醫(yī)學(xué)圖像無(wú)損壓縮技術(shù)研究進(jìn)展

劉玉，崔皓然，粘永健，邱明國(guó)

?

醫(yī)學(xué)圖像無(wú)損壓縮技術(shù)研究進(jìn)展

劉玉1，崔皓然2，粘永健3*，邱明國(guó)3

［摘要］醫(yī)學(xué)成像技術(shù)已經(jīng)成為現(xiàn)代臨床醫(yī)學(xué)診斷與治療的核心支撐技術(shù)。然而，對(duì)于各種醫(yī)學(xué)成像設(shè)備所獲取的圖像，龐大的數(shù)據(jù)量給圖像存儲(chǔ)與傳輸帶來(lái)了巨大壓力，并嚴(yán)重制約著醫(yī)學(xué)圖像的后續(xù)應(yīng)用。隨著醫(yī)學(xué)成像設(shè)備分辨率的不斷提高，所獲取的圖像數(shù)據(jù)量必將持續(xù)膨脹。因此，必須利用有效的壓縮技術(shù)對(duì)其進(jìn)行壓縮。無(wú)損壓縮能夠完全保持原始醫(yī)學(xué)圖像的所有信息，在實(shí)際應(yīng)用中獲得了廣泛的接受。本文對(duì)醫(yī)學(xué)圖像無(wú)損壓縮技術(shù)的研究進(jìn)展進(jìn)行總結(jié)與分析，并對(duì)其發(fā)展趨勢(shì)進(jìn)行展望。

［關(guān)鍵詞］醫(yī)學(xué)圖像；無(wú)損壓縮；感興趣區(qū)域；磁共振成像；小波變換

作者單位：1. 第三軍醫(yī)大學(xué)學(xué)員十九營(yíng)四排二班，重慶 400038 2. 第三軍醫(yī)大學(xué)學(xué)員十九營(yíng)五排二班，重慶 400038 3. 第三軍醫(yī)大學(xué)生物醫(yī)學(xué)工程系醫(yī)學(xué)圖像學(xué)教研室，重慶 400038

接受日期：2015-12-28

劉玉， 崔皓然， 粘永健， 等. 醫(yī)學(xué)圖像無(wú)損壓縮技術(shù)研究進(jìn)展. 磁共振成像，2016， 7（2）: 149–155.

*Correspondence to: Nian YJ， E-mail: yjnian@126.com

Received 30 Nov 2015， Accepted 28 Dec 2015

ACKNOWLEDGMENTS This work was part of National Natural Science Foundation of China Youth Science Foundation Project （No. 41201363）.

1　引言

醫(yī)學(xué)成像已經(jīng)成為醫(yī)學(xué)研究和臨床診斷中最為活躍、發(fā)展極為迅速的領(lǐng)域之一。目前，各大醫(yī)院每天都會(huì)產(chǎn)生大量的醫(yī)學(xué)圖像，這些圖像主要包括計(jì)算機(jī)輔助斷層掃描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）、功能磁共振成像（functional MRI， fMRI）、核醫(yī)學(xué)（nuclear medicine， NM）、計(jì)算機(jī)輔助X光照片（computed radiography， CR）、數(shù)字化X射線攝影（digital radiography， DR）、數(shù)字減影血管造影術(shù)（digital subtraction angiography， DSA）以及超聲（ultrasound， US）等圖像。隨著醫(yī)學(xué)成像技術(shù)的不斷進(jìn)步，尤其是成像設(shè)備分辨率的不斷提高，所產(chǎn)生的醫(yī)學(xué)圖像數(shù)量必將持續(xù)膨脹，這將給數(shù)據(jù)的存儲(chǔ)與傳輸帶來(lái)巨大壓力，因此，需要利用圖像壓縮算法對(duì)各種醫(yī)學(xué)圖像實(shí)施有效壓縮。雖然圖像存檔與傳輸系統(tǒng)（picture archiving and communication systems， PACS）為實(shí)現(xiàn)大規(guī)模多模態(tài)醫(yī)學(xué)圖像的存儲(chǔ)、傳輸與顯示提供了一種有效途徑，但要真正有效實(shí)現(xiàn)這一點(diǎn)，也必須借助于高效的圖像壓縮技術(shù)，以盡可能地降低存儲(chǔ)代價(jià)，并在有限的帶寬條件下實(shí)現(xiàn)圖像的實(shí)時(shí)傳輸。此外，為了實(shí)現(xiàn)衛(wèi)生保健部門(mén)的三維醫(yī)學(xué)圖像安全有效的管理，醫(yī)學(xué)圖像壓縮技術(shù)同樣是不可或缺的［1］。

