Nén hiệu quả hình ảnh y tế 3D cho các can thiệp từ xa thông qua CNN và lọc khuếch tán dị hướng

Medical Physics - Tập 48 Số 6 - Trang 2877-2890 - 2021
Luu Manh Ha1,2,3, Theo van Walsum2, Daniel Franklin4, Phuong Cam Pham5, Luu Dang Vu6, Adriaan Moelker2, Marius Staring7, Xiem VanHoang3, Wiro J. Niessen2, Nguyen Linh-Trung1
1AVITECH, University of Engineering and Technology, VNU, Hanoi, Vietnam
2Department of Radiology and Nuclear Medicine, Erasmus MC, Rotterdam, The Netherlands
3FET, University of Engineering and Technology, VNU, Hanoi, Vietnam
4School of Electrical and Data Engineering, University of Technology Sydney, Sydney, Australia
5Nuclear Medicine and Oncology Center, Bach Mai Hospital, Hanoi, Vietnam
6Radiology Center, Bach Mai Hospital, Hanoi, Vietnam
7Department of Radiology, Leiden University Medical Center, Leiden, The Netherlands

Tóm tắt

Mục đíchSự nén hình ảnh hiệu quả trong khi vẫn giữ lại chất lượng hình ảnh có khả năng tạo ra bước đột phá lớn cho việc chẩn đoán và điều trị lâm sàng từ xa, vì điều kiện kết nối Internet kém thường là rào cản chính trong các dịch vụ này. Bài báo này trình bày một khuôn khổ nén hình ảnh theo từng cơ quan cho các can thiệp từ xa dựa trên phương pháp học sâu và bộ lọc khuếch tán dị hướng.Phương phápPhương pháp đề xuất, học sâu và khuếch tán dị hướng (DLAD), sử dụng kiến trúc mạng nơ-ron tích chập để trích xuất bản đồ xác suất cho cơ quan mục tiêu; bản đồ xác suất này hướng dẫn bộ lọc khuếch tán dị hướng mà làm mịn hình ảnh, ngoại trừ vị trí của cơ quan mục tiêu. Sau đó, một phương pháp nén, chẳng hạn như BZ2 và HEVC-không mất mát về mặt hình ảnh, được áp dụng để nén hình ảnh. Chúng tôi áp dụng phương pháp đề xuất trên các hình ảnh CT ba chiều (3D) thu được cho quy trình phá hủy tế bào bằng sóng radio (RFA) đối với các tổn thương gan. Chúng tôi đánh giá định lượng phương pháp đề xuất trên 151 hình ảnh CT sử dụng tỷ lệ tín hiệu đỉnh trên tỷ lệ nhiễu (PSNR), độ tương đồng cấu trúc (SSIM), và tỷ lệ nén (CR). Cuối cùng, chúng tôi so sánh các đánh giá của hai bác sĩ chẩn đoán hình ảnh về việc phát hiện tổn thương gan và chú thích tâm tổn thương gan bằng cách sử dụng 33 bộ hình ảnh gốc và hình ảnh đã nén.Kết quảKết quả cho thấy phương pháp có thể cải thiện một cách đáng kể PSNR của hầu hết các phương pháp nén nổi tiếng. DLAD kết hợp với HEVC-không mất mát về mặt hình ảnh đạt được PSNR trung bình cao nhất là 6.45, cao hơn 36% so với HEVC gốc và vượt trội hơn các phương pháp nén hình ảnh y tế không mất mát tiên tiến khác. Giá trị trung bình của PSNR và SSIM lần lượt là 70 dB và 0.95. Ngoài ra, hiệu ứng nén không ảnh hưởng một cách có ý nghĩa thống kê đến các đánh giá của các bác sĩ chẩn đoán hình ảnh về phát hiện tổn thương gan và chú thích trung tâm tổn thương.Kết luậnVì vậy, chúng tôi kết luận rằng phương pháp này có tiềm năng cao để được áp dụng trong các ứng dụng can thiệp từ xa.

