反向传播神经网络实现医学图像压缩

文摘

医学图像需要压缩,传输或存储之前,由于带宽和存储容量的限制。一个理想的图像压缩系统必须产量、高质量、高压缩比的压缩。摘要Haar小波变换和离散余弦变换和神经网络训练与x射线图像内容他们理想的压缩方法和最佳压缩比。

1。介绍

大多数图像在某些时候需要压缩传输或存储之前由于有限的带宽和存储容量有限。医学图像的尤其如此。x射线图像广泛应用于医学;他们是第二个最常用的类型的测试在实验室的。

治疗,这是使用技术术语用于发送射线图像或x射线在距离从一个位置到另一个地方,最近已成为一个最常用的远程医疗的临床方面。远程医疗是指通信与信息技术的使用的临床护理,如放射图像从图像采集的网站转移到远程位置等在医院解释断层扫描(CT)扫描,磁成像(MRI),超声(美国),和x射线。这些辐射图像在传输之前需要压缩到一个遥远的位置或由于带宽或存储的限制(1]。

有快速发展等大型数据文件压缩方法压缩图像数据压缩在各种应用程序变得越来越重要(2]。高效的压缩方法,压缩和存储或传输图像数据文件,需要,同时保持较高的图像质量和边际的大小会减少由于技术的改进3]。

离散余弦变换(DCT)是最流行的一种变换用于医学图像的压缩标准联合摄影专家组(JPEG)。在基于dct压缩图像分成小块计算简单,和块分类信息内容的基础上最大化压缩比不牺牲诊断信息(1]。基于dct的图像压缩一直是受欢迎的,因为它很简单,因此被用于许多医学图像处理应用程序(4- - - - - -7]。使用DCT和人工神经网络也被调查了在搜索最优压缩方法。在[8),提出了DCT和基于神经网络的医学图像压缩并应用于先生和CT医学图像。在[9],topology-preserving神经网络开发用于医学图像压缩使用“neural-gas”网络。在[10),自适应体系结构神经网络实现了医学图像压缩。在[11),一个神经网络分类器使用不同的图像压缩技术的结合为各种应用程序。在[12),一种称为直接分类的神经网络模型被用来压缩图像数据。在[13),直接解决方案提出使用神经网络方法应用于图像压缩。

越来越多的作品使用神经网络图像压缩应用程序最近出现了,比如在14];神经网络数字转换器用于产生高压缩比,同时保持高质量的图像。在[15),多神经网络(MRNN)滤波器组是用来变换编码。在[16),一个图像压缩算法基于图像块的复杂性度量方法,提出了一种神经网络。在[17图像压缩,使用小波变换和神经网络。在[18),一个基于神经网络的DCT压缩系统,发现最优压缩比的图像也建议。

与离散余弦变换、小波变换并不是基于傅里叶因此不连续图像数据可以使用小波处理更好的结果(19]。小波是层级结构分解的数学工具的功能。有一种普遍的偏好使用小波变换在图像压缩,因为压缩图像将获得更高的压缩比和更高的PSNR值(20.]。Haar小波变换是一种应用在数字图像压缩的小波方法。以前作品使用哈雾图像压缩包含一个应用程序,该应用程序可以应用于自适应图像分割原始图像的数据隐藏到8×8子块和重建图像与高质量压缩后21]。

压缩方法的使用,尤其是小波压缩,与医学图像之前调查(1,22- - - - - -25]。最近,一个神经网络模型被用来获得最优压缩比当使用Haar小波图像压缩是应用于各种图像(19]。

在本文给出的工作的目的是开发一个医用x射线图像压缩图像压缩系统使用神经网络分类器和两个流行的压缩方法,即Haar小波变换(HWT)和离散余弦变换(DCT)。我们的新方法表明,经过训练的神经网络可以学习之间的非线性关系强度(像素值)的x射线图像和它理想的压缩方法和最佳压缩比。一旦理想的压缩方法,两个考虑的方法,选择的网络,和最高的压缩比,同时保持良好的图像质量,使用选择的方法,是获得,那么结果减少射线照片图像大小应该提高射线照片的存储和传输效率。

图1代表建议的医学图像压缩系统的框图。在训练阶段,预定的压缩方法压缩比准备和训练在测试阶段,使用反向传播神经网络和反向传播神经网络的图像给出了系统实现的压缩率和压缩方法。

本文组织如下。部分2描述了x射线图像数据库用于我们提出了系统的实现。部分3介绍了x射线压缩系统,描述图像预处理和神经网络的设计和实现。部分4介绍了方法用来评估结果和提供了一个分析系统的实现。最后,部分5总结提出了在本文的工作,并建议进一步的工作。