醫(yī)學(xué)圖像壓縮方式可分為無(wú)損壓縮與有損壓縮，其中無(wú)損壓縮前后圖像信息沒(méi)有任何損失，對(duì)于有損壓縮，給定目標(biāo)碼率條件下，重建圖像與原始圖像之間在均方誤差意義上應(yīng)盡可能接近。無(wú)損壓縮能夠?yàn)獒t(yī)學(xué)診斷提供與原始圖像相同質(zhì)量的圖像信息，而這種信息的完美保持能力對(duì)于醫(yī)學(xué)診斷是非常重要的，因此，無(wú)損壓縮能夠被廣泛接受。有損壓縮通過(guò)一定信息的損失來(lái)提供較高的壓縮比，但這種損失如果不能被較好地控制，將會(huì)造成圖像的明顯降質(zhì)。需要指出的是，部分國(guó)家禁止對(duì)圖像進(jìn)行有損壓縮，這種做法的初衷也是擔(dān)心有損壓縮所帶來(lái)的信息丟失會(huì)對(duì)醫(yī)學(xué)診斷帶來(lái)不利影響。本文針對(duì)醫(yī)學(xué)圖像無(wú)損壓縮技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行總結(jié)與分析，并對(duì)其發(fā)展前景進(jìn)行展望，從而為醫(yī)學(xué)圖像無(wú)損壓縮技術(shù)的發(fā)展提供借鑒。

2　無(wú)損壓縮研究進(jìn)展

醫(yī)學(xué)圖像大多是三維圖像序列，例如MRI、CT以及正電子發(fā)射斷層成像（positron emission tomography， PET）等。它們不僅存在著片內(nèi)相關(guān)性，同時(shí)，片間仍存在較強(qiáng)的相關(guān)性，其中片間相關(guān)性的大小與片的數(shù)量緊密相關(guān)，片數(shù)越多，相關(guān)性越強(qiáng)，片數(shù)越少，相關(guān)性越弱。以上特性決定了醫(yī)學(xué)圖像的壓縮有別于普通的二維圖像壓縮。無(wú)損壓縮主要采用預(yù)測(cè)或者變換的方法去除醫(yī)學(xué)圖像的相關(guān)性。本節(jié)主要從基于預(yù)測(cè)的方法以及基于變換的方法兩方面對(duì)醫(yī)學(xué)圖像壓縮技術(shù)的研究進(jìn)展情況進(jìn)行總結(jié)。

2.1基于預(yù)測(cè)的方法

基于預(yù)測(cè)的方法主要利用圖像中像素之間的相關(guān)性，利用與當(dāng)前像素空間相鄰的部分像素對(duì)其進(jìn)行線性預(yù)測(cè)，將當(dāng)前像素的真實(shí)值與預(yù)測(cè)值相減得到預(yù)測(cè)殘差，再利用特定的熵編碼方法對(duì)預(yù)測(cè)殘差進(jìn)行無(wú)損編碼。在具體的預(yù)測(cè)方法上，差分脈沖編碼調(diào)制（differential pulse code modulation，DPCM）是主要采用的去相關(guān)方法，其編解碼示意圖如圖1所示［2］。