Từ khóa


Tài liệu tham khảo

SrivastavaS PantM AbrahamA AgrawalN.The Technological Growth in eHealth Services 2015 ISSN: 1748‐670X Pages: e894171 Publisher: Hindawi Volume: 2015.

10.1016/j.jacr.2019.05.053

10.1007/s13244-012-0210-z

10.1007/s13244-016-0485-6

10.3389/fpubh.2014.00125

Hanoi Medical University Hospital ‐ HMU Hospital ‐ YouTube.https://www.youtube.com/watch?v=Nyu9D1y‐HnI. Accessed September 24 2020.

SingLIVE 2020: Scaling Greater Heights ‐ SingHealth.https://www.sgh.com.sg/news/education/singlive‐2020‐scaling‐greater‐heights;https://www.emedevents.com/c/medical‐conferences‐2020/singapore‐live‐2020;https://www.nhcs.com.sg/about‐us/newsroom/Documents/NHCS_Murmurs_Issue36‐WEB.pdf. Accessed September 24 2020.

KaufmanJA LeeMJ Vascular and Interventional Radiology. The Requisites E‐Book Elsevier Health Sciences.2013.https://www.elsevier.com/books/vascular‐and‐interventional‐radiology‐the‐requisites/kaufman/978‐0‐323‐04584‐1

10.3389/fpubh.2019.00244

10.1016/j.ejrad.2009.06.025

AhadA TahirM YauK‐LA.5G‐Based Smart Healthcare Network: Architecture Taxonomy Challenges and Future Research Directions IEEE Access 7 Conference Name: IEEE Access;2019:100747–100762.

LammleT.CompTIA Network+ Study Guide: Exam N10–007 4th edn. Comptia Network + Study Guide Authorized Courseware Sybex;2018.

KumarS KrupinskiE Teleradiology Springer Science & Business Media 2008.

ClunieDA.Lossless compression of grayscale medical images: effectiveness of traditional and state‐of‐the‐art approaches in Medical Imaging 2000: PACS Design and Evaluation: Engineering and Clinical Issues volume 3980 International Society for Optics and Photonics.2000:74–84.

10.1016/S0262-8856(00)00064-0

ParikhS KalvaH AdzicV.Evaluation of HEVC compression for high bit depth medical images in 2016 IEEE International Conference on Consumer Electronics (ICCE) 2016:311–314 ISSN: 2158‐4001.

UmaMaheswari S, 2020, Lossless medical image compression algorithm using tetrolet transformation, J Ambient Int Human Comput, 1

10.1007/s11265-016-1150-5

10.1016/j.image.2017.02.002

10.1109/TMI.2017.2714640

HulskenB.Fast Compression Method for Medical Images on the Web arXiv:2005.08713 [eess] (2020) arXiv: 2005.08713.https://arxiv.org/abs/2005.08713

10.5858/2000-124-1653-EOICOT

10.1109/JBHI.2017.2660482

10.1007/s10278-019-00283-3

10.2352/ISSN.2470-1173.2020.10.IPAS-063

10.1186/s40064-016-3784-y

10.1504/IJCVR.2016.073759

10.1007/978-981-15-2043-3_32

10.1109/TMI.2009.2013851

10.1016/j.media.2017.07.005

AhmadiM EmamiA HajabdollahiM et al.Lossless Compression of Angiogram Foreground with Visual Quality Preservation of. Background. 2018;arXiv:1802.07769. arXiv:1802.07769 [cs].

10.1148/radiol.2281020254

MoorthiM AmuthaR.A near Lossless compression method for medical images in IEEE‐International Conference On Advances In Engineering. Science And Management (ICAESM ‐2012) 2012:39–44.