2。x射线图像数据库

提出了系统的开发和实现医用x射线从我们的医学图像压缩使用80 x射线图像数据库,其中包含x射线图像的骨折,脱臼了,坏了,和身体的不同部位的骨骼健康。同时考虑压缩方法(DCT和HWT)应用于x射线图像使用9个压缩比()和一个原始图像的压缩使用比率使用DCT方法如图2(26]。

对比加权熵是一个新学期,结合对比的变化值之间的邻居像素的熵图像包括一个图像中的信息。一个图像与高对比度加权熵应该与较低的压缩比压缩为了不让像素内的信息丢失。然而,一个图像低对比度加权熵可以压缩量较高的压缩比,因为没有足够的细节,在压缩过程中可能会丢失。方程(1)代表一个图像的对比度加权熵: 其中合计表示图像中的像素的总数,代表的数量在图像的像素强度值,代表强度的概率值,表示频率的平均值的强度值。

最优HWT和DCT压缩比x射线图像测定使用最优压缩标准基于视觉检验和实证分析。目视检查涉及10他们领域的专家被要求观察改变像素内相比,在一个图像的数据量,平滑和边缘连续性重建图像内的特定区域(27),考虑相邻像素内的对比及其熵在图像的某些区域的价值对比加权熵在表1(28]。(我)训练图像集:包含40图像已知的最佳压缩比的压缩系统中用于训练神经网络。训练图像如图的例子3(一个)。(2)测试图像集:它包含40图像已知的最优压缩比用于测试和验证神经网络训练的效率。这些测试图像如图的例子3 (b)。


图1	CWH	图1	CWH

Org。图像	−34411.02	50% DCT	−48393.47
10% DCT	−38218.98	60% DCT	−46485.02
20% DCT	−50871.91	70% DCT	−48452.21
30% DCT	−49501.59	80% DCT	−74821.62
40% DCT	−49025.81	90% DCT	−120325.1

(一)

(b)

3所示。x射线图像压缩系统

x射线图像压缩系统使用监督神经网络反向传播学习算法的基础上,因其实现简单性和足够的“输入/目标”数据库的可用性培训指导学习者。神经网络与x射线图像强度(像素值)理想的图像压缩方法及其最佳压缩比被训练使用具有预定的图像压缩方法和比例。一旦训练,神经网络会选择理想的方法和x射线图像的最优压缩比提出的神经网络通过使用它的强度值。

样本图像缩放是用来调整大小(256×256)的原始图像像素(64×64)像素,删除未来三像素同时保持第一个像素值。进一步减少图像的大小是企图以减少输入层神经元的数量,因此培训时间;然而,有意义的神经网络训练可能无法实现,因此,整个的图像的使用减少了大小为64×64像素。

在一个先前的研究(19),32×32 = 1024节点的输入是反向传播神经网络应用。摘要64×64 = 4096个节点的输入已经优先给予足够的信息来显示图像压缩系统。虽然1024个节点的输入花费更少的训练时间,4096个节点的输入是首选,因为4096个节点的识别比输入的认可率高于1024节点的输入。两个网络的测试时间是相等的。结果,64×64 = 4096个节点的输入已经优先考虑认可率而非训练时间。

输入x射线图像的大小影响的选择神经网络的输入层的神经元数,有三层:输入、隐藏层和输出层。

图3代表样本图像训练集和测试集的反向传播神经网络。

使用one-pixel-per-neuron方法,神经网络的输入层有4096个神经元;根据神经网络的拓扑结构,隐层已经决定作为52神经元几个实验,确保有意义的培训,同时保持最低成本的时候,及其输出层神经元有18个代表理想的输出分类压缩方法和最优压缩比如下:输出神经元{1 - 9}代表DCT压缩比率(10% - -90%),而输出神经元{10 - 18}代表HWT压缩比率(10% - -90%)。

在学习阶段,调整学习系数和动量率在各种实验中为了达到所需的最小误差值为0.002,这被认为是足够的对于这个应用程序。图4显示了神经网络的拓扑结构,在图像压缩系统。

4所示。结果与讨论

培训和测试结果的评估是使用两个测量:执行识别率和准确率。一旦选择理想的压缩方法是由神经网络识别率定义如下: RR在哪里_OC神经网络的识别率在x射线压缩系统,最优压缩x光图像的数量,x射线图像的总数在数据库中设置。

风湿性关节炎的准确率_OC神经网络的输出结果定义如下: 在哪里代表了预先确定的比例(预期)的最优压缩比,代表最优压缩比由经过训练的神经网络在百分比,和代表总数的压缩比压缩方法的使用。

最优压缩偏差(OCD)是另一个术语,用于我们的评价。强迫症的区别是预先确定的或预期的最佳压缩比和最优压缩比由神经网络训练和定义如下:

强迫症是用来表示系统的精度,并根据其价值的认可率不同。表2显示了强迫症的三个考虑值及其对应的准确率和识别利率。系统实现的评价结果使用(强迫症= 1),因为它提供了一个最小的准确率87.5%,这被认为是足够的对于这个应用程序。


强迫症	准确率(RA_OC)	识别率(RR_OC)

0	100%	21/40 (52.5%)
1	94.44%	36/40 (90.0%)
2	88.89%	37/40 (92.5%)
3	低于88.89%	40/40 (100%)

3524次迭代后的神经网络学习和聚合或时代,和在33分钟内12秒,而广义神经网络训练后的运行时间和使用一个传球前进是0.01秒。这些结果使用2.8 GHz PC和8 GB的RAM, Windows 8, 64位操作系统,2013和MATLAB软件。

表3列出了最终成功地训练神经网络的参数,而图5显示了神经网络的误差最小化曲线在学习。


输入节点	4096年
隐藏节点	52
输出节点	18
学习速率	0.0005
动量率	0.3
错误	0.002
迭代	3524年
培训时间(秒)	2015年
运行时间(秒)	0.015

经过训练的神经网络识别正确的理想方法和最佳压缩比为40所有训练图像会预期,因此收益率报100%的训练集测试训练神经网络。使用40图像测试集之前没有提交给网络取得了90%的识别率,在36个40的图像与已知的理想的方法和最佳压缩比被正确分类。

图中演示了这个应用程序的结果6显示的例子所确定的最优压缩x光图像的训练神经网络。

5。结论

介绍了一种新型医用x射线图像压缩方法使用神经网络离散余弦变换和Haar小波变换。九的方法使用HWT和基于DCT压缩压缩比每一个监督神经网络,学会把灰色的x射线图像强度(像素值)与理想的压缩方法和一个最佳压缩比与使用所选择的方法。

提出系统的实现选择HWT和基于DCT的图像压缩方法,因为他们已经普遍和有效地使用在以前为这类应用程序的工作。一个最佳压缩比的目的是把高压缩与高质量压缩x射线图像,从而使这些医学图像的存储和传输效率。

提出系统开发和实现使用80 x射线图像的骨折,脱臼,打破,和身体的不同部位的骨骼健康。内的神经网络压缩系统学会把40训练图像与预先确定的理想的压缩方法和最佳压缩比在3524秒。一旦训练,神经网络可以识别x射线图像的理想方法和最佳比例在0.015秒。