圖1　DPCM編解碼系統(tǒng)Fig. 1 The encoding and decoding system for DPCM

目前，JPEG-LS在靜止圖像無(wú)損壓縮中獲得了不錯(cuò)的表現(xiàn)［3］，其性能甚至超過(guò)了JPEG2000無(wú)損壓縮。此外，Wu［4］提出的基于上下文自適應(yīng)編碼的無(wú)損壓縮算法（context-based adaptive lossless image coding， CALIC），在靜止圖像壓縮中取得了良好的壓縮效果。盡管如此，但JPEG-LS與CALIC畢竟只是針對(duì)單幅圖像的壓縮，無(wú)法利用圖像的幀間相關(guān)性。在傳統(tǒng)的DPCM基礎(chǔ)上，自適應(yīng)預(yù)測(cè)方法獲得了廣泛的應(yīng)用。張曉玲等［5］提出了一種基于自適應(yīng)預(yù)測(cè)的無(wú)損壓縮算法，該算法通過(guò)利用神經(jīng)網(wǎng)絡(luò)模型來(lái)自適應(yīng)地調(diào)整預(yù)測(cè)器的預(yù)測(cè)系數(shù)；針對(duì)X射線圖像的實(shí)驗(yàn)表明，該算法獲得的bpp比JPEG（無(wú)損）低0.1左右，并且具有較低的復(fù)雜度。楊玲等［6］提出基于像素間相關(guān)性的MRI圖像無(wú)損壓縮方法，根據(jù)MRI圖像像素間的相關(guān)性生成4個(gè)相應(yīng)的數(shù)組，然后對(duì)每個(gè)生成的數(shù)組進(jìn)行相應(yīng)的算術(shù)編碼，實(shí)現(xiàn)壓縮后進(jìn)行保存或傳輸；實(shí)驗(yàn)結(jié)果表明算法能夠取得優(yōu)于LZW（Lempel-Ziv-Welch）的無(wú)損壓縮性能。Thangavelu K［7］提出了一種基于自適應(yīng)塊預(yù)測(cè)的醫(yī)學(xué)圖像無(wú)損壓縮算法，對(duì)大量人體CT彩色圖像的實(shí)驗(yàn)結(jié)果表明，該算法獲得的無(wú)損壓縮性能比傳統(tǒng)塊預(yù)測(cè)算法高3 5%，在計(jì)算復(fù)雜度上比JPEG2000低70%左右。Puthooran提出了兩級(jí)DPCM的醫(yī)學(xué)圖像無(wú)損壓縮算法［8］，其中兩級(jí)DPCM包括一個(gè)線性DPCM和一個(gè)非線性DPCM，而后者主要采用的是基于上下文切換的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算子，根據(jù)預(yù)測(cè)像素的上下文紋理信息，非線性DPCM在3種神經(jīng)網(wǎng)絡(luò)算子之間進(jìn)行自適應(yīng)選取。針對(duì)MRI的測(cè)試結(jié)果表明，該算法的平均無(wú)損壓縮性能與CALIC相比提高6.5%。面向三維醫(yī)學(xué)圖像安全管理的實(shí)際需求，Castiglione［1］提出了一種動(dòng)態(tài)自適應(yīng)預(yù)測(cè)的三維醫(yī)學(xué)圖像無(wú)損壓縮算法，該算法同時(shí)用到了片內(nèi)與片間線性預(yù)測(cè)，其中片內(nèi)預(yù)測(cè)采用的是中值邊緣檢測(cè)器（median edge detector， MED），片間預(yù)測(cè)采用的是改進(jìn)的LP［9］算法，此外，該算法的另一個(gè)優(yōu)點(diǎn)是允許在碼流中嵌入安全水印。針對(duì)MRI和CT的測(cè)試結(jié)果表明，該算法的性能優(yōu)于JPEG-LS、CALIC以及基于三維小波變換的無(wú)損壓縮算法。Liang［10］利用希爾伯特空間填充曲線將差分運(yùn)算后的空間像素重新排列，以此增強(qiáng)圖像像素的局部性，其中填充曲線是由一個(gè)張量積公式產(chǎn)生的，最后對(duì)重排后的像素進(jìn)行編碼。針對(duì)CT的測(cè)試結(jié)果表明，希爾伯特空間填充能夠顯著提高編碼器的有效性。針對(duì)咽部和食道的透視圖像，Arif先利用合適的形狀提取出圖像中的感興趣區(qū)域（region of interest， ROI），當(dāng)前ROI與參考圖像中的ROI做差值，利用哈夫曼與游程編碼聯(lián)合對(duì)ROI的殘差圖像進(jìn)行無(wú)損編碼［11］。Lim［12］提出了一種基于紋理建模的超聲射頻數(shù)據(jù)無(wú)損壓縮算法，紋理建模與熵編碼技術(shù)共同降低現(xiàn)代基于軟件的超聲系統(tǒng)的數(shù)據(jù)傳輸速率。為了提高醫(yī)學(xué)無(wú)損壓縮的執(zhí)行速度，Pizzolante［13］提出了一種完全并行的醫(yī)學(xué)無(wú)損壓縮實(shí)施方案，這種并行實(shí)現(xiàn)方案能夠在部分支持開(kāi)放運(yùn)算語(yǔ)言（open computing language， OpenCL）的異構(gòu)設(shè)備上執(zhí)行，并具有較強(qiáng)的可伸縮特性，對(duì)MRI和CT的測(cè)試表明了的壓縮方案的有效性。

