Radiologic image compression-a review

Wong, Siaw Lang; Zaremba, L.; Gooden, David S.; Huang, H. K.

doi:10.1109/5.364466

Cited by 204 publications

(75 citation statements)

References 129 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Isto é, existem aplicações em que uma perda da informação é aceitável, mas em outras uma perda da informação não é tolerável. As imagens médicas, para fins de diagnóstico são comprimidas sem perdas [2]. Com a expansão da telemedicina através da internet, verificou-se a necessidade de transmissão de um grande volume de imagens através de meios de comunicação de baixa velocidade inviabilizando algumas aplicações, como o diagnóstico cooperativo.…”

Section: Introductionunclassified

Compressão Seletiva de Imagens Coloridas com Base em Redes Neurais

Gomes¹,

Filho²,

Neto³

2016

Anais Do 6. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

This paper proposes a selective compression method of digital color images where regions of the image, called regions of interest (RoI), are compressed totally lossless and the rest of the image in a lossy manner. This method can be used in applications where IntroduçãoAs técnicas de compressão de imagens objetivam reduzir a quantidade de dados necessários para representar uma imagem digital [1]. Esta redução é possível através da identificação e remoção das redundâncias contidas na imagem. A compressão pode se dar sem perda e com perda de informação. No primeiro caso, o resultado em geral leva a baixas taxas de compressão e no segundo é possível alcançar elevadas taxas de compressão. A decisão quanto ao uso de compressão com perdas ou sem perdas é função da aplicação da imagem. Isto é, existem aplicações em que uma perda da informação é aceitável, mas em outras uma perda da informação não é tolerável. As imagens médicas, para fins de diagnóstico são comprimidas sem perdas [2]. Com a expansão da telemedicina através da internet, verificou-se a necessidade de transmissão de um grande volume de imagens através de meios de comunicação de baixa velocidade inviabilizando algumas aplicações, como o diagnóstico cooperativo. Uma solução pode ser o uso de técnicas de compressão mistas, onde regiões de interesse são selecionadas e comprimidas sem perdas e o restante da imagem é comprimido com perdas. Obtendo-se assim elevadas taxas de compressão sem comprometer a análise da imagem por parte do profissional médico [3]. Isto naturalmente pode ser aplicado a outras classes de imagens.O JPEG 2000 still image compression standard permite que uma região de interesse possa ser escolhida. Porém, este método não garante uma reconstrução perfeita da região de interesse. Garante apenas que a região de interesse será comprimida com uma melhor qualidade que o resto da imagem [4].Almeida Filho et al. [5][6], propuseram um método com base na transformada wavelet, redes neurais e morfologia matemática, que garante a reconstrução sem perdas da região selecionada. Entretanto, o método se restringia a imagens monocromáticas. Neste artigo é proposto um método de compressão seletiva de imagens coloridas, onde uma ou mais regiões de interesses (RoI) podem ser escolhidas e é garantida uma reconstrução perfeita dessas regiões.O método tem como base o trabalho desenvolvido anteriormente para imagens monocromáticas, utilizando a transformada wavelet para descorrelacionar os pixels de cada canal, uma rede neural competitiva, (cujo algoritmo de treinamento foi especialmente desenvolvido para esta aplicação) para realizar a quantização vetorial do mapa de significância, morfologia matemática para criar clusters de coeficientes wavelets significantes, código de Huffman adaptativo [8] para reduzir a redundância de codificação e codificação por comprimento de corrida [1] para codificar o mapa das regiões de interesse.O método utiliza-se do espaço de cor YUV com o intuito de passar a imagem do espaço de cor RGB para um espaço mais descorrelacion...

show abstract

Section: Introductionunclassified

Compressão Seletiva de Imagens Coloridas com Base em Redes Neurais

Gomes¹,

Filho²,

Neto³

2016

Anais Do 6. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

show abstract

“…It is constrained by the fact that most radiologists are not willing to base a diagnosis on an image that has been compressed in a lossy way. This is partially due to legal reasons (depending on the corresponding country's laws) and partially due to the fear of misdiagnosis because of lost data in the compression procedure [1]. Therefore, only lossless techniques are accepted, which limits the amount of compression considerably (to a factor of about 3 in contrast to factors of 100 or more achievable in lossy schemes [2]).…”

Section: Introductionmentioning

confidence: 99%

Confidential storage and transmission of medical image data

Norcen

Podesser²,

Pommer

et al. 2003

Computers in Biology and Medicine

View full text Add to dashboard Cite

We discuss computationally e cient techniques for conÿdential storage and transmission of medical image data. Two types of partial encryption techniques based on AES are proposed. The ÿrst encrypts a subset of bitplanes of plain image data whereas the second encrypts parts of the JPEG2000 bitstream. We ÿnd that encrypting between 20% and 50% of the visual data is su cient to provide high conÿdentiality. ?

show abstract

“…4,8,9 However, both MSE and NMSE do not correlate well with image quality measurements and ROC studies are timeconsuming.…”

Section: Introductionmentioning

confidence: 99%

“…Unfortunately, this compression method is obtained at the expense of image degradation, i.e., the image quality declines as the compression ratio is increased. 4,5 The first effect of lossy image compression is the removal of uncorrelated high-frequency noise. In the regions of medium and high, blurriness increases with image compression ratio.…”

Section: Introductionmentioning

confidence: 99%

A Blurring Index for Medical Images

Chen¹,

Chang

Shiao³

et al. 2005

J Digit Imaging

View full text Add to dashboard Cite

This study was undertaken to investigate a useful image blurring index. This work is based on our previously developed method, the Moran peak ratio. Medical images are often deteriorated by noise or blurring. Image processing techniques are used to eliminate these two factors. The denoising process may improve image visibility with a trade-off of edge blurring and may introduce undesirable effects in an image. These effects also exist in images reconstructed using the lossy image compression technique. Blurring and degradation in image quality increases with an increase in the lossy image compression ratio. Objective image quality metrics [e.g., normalized mean square error (NMSE)] currently do not provide spatial information about image blurring. In this article, the Moran peak ratio is proposed for quantitative measurement of blurring in medical images. We show that the quantity of image blurring is dependent upon the ratio between the processed peak of Moran's Z histogram and the original image. The peak ratio of Moran's Z histogram can be used to quantify the degree of image blurring. This method produces better results than the standard gray level distribution deviation. The proposed method can also be used to discern blurriness in an image using different image compression algorithms.KEY WORDS: Moran peak ratio, image blurring, image quality

show abstract

Radiologic image compression-a review

Cited by 204 publications

References 129 publications

Compressão Seletiva de Imagens Coloridas com Base em Redes Neurais

Compressão Seletiva de Imagens Coloridas com Base em Redes Neurais

Confidential storage and transmission of medical image data

A Blurring Index for Medical Images

Contact Info

Product

Resources

About