Advanced techniques for compression of biomedical images
Techniques avancées pour la compression d'images médicales
Résumé
Compression of biomedical images, especially for imaging modalities such as computed tomography (CT), magnetic resonance imaging (MRI) and virtual microscopy in anatomopathology (VM), is an important economic issue, especially for archival and transmission. This thesis provides an overview of the medical needs and of the existing compression solutions. It also aims, in this context, at providing new digital compression algorithms that are efficient in comparison with the state of the art standards. For CT and MRI, legal and medical constraints require a really good quality archival. Therefore this work has focused on lossless and near-lossless compression. It is proporsed to i) combine the hierarchical interpolation predictive model with the adaptive DPCM predictive one to provide a resolution scalable compression that is effective for lossless compression and especially for near-lossless compression, ii) rely on an optimization for lossless compression of a wavelet packet decomposition structure, that is specific to the image content. The results of both contributions shows that there is still a room for the improvement of the compression on most regular/smooth and less noisy images. The physical slides of the VM can be stored, so the issue more concerns the transfer for remote access than the archival. By the nature of their content, the learning of the properties of these images seems to be interesting. So, this third contribution aims to optimize offline K orthonormal transforms that are optimal for the decorrelation of training data (K-KLT}). This method is applied to learn in particular post-transforms for a wavelet decomposition. Their application in a quality scalable compression scheme shows that the approach can yield rather interesting quality gains in terms of PSNR.
La compression d'images médicales et biologiques, en particulier sur les modalités d'imagerie telles que la tomodensitométrie (TDM), l'imagerie par résonance magnétique (IRM) et les lames virtuelles en anatomo-pathologie (LV), est un enjeu économique important, notamment pour leur archivage et pour leur transmission. Cette thèse dresse un panorama des besoins et des solutions existantes en compression, et cherche à proposer, dans ce contexte, de nouveaux algorithmes de compression numérique efficaces en comparaison aux algorithmes de référence standardisés. Pour les TDM et IRM, les contraintes médico-légales imposent un archivage de très bonne qualité. Ces travaux se sont donc focalisés sur la compression sans perte et presque sans perte. Il est proposé de i) fusionner le modèle prédictif hiérarchique par interpolation avec le modèle prédictif DPCM adaptatif afin de fournir une représentation scalable en résolution efficace pour la compression sans perte et surtout presque sans perte, ii) s'appuyer sur une optimisation pour la compression sans perte d'une décomposition en paquets d'ondelettes, spécifique au contenu de l'image. Les résultats de ces deux contributions montrent qu'il existe encore une marge de progression pour la compression des images les plus régulières et les moins bruitées. Pour les LV, la lame physique peut être conservée, la problématique concerne donc plus le transfert pour la consultation à distance que l'archivage. De par leur contenu, une approche basée sur l'apprentissage des spécificités structurelles de ces images semble intéressante. Cette troisième contribution vise donc une optimisation hors-ligne de K transformées orthonormales optimales pour la décorrélation des données d'apprentissage (K-KLT). Cette méthode est notamment appliquée pour réaliser un apprentissage concernant des post-transformées sur une décomposition en ondelettes. Leur application dans un modèle de compression scalable en qualité montre que l'approche peut permettre d'obtenir des gains de qualité intéressants en terme de PSNR.
Loading...