近年來(lái)發(fā)展起來(lái)的高性能視頻編碼（high efficiency video coding， HEVC）標(biāo)準(zhǔn)為提高醫(yī)學(xué)圖像的壓縮性能提供了可能，HEVC的引入主要為了更為充分地利用醫(yī)學(xué)圖像各個(gè)方向維的相關(guān)性。Philips在文獻(xiàn)［14］中用了很長(zhǎng)的篇幅闡述了二維圖像與三維圖像編碼的基本原則，并討論了一種用于視頻無(wú)損壓縮的幀間技術(shù)，具體包括幀內(nèi)預(yù)測(cè)與幀間紋理建模，對(duì)于CT和MRI的實(shí)驗(yàn)表明該算法性能優(yōu)于JPEG-LS和CALIC。Spelic使用Hounsfield scale對(duì)圖像進(jìn)行分割，碼流數(shù)據(jù)分為兩部分，其中第一部分是位置信息，采用聯(lián)合二值圖像專(zhuān)家組（joint bi-level image experts group， JBIG）標(biāo)準(zhǔn)進(jìn)行壓縮，第二部分為圖像數(shù)據(jù)，采用單獨(dú)設(shè)計(jì)的算法進(jìn)行壓縮［15］。針對(duì)CT的測(cè)試結(jié)果顯示該算法能夠在一定程度上提高壓縮性能，并且可以允許用戶(hù)僅僅解碼所需要的任一部分。針對(duì)三維醫(yī)學(xué)體數(shù)據(jù)的序列，Sanchez也提出了基于先進(jìn)視頻編碼的無(wú)損壓縮算法［1 6］，主要結(jié)合了H.264/先進(jìn)視頻編碼（advanced video coding，AVC）標(biāo)準(zhǔn)的幾個(gè)主要特征：多幀運(yùn)動(dòng)補(bǔ)償、可變塊大小的運(yùn)動(dòng)估計(jì)、亞像素運(yùn)動(dòng)矢量精度以及一種新穎的運(yùn)動(dòng)矢量差分編碼算法；針對(duì)fMRI、動(dòng)態(tài)MRI以及PET序列的四維醫(yī)學(xué)圖像測(cè)試結(jié)果表明，所提出算法的無(wú)損壓縮性能夠達(dá)到三維JPEG2000性能的3倍，對(duì)于fMRI的壓縮增益較大，而對(duì)PET序列的壓縮增益相對(duì)較小。在文獻(xiàn)［17］中，針對(duì)含邊緣信息較多的灰度解剖圖像，Sanchez提出采用HEVC幀內(nèi)編碼對(duì)此類(lèi)圖像進(jìn)行無(wú)損壓縮，并提出了可供選擇的基于全樣本DPCM的角預(yù)測(cè)與平面預(yù)測(cè)模式。對(duì)MRI、CT以及血管造影的X射線圖像序列的測(cè)試結(jié)果顯示，該方法對(duì)CT獲得了理想的壓縮增益，MRI的壓縮增益一般，X射線圖像的壓縮增益最低，這是由于此類(lèi)圖像噪聲水平較高。Miaou［18］提出了一種結(jié)合JPEG-LS與幀間編碼的壓縮算法，對(duì)于幀間相關(guān)性較差的圖像直接利用JPEG-LS單獨(dú)壓縮，而幀間相關(guān)性較高的圖像采用基于運(yùn)動(dòng)估計(jì)的幀間編碼模式。對(duì)MRI的測(cè)試結(jié)果表明，所提出的算法性能明顯優(yōu)于JPEG-LS。

醫(yī)學(xué)圖像中的目標(biāo)區(qū)域存在著一定的對(duì)稱(chēng)性，這是醫(yī)學(xué)圖像的一個(gè)顯著特點(diǎn)。如果能夠找到對(duì)稱(chēng)軸，充分利用對(duì)稱(chēng)性中蘊(yùn)含的相關(guān)性，完全能夠進(jìn)一步提高壓縮性能。Karimi提出利用三維MRI圖像中固有存在的對(duì)稱(chēng)性來(lái)進(jìn)行無(wú)損壓縮［19］，主要通過(guò)塊匹配的方式來(lái)利用預(yù)測(cè)殘差圖像中的對(duì)稱(chēng)性。Sanchez［20］提出了基于醫(yī)學(xué)圖像對(duì)稱(chēng)性的可伸縮三維無(wú)損壓縮算法，該算法充分利用了三維醫(yī)學(xué)圖像片內(nèi)相關(guān)性，首先采用二維整數(shù)小波去除各片的相關(guān)性，然后采用塊預(yù)測(cè)的方法消除ROI的對(duì)稱(chēng)性所帶來(lái)的冗余信息。針對(duì)MRI和CT的實(shí)驗(yàn)結(jié)果表明，該算法的無(wú)損壓縮性比3D JPEG2000提高20%左右。在文獻(xiàn)［21］中，Bairagi也將對(duì)稱(chēng)性作為一個(gè)重要的參數(shù)引入到醫(yī)學(xué)圖像的無(wú)損壓縮，所提出的算法利用尺度不變特征轉(zhuǎn)換（scale-invariant feature transform， SIFT）配準(zhǔn)算法確定圖像的對(duì)稱(chēng)軸，在此基礎(chǔ)上僅僅傳輸對(duì)稱(chēng)軸單側(cè)信息以及兩側(cè)存在差異的信息來(lái)代替?zhèn)鬏斦麄€(gè)圖像信息，從而達(dá)到了圖像壓縮的目的。針對(duì)MRI、CT和腰椎X射線圖像的實(shí)驗(yàn)結(jié)果表明，將對(duì)稱(chēng)性與現(xiàn)有壓縮方法相結(jié)合能夠顯著提高壓縮性能。

