视觉特征,重构结构相似性指数(structural similarity index measure,SSIM),其中亮度因子α=1.15,对比度/结构因子β=γ=0.95;进而基于线性失真模型和大数定律,建立结构相似性指数和均方误差的关系式;其次,将1/SSIM作为图像失真的度量指标,构建适用于率失真优化的SSIM失真测度;在此基础上,在目标速率约束条件下使失真指标最小化,建立基于SSIM的率失真优化框架;最后,依托x264平台,将所提方法与标准编码器进行比较,验证其在率失真性能上的优势。结果本团队的方法相较x264标准编码器取得了恒定量化参数下平均-5.2%和恒定质量因子下平均-4.8%的率失真收益;在主观质量上,编码前后图像的SSIM均>0.95,码率平均降低372 kbps,在计算效率上未增加编码时间复杂度。结论本研究提出的方法在保证医学影像高感官质量的同时兼顾了计算复杂度的控制,为医疗影像传输提供了更优秀的压缩编码方案。展开更多
传统医学图像分析方法难以快速处理复杂环境下不规则或微小目标,而深度学习方法能够捕捉多模态数据中的复杂隐式关系,已成为当今医学图像处理领域的重要技术之一。YOLO(you only look once)作为一种优秀的深度学习模型,以其速度和精度...传统医学图像分析方法难以快速处理复杂环境下不规则或微小目标,而深度学习方法能够捕捉多模态数据中的复杂隐式关系,已成为当今医学图像处理领域的重要技术之一。YOLO(you only look once)作为一种优秀的深度学习模型,以其速度和精度在医学图像分割应用中显示出较强实力。本文基于近年来的文献调研,主要从技术特性、应用方式和研究进展3个方面介绍YOLO模型在医学图像分割中的应用表现,以期为该领域的进一步研究与临床应用提供参考。展开更多
文摘背景现有医学影像压缩技术基于均方误差优化,并不能完全反映人类对医学影像的主观质量感受,与临床诊断所需的结构特征保留度存在一定差距。目的提出一种面向医学影像细微特征的低损耗压缩编码算法,旨在不降低医学影像主观质量的同时降低其传输带宽。方法本研究收集了解放军总医院14例骨科手术的CT图像序列,首先基于医学影像的亮度、对比度及细节纹理等关键视觉特征,重构结构相似性指数(structural similarity index measure,SSIM),其中亮度因子α=1.15,对比度/结构因子β=γ=0.95;进而基于线性失真模型和大数定律,建立结构相似性指数和均方误差的关系式;其次,将1/SSIM作为图像失真的度量指标,构建适用于率失真优化的SSIM失真测度;在此基础上,在目标速率约束条件下使失真指标最小化,建立基于SSIM的率失真优化框架;最后,依托x264平台,将所提方法与标准编码器进行比较,验证其在率失真性能上的优势。结果本团队的方法相较x264标准编码器取得了恒定量化参数下平均-5.2%和恒定质量因子下平均-4.8%的率失真收益;在主观质量上,编码前后图像的SSIM均>0.95,码率平均降低372 kbps,在计算效率上未增加编码时间复杂度。结论本研究提出的方法在保证医学影像高感官质量的同时兼顾了计算复杂度的控制,为医疗影像传输提供了更优秀的压缩编码方案。
文摘传统医学图像分析方法难以快速处理复杂环境下不规则或微小目标,而深度学习方法能够捕捉多模态数据中的复杂隐式关系,已成为当今医学图像处理领域的重要技术之一。YOLO(you only look once)作为一种优秀的深度学习模型,以其速度和精度在医学图像分割应用中显示出较强实力。本文基于近年来的文献调研,主要从技术特性、应用方式和研究进展3个方面介绍YOLO模型在医学图像分割中的应用表现,以期为该领域的进一步研究与临床应用提供参考。