10.1007/s12046-013-0126-4

10.1080/03772063.2017.1309998

10.1016/j.procs.2015.10.037

10.1007/s10916-018-1090-7

10.1002/j.1538-7305.1948.tb01338.x

10.1055/s-0035-1564705

10.1097/MD.0000000000001594

LuuHM.Image Analysis for Guidance in Minimally Invasive Liver Interventions Number: 369.2017.

ChristPF EttlingerF GrünF et al.Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional. Neural Networks.2017;arXiv:1702.05970. arXiv:1702.05970 [cs].

Son HH, 2020, Liver segmentation on a variety of computed tomography (CT) images based on convolutional neural networks combined with connected components, VNU J Sci, 36, 1

10.1007/978-94-017-1699-4_3

TariqZB ArshadN NabeelM.Enhanced LZMA and BZIP2 for improved energy data compression in 2015 International Conference on Smart Cities and Green ICT Systems (SMARTGREENS);2015:1–8.

PrangnellL Visually lossless coding in HEVC: A high bit depth and 4: 4: 4 capable JND‐based perceptual quantisation technique for HEVC Signal Processing: Image Communication2018;63:125–140.

RonnebergerO FischerP BroxT U‐Net: Convolutional Networks for Biomedical Image Segmentation 2015; arXiv:1505.04597. arXiv:1505.04597 [cs].

HoangHS Phuong PhamC FranklinD vanWalsumT Ha LuuM.An Evaluation of CNN‐based Liver Segmentation Methods using Multi‐types of CT Abdominal Images from Multiple Medical Centers in 2019 19th International Symposium on Communications and Information Technologies (ISCIT) 2019:20–25 ISSN: 2643‐6175.

Cover TM, 1999, Elements of Information Theory

10.1007/s10278-007-9044-5

10.1109/76.499834

BurrowsM WheelerDJ.A block‐sorting lossless data compression algorithm. Technical report.1994.

10.1109/JRPROC.1952.273898

10.1145/1082036.1082039

PatelRA ZhangY MakJ DavidsonA OwensJD Parallel lossless data compression on the GPU in 2012 Innovative Parallel Computing (InPar) 2012:1–9.

10.1109/TCSVT.2012.2221191

SanchezV Bartrina‐RapestaJ.Lossless compression of medical images based on HEVC intra coding in 2014 IEEE International Conference on Acoustics Speech and Signal Processing (ICASSP);2014:6622–6626 ISSN: 2379‐190X.

PoleA ShriramR.3‐D Medical Image Compression by Using HEVC. In 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA);2018:1–5.

10.1109/TCSVT.2015.2406199

Luu HM, 2016, Non‐rigid registration of liver CT images for CT‐guided ablation of liver tumors, PLOS ONE 11, e0161600

10.1109/TIP.2003.819861

10.1117/1.JMI.4.3.035501

AnderssonP NilssonJ Akenine‐MöllerT OskarssonM ÅströmK FairchildMD FLIP: A Difference Evaluator for Alternating Images Proceedings of the ACM on Computer Graphics and Interactive Techniques2020;3:1–23.

10.1002/mp.12345

BilicP The Liver Tumor Segmentation Benchmark (LiTS) 2019; arXiv:1901.04056 [cs] arXiv: 1901.04056 version: 1.

10.1007/978-3-642-39360-0_3

10.1148/radiol.2018180125

BrossB ChenJ LiuS.Versatile video coding (Draft 5). JVET‐K10012018.

10.2214/AJR.10.5122

10.4061/2011/104685

Kalaiselvi T, 2018, Performance of medical image processing algorithms implemented in CUDA running on GPU based machine, Int J Intell Syst App, 10, 58

10.1109/TMI.2018.2806309

10.1002/mp.14196

WHO CORONAVIRUS DISEASE (COVID‐19) Dashboard.https://covid19.who.int/. Accessed October 19 2020.

Thông tin
Thông tin xuất bản

Medical Physics

Tập 48 Số 6

2877-2890

Thông tin tác giả