2.2基于變換的方法

基于變換的方法是利用特定的變換將圖像從空域映射到變換域，從而使得圖像能量得以集中在少數(shù)低頻系數(shù)，而絕大部分的高頻系數(shù)幾乎趨近于零，這樣可以利用較少的碼字表示絕大部分信息，從而達(dá)到了壓縮的目的。目前，常用的變換方法主要包括卡胡南-洛維變換（karhunen-loève transform， KLT）、離散余弦變換（discrete cosine transform， DCT）和離散小波變換（discrete wavelet transform， DWT），但針對(duì)醫(yī)學(xué)圖像的壓縮，DWT是最為廣泛應(yīng)用的變換方法。需要指出的是，利用基于變換的方法圖像的無(wú)損壓縮，必須利用變換的整數(shù)實(shí)現(xiàn)方式，即圖像在變換域的系數(shù)仍為整數(shù)形式，只有這樣在后續(xù)編碼過(guò)程中才不會(huì)引入失真，從而保證整個(gè)壓縮成果完全無(wú)損可逆。圖2給出了基于變換的無(wú)損壓縮方法示意圖。

圖2　基于變換的無(wú)損壓縮方法Fig. 2 Lossless compression method based on transform

鑒于MRI和CT同時(shí)多個(gè)方向上的相關(guān)性，因此，多維小波變換是應(yīng)用較多的方法之一。Xiong［22］提出了基于三維整數(shù)小波變換的醫(yī)學(xué)圖像壓縮算法，除了提升技術(shù)外，該算法引入了三維小波包分解結(jié)構(gòu)，利用基于上下文的算術(shù)編碼實(shí)現(xiàn)小波系數(shù)的編碼。對(duì)MRI和CT的測(cè)試結(jié)果表明，與3D SPIHT相比，所提出算法的bpp能夠降低0.3～0.5；此外，該算法能夠?qū)崿F(xiàn)無(wú)損到有損的漸進(jìn)壓縮。鑒于三維醫(yī)學(xué)圖像存在片內(nèi)和片間的相關(guān)性，Cho采用三維整數(shù)小波變換獲取圖像的三維樹(shù)結(jié)構(gòu)，然后利用改進(jìn)的三維分層樹(shù)集合分裂（three dimensional set partitioning in hierarchical tree， 3D SPIHT）算法搜索非對(duì)稱(chēng)樹(shù)［23］，針對(duì)MRI和CT的實(shí)驗(yàn)結(jié)果表明該算法的性能優(yōu)于二維壓縮，在諸多三維壓縮算法中也有較好的表現(xiàn)。Wu［24］提出了基于三維小波可伸縮性編碼的醫(yī)學(xué)圖像無(wú)損壓縮算法，該算法采用二元小波對(duì)醫(yī)學(xué)圖像進(jìn)行三維分解，然后利用基于上下文的算術(shù)編碼進(jìn)行熵編碼。對(duì)CT和MRI的實(shí)驗(yàn)結(jié)果表明算法具有良好的壓縮性能，并能夠?qū)崿F(xiàn)較高的解碼吞吐量、隨機(jī)存取編碼數(shù)據(jù)與漸進(jìn)傳輸。面向醫(yī)學(xué)診斷應(yīng)用背景，Qi［25］提出了能夠?qū)崿F(xiàn)三維醫(yī)學(xué)圖像集漸進(jìn)傳輸?shù)膲嚎s算法，三維整數(shù)小波用于去除三維醫(yī)學(xué)圖像的冗余，算術(shù)編碼和游程編碼用于對(duì)變換后的數(shù)據(jù)實(shí)施編碼，其中對(duì)診斷區(qū)域中大量可辨別解剖結(jié)構(gòu)信息進(jìn)行漸進(jìn)式無(wú)損嵌入式編碼，使得這部分對(duì)診斷至關(guān)重要的信息能夠得以最先傳輸。針對(duì)MRI的測(cè)試結(jié)果驗(yàn)證了算法的有效性，并可擴(kuò)展到CT以及X射線圖像的壓縮。Kassim［26］利用三維整數(shù)小波變換與三維運(yùn)動(dòng)補(bǔ)償技術(shù)實(shí)現(xiàn)四維醫(yī)學(xué)圖像的壓縮，為了較好地去除連續(xù)多個(gè)醫(yī)學(xué)圖像序列存在的冗余，引入了視頻編碼中的關(guān)鍵幀和殘差幀的概念，采用一種快速的三維體匹配算法用于運(yùn)動(dòng)估計(jì)，然后三維整數(shù)小波變換與3D SPIHT算法用于最終的關(guān)鍵幀與殘差幀的編碼。針對(duì)MR的測(cè)試結(jié)果表明，與單純的三維壓縮方法相比，所提出的算法能夠獲得25%的壓縮增益。鐘文燕等［27］在3D SPIHT編碼的基礎(chǔ)上提出基于不對(duì)稱(chēng)小波樹(shù)的分方向4 D SPIHT編碼算法，通過(guò)構(gòu)造四維不對(duì)稱(chēng)小波樹(shù)結(jié)構(gòu)來(lái)靈活選擇每一維上的小波分解級(jí)數(shù)。根據(jù)小波樹(shù)特點(diǎn)，將各頻帶按方向獨(dú)立進(jìn)行SPIHT編碼。針對(duì)fMRI的實(shí)驗(yàn)結(jié)果表明，該算法能在不明顯增加算法復(fù)雜度的基礎(chǔ)上進(jìn)一步提高壓縮性能，其bpp比3D SPIHT至少降低1。