在这个工作中,94.44%的最低精度水平被认为是可以接受的。使用这个精度水平,神经网络产生了90.0%的正确识别率理想方法和最佳比例。

未来的工作将包括该系统的实现使用多层感知器神经网络结构,用于决定最佳压缩比和最佳使用Daubechies小波压缩方法和基于双正交小波变换的图像压缩。

引用

美国辛格、诉Kumar和h . k . Verma”基于阈值的自适应块分类在医学图像压缩,”计算机在生物学和医学,37卷,不。6,811 - 819年,2007页。视图:出版商的网站|谷歌学术搜索
m . j . Nadenau j . Reichel和m . Kunt”小波的彩色图像压缩:利用对比敏感度函数”IEEE图像处理,12卷,不。1,58 - 70、2003页。视图:出版商的网站|谷歌学术搜索
k Ratakonda和n . Ahuja无损图像压缩与多尺度分割,“IEEE图像处理,11卷,不。11日,第1237 - 1228页,2002年。视图:出版商的网站|谷歌学术搜索|MathSciNet
d . Chikouche r . Benzid, m . Bentoumi”应用医学图像的DCT和算术编码压缩,”学报》第三届国际会议在信息和通信技术:从理论到应用程序(ICTTA 08年),页1 - 5,大马士革,叙利亚,2008年4月。视图:出版商的网站|谷歌学术搜索
v . n . p . Raj和t . Venkateswarlu”,一种新的医学图像压缩方法使用顺序3 d DCT,”《计算智能和多媒体应用国际会议(ICCIMA ' 07),3卷,第152 - 146页,Sivakasi,印度,2007年12月。视图:出版商的网站|谷歌学术搜索
m . j . Zukoski t筛子,t . Iyriboz,“一种新型的医学图像压缩方法,”国际生物信息学研究期刊》的研究和应用,卷2,不。1,第103 - 89页,2006。视图:谷歌学术搜索
f . y . Shih和y . t .吴”,鲁棒水印和基于遗传算法的医学图像压缩,”信息科学,卷175,不。3、200 - 216年,2005页。视图:出版商的网站|谷歌学术搜索
z Dokur”,一个统一的框架,用于图像压缩,利用增量神经网络分割,“专家系统与应用程序,34卷,不。1,第619 - 611页,2008。视图:出版商的网站|谷歌学术搜索
a . Meyer-Base k . Jancke a . Wismuller s . Foo和t . Martinetz“医学图像压缩使用topology-preserving神经网络,”人工智能技术的工程应用,18卷,不。4、383 - 392年,2005页。视图:出版商的网站|谷歌学术搜索
r·阿什拉夫·m·阿克巴,“医学图像压缩,自适应神经网络架构”《IEEE国际会议工程智能系统(ICEIS 06年)2007年,页1 - 4,伊斯兰堡,巴基斯坦。视图:出版商的网站|谷歌学术搜索
l . Ma和k . Khashayar适应性建设性的使用埃尔米特多项式神经网络图像压缩,”神经网络的进步卷,3497在计算机科学的课堂讲稿施普林格,页713 - 722年,柏林,德国,2005年。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
h·s·苏莱曼和m大”,一个神经网络的图像数据压缩方法,”应用软计算》第六卷,没有。3、258 - 271年,2006页。视图:出版商的网站|谷歌学术搜索
即Vilovic”,使用神经网络图像压缩,经验”48学报》国际研讨会埃尔- 2006集中在多媒体信号处理和通信IEEE出版社,页95 - 98年,扎达尔,克罗地亚,2006年6月。视图:出版商的网站|谷歌学术搜索
r·阿什拉夫·m·阿克巴,“绝对的医学图像无损压缩,”《IEEE-EMBS 27日的年度国际会议在医学和生物学社会工程,第4009 - 4006页,上海,中国,2006年1月。视图:出版商的网站|谷歌学术搜索
b . Northan和r·d·多尼”与多分辨率神经网络图像压缩,”加拿大电气和计算机工程杂志》上没有,卷。31日。1,49-58,2006页。视图:出版商的网站|谷歌学术搜索
h . Veisi和m . Jamzad”图像压缩使用复杂性水平的图像,与神经网络”学报》第五届国际研讨会上图像和信号处理和分析(当前' 07),页282 - 287,伊斯坦布尔,土耳其,2007年9月。视图:出版商的网站|谷歌学术搜索
s . Osowski r . Waszczuk, p . Bojarczak”图像压缩使用前馈神经networks-hierarchical方法,”自然的人工神经计算卷,3497在计算机科学的课堂讲稿施普林格,页1009 - 1015年,柏林,德国,2006年。视图:出版商的网站|谷歌学术搜索
a Khashman和k . Dimililer最佳DCT图像压缩,神经网络仲裁”学报》国际会议“计算机作为一种工具”(EUROCON ' 07),页151 - 156,华沙,波兰,2007年9月。视图:出版商的网站|谷歌学术搜索
a . Khashman和k . Dimililer”,使用神经网络和Haar小波图像压缩。”圆柱交易信号处理,4卷,不。5,330 - 339年,2008页。视图:谷歌学术搜索
k . h . Talukder和k . Harada Haar小波图像压缩方法和压缩图像质量评估,”国际应用数学杂志》上,36卷,不。1,1 - 8,2007页。视图:谷歌学术搜索|Zentralblatt数学|MathSciNet
b . l .赖和l . w . Chang”自适应图像的数据隐藏haar离散小波变换的基础上,”图像和视频技术的进步卷,4319在计算机科学的课堂讲稿施普林格,页1085 - 1093年,德国海德堡2006。视图:出版商的网站|谷歌学术搜索
w·李,吴x, y,和m . Yu”小波远红外线与直方图将医学图像压缩,”学报第一生物信息学和生物医学工程国际会议(ICBBE ' 07)武汉,页1025 - 1027年,中国,2007年7月。视图:出版商的网站|谷歌学术搜索
美国戴维和k .方面“医学图像压缩技术的发展,”《计算智能和多媒体应用国际会议(ICCIMA ' 07)Sivakasi,页97 - 101年,印度,2007年12月。视图:出版商的网站|谷歌学术搜索
y . t .陈和华盛顿曾与自适应预测小波的医学图像压缩,”计算机医学影像和图形没有,卷。31日。1,1 - 8,2007页。视图:出版商的网站|谷歌学术搜索
b . Karlik“医学图像压缩利用矢量量化神经网络(VQNN)”神经网络世界,16卷,不。4、341 - 348年,2006页。视图:谷歌学术搜索
维奇总医院放射科,“x光射线照片数据库,”Paralimni,塞浦路斯,2013。视图:谷歌学术搜索
a . Khashman和k . Dimililer“最佳图像压缩标准相比,”进行国际会议“计算机作为一种工具”(EUROCON ' 05),页935 - 935,贝尔格莱德,塞尔维亚和黑山共和国,2005年11月。视图:出版商的网站|谷歌学术搜索
k . Dimililer“神经网络实现图像压缩的x射线,”电子产品世界,卷118,不。2012年1911年,页26 - 29日。视图:谷歌学术搜索