將基于變換的方法和預(yù)測(cè)的方法相結(jié)合，也是實(shí)現(xiàn)醫(yī)學(xué)圖像無(wú)損壓縮的一條有效途徑，其中比較典型的是將DWT和自適應(yīng)預(yù)測(cè)相結(jié)合。Kumar［28］提出了一種基于分塊條件熵編碼的醫(yī)學(xué)圖像無(wú)損壓縮算法，引入條件熵的出發(fā)點(diǎn)是一階條件熵在理論上要低于一階熵或者二階熵；該算法利用Haar小波變換對(duì)輸入圖像進(jìn)行二維小波變換，然后為每個(gè)子帶定義了一個(gè)次優(yōu)的掃描順序，通過(guò)熵估計(jì)的方法確定最優(yōu)的塊大小，從而實(shí)現(xiàn)條件熵編碼。針對(duì)CT的實(shí)驗(yàn)結(jié)果表明，該算法的無(wú)損壓縮性能優(yōu)于JPEG2000。Chen［29］提出了基于小波變換與自適應(yīng)預(yù)測(cè)的醫(yī)學(xué)圖像無(wú)損壓縮算法，創(chuàng)新之處在于通過(guò)分析小波系數(shù)之間的相關(guān)性來(lái)選取合適的小波基，與以往固定模式的預(yù)測(cè)器不同，自適應(yīng)預(yù)測(cè)器通過(guò)不斷的統(tǒng)計(jì)自適應(yīng)地調(diào)整參與預(yù)測(cè)的小波系數(shù)，最終的預(yù)測(cè)殘差進(jìn)行算術(shù)編碼。對(duì)CT、MRI與US的實(shí)驗(yàn)結(jié)果表明，該算法性能優(yōu)于JPEG2000、CALIC以及SPIHT，但該算法并未考慮圖像的片間相關(guān)性。趙麗紅等［30］提出將整數(shù)小波變換與DPCM相結(jié)合的醫(yī)學(xué)圖像無(wú)損壓縮方法，實(shí)驗(yàn)結(jié)果表明該方法的bpp比單獨(dú)使用Huffman編碼與僅使用變換的方法分別提高6%與9%。

除了DWT之外，許多新穎的改進(jìn)的變換方法也被引入到醫(yī)學(xué)圖像的無(wú)損壓縮算法。Anusuya［31］采用二維固定小波變換（stationary wavelet transform， SWT）去除片內(nèi)相關(guān)性，對(duì)小波系數(shù)進(jìn)行最優(yōu)截?cái)嗟那度胧綁K編碼（embedded block coding with optimized truncation， EBCOT）編碼，該算法可以提供良好的壓縮數(shù)據(jù)隨機(jī)存取功能，并能夠保證圖像分辨率和質(zhì)量的可伸縮性，針對(duì)MRI的測(cè)試結(jié)果表明該算法可以獲得優(yōu)于JPEG2000和EBCOT的壓縮性能。結(jié)合哈達(dá)瑪變換和哈夫曼編碼，Venugopal［32］提出了基于塊的低復(fù)雜度無(wú)損壓縮算法，首先對(duì)醫(yī)學(xué)圖像進(jìn)行二維整數(shù)小波變換，對(duì)于低頻子帶，利用哈達(dá)瑪變換去除塊內(nèi)部的相關(guān)性，直流分量預(yù)測(cè)能夠進(jìn)一步消除塊與塊之間的相關(guān)性，對(duì)于其它子帶，采用基于閾值的方法來(lái)驗(yàn)證是否需要進(jìn)行變換，最終所有系數(shù)都將進(jìn)行哈夫曼編碼形成碼流，針對(duì)CT的實(shí)驗(yàn)結(jié)果表明該算法性能優(yōu)于JPEG2000。

2.3實(shí)現(xiàn)方法分析

現(xiàn)有的醫(yī)學(xué)圖像無(wú)損壓縮主要采用基于預(yù)測(cè)和變換的方法進(jìn)行實(shí)現(xiàn)，并且關(guān)于這兩種方法的研究都比較多。實(shí)際上，針對(duì)無(wú)損壓縮而言，基于預(yù)測(cè)的方法往往能夠獲得優(yōu)于變換方法的去相關(guān)效果，其原因是由于基于變換的方法（例如DWT）往往通過(guò)固定的基函數(shù)進(jìn)行醫(yī)學(xué)圖像的三維去相關(guān)，這種固定基函數(shù)難以達(dá)到與圖像統(tǒng)計(jì)特性的最優(yōu)匹配，這使得圖像變換后的系數(shù)之間仍殘留一定的相關(guān)性。基于預(yù)測(cè)的方法通常是在最小二乘準(zhǔn)則下，根據(jù)圖像的局部上下文內(nèi)容來(lái)計(jì)算最優(yōu)預(yù)測(cè)系數(shù)，從而獲得理想的去相關(guān)效果。因此，單純從提高醫(yī)學(xué)圖像無(wú)損壓縮比的角度來(lái)講，基于預(yù)測(cè)的方法是較好的選擇。但基于變換的方法能夠提供一些預(yù)測(cè)方法無(wú)法提供的特性，例如隨機(jī)存取、圖像分辨率和質(zhì)量的分級(jí)、壓縮碼率的可伸縮性等，這些特性對(duì)于醫(yī)學(xué)圖像的壓縮系統(tǒng)來(lái)講又是非常實(shí)用的。從這一點(diǎn)來(lái)講，基于變換的方法又是較好的選擇。此外，基于預(yù)測(cè)的方法復(fù)雜度較低，對(duì)內(nèi)存的需求量比較低。而基于變換的方法往往需要對(duì)整個(gè)三維圖像序列同時(shí)進(jìn)行變換，這使得此類(lèi)方法對(duì)內(nèi)存需求量較高，并且計(jì)算復(fù)雜度也通常高于基于預(yù)測(cè)的方法。因此，兩種方法在實(shí)現(xiàn)醫(yī)學(xué)圖像壓縮上各有千秋，需要根據(jù)實(shí)際應(yīng)用需求進(jìn)行合理選取。

針對(duì)US等二維醫(yī)學(xué)圖像的無(wú)損壓縮，JPEGLS、CALIC以及JPEG2000（無(wú)損）已經(jīng)能夠提供較為理想的壓縮性能，其中JPEG-LS的性能相對(duì)突出一些。若要在上述算法上進(jìn)一步提高性能，需要引入一些有效的技術(shù)手段，在壓縮之前對(duì)圖像進(jìn)行預(yù)處理，例如希爾伯特填充曲線［10］、對(duì)稱(chēng)性的利用［19-21］等，或者采用更為有效的變換方法，例如SWT［31］等。針對(duì)MRI、CT、PET以及X射線等三維圖像的無(wú)損壓縮，通常采用片間與片內(nèi)的三維預(yù)測(cè)模式，并與熵編碼相結(jié)合，其中片間的預(yù)測(cè)模式多通過(guò)運(yùn)動(dòng)估計(jì)與運(yùn)動(dòng)補(bǔ)償來(lái)實(shí)現(xiàn)?；蛘卟捎萌S整數(shù)小波變換去除圖像在各個(gè)方向的相關(guān)性，并與合理的編碼方法相結(jié)合，其中比較常用的變換方法是整數(shù)小波變換。針對(duì)fMRI與4D MRI等多個(gè)三維序列圖像，需要設(shè)計(jì)相應(yīng)的四維圖像壓縮算法，文獻(xiàn)［16］與［27］在這方面進(jìn)行了研究，前者借鑒先進(jìn)的視頻壓縮標(biāo)準(zhǔn)，針對(duì)每一組序列分別進(jìn)行片間的運(yùn)動(dòng)估計(jì)與補(bǔ)償，對(duì)于序列之間運(yùn)用差分矢量編碼與熵編碼聯(lián)合對(duì)序列之間的運(yùn)動(dòng)矢量進(jìn)行壓縮編碼；后者對(duì)圖像的4個(gè)方向分別進(jìn)行不對(duì)稱(chēng)的整數(shù)小波變換，以去除各方向的相關(guān)性。在具體的熵編碼方法上，哈夫曼與游程編碼的結(jié)合以及算術(shù)編碼使用頻率較高。一般來(lái)講，算術(shù)編碼的性能要相對(duì)高一些。需要指出的是，針對(duì)相同維數(shù)但模態(tài)不同的醫(yī)學(xué)圖像，現(xiàn)有的各種無(wú)損壓縮方法均具有一定的普適性，只不過(guò)壓縮性能上存在著一定的差異，這也是由不同模態(tài)圖像的成像原理和圖像特性所造成的。

2.4醫(yī)學(xué)圖像無(wú)損壓縮質(zhì)量評(píng)價(jià)

醫(yī)學(xué)圖像的無(wú)損壓縮在壓縮前后不存在任何圖像信息的損失，因此，無(wú)損壓縮不存在主觀質(zhì)量評(píng)價(jià)的內(nèi)容，而主要采用客觀評(píng)價(jià)指標(biāo)來(lái)實(shí)現(xiàn)質(zhì)量評(píng)價(jià)?？陀^評(píng)價(jià)指標(biāo)主要包括壓縮比（compression ratio，CR）和編解碼復(fù)雜度，在涉及到圖像傳輸?shù)那闆r下還需要引入抗誤碼性這一指標(biāo)。壓縮比是通過(guò)原始圖像大小除以壓縮后圖像數(shù)據(jù)流的大小獲得的，在有些情況下，每個(gè)像素的比特?cái)?shù)（bit per pixel，Bpp）也是常用的衡量無(wú)損壓縮程度的客觀指標(biāo)，對(duì)于一個(gè)N比特的原始圖像，Bpp和CR的關(guān)系為Bpp=N/CR。此外，文獻(xiàn)［32］采用壓縮百分比（compression percentage，CP）這個(gè)指標(biāo)來(lái)衡量無(wú)損壓縮性能，其表達(dá)式為：

顯然，CP值越大，無(wú)損壓縮性能就越好。

3　醫(yī)學(xué)圖像無(wú)損壓縮技術(shù)發(fā)展趨勢(shì)

從以上關(guān)于醫(yī)學(xué)圖像壓縮研究進(jìn)展的介紹可以看出，針對(duì)醫(yī)學(xué)圖像的無(wú)損壓縮，現(xiàn)有的壓縮主要目標(biāo)是提高壓縮比（或者降低壓縮后的bpp）；同時(shí)，部分算法注重提供部分有實(shí)際應(yīng)用價(jià)值的功能，例如壓縮圖像的隨機(jī)存取、分辨率和圖像質(zhì)量的可伸縮性等。此外，部分無(wú)損壓縮算法中也引入了ROI的分割，在碼流設(shè)計(jì)上，ROI的無(wú)損壓縮碼流在整體碼流結(jié)構(gòu)中處于前列，這樣能夠使得用戶(hù)能夠率先解碼ROI數(shù)據(jù)，有利于實(shí)現(xiàn)漸進(jìn)傳輸。在醫(yī)學(xué)圖像壓縮算法的設(shè)計(jì)中，為了降低醫(yī)學(xué)壓縮系統(tǒng)的實(shí)現(xiàn)難度，通常要求算法具有較低的編解碼復(fù)雜度，這使得編解碼復(fù)雜度也成為需要考慮的一個(gè)因素。此外，圖像碼流在傳輸過(guò)程中極易發(fā)生誤碼，現(xiàn)有的壓縮算法基本不具備抗誤碼能力，碼流中一個(gè)比特的錯(cuò)誤就有可能造成整個(gè)碼流的解碼錯(cuò)誤，因此，算法的抗誤碼性能需要重點(diǎn)考慮。此外，為了進(jìn)一步提高無(wú)損壓縮性能，根據(jù)不同維數(shù)與不同模態(tài)醫(yī)學(xué)圖像的成像特征，有針對(duì)性地設(shè)計(jì)壓縮算法也是一個(gè)行之有效的途徑。隨著信號(hào)處理技術(shù)的不斷發(fā)展，壓縮感知成像逐漸被應(yīng)用于醫(yī)學(xué)成像領(lǐng)域［33］，壓縮感知是直接感知壓縮之后的信號(hào)，有選擇性地采集少量重要數(shù)據(jù)并采用有效的重構(gòu)算法實(shí)現(xiàn)原始信號(hào)的重構(gòu)，實(shí)現(xiàn)縮短信號(hào)采集時(shí)間，減少計(jì)算量，并在一定程度上保持原始信號(hào)的重建質(zhì)量的要求，從而達(dá)到了一定的壓縮效果，在醫(yī)學(xué)MRI上具有較大的應(yīng)用潛力，但該項(xiàng)技術(shù)仍處理理論研究階段，仍有諸多技術(shù)性難題有待研究解決。綜上所述，未來(lái)理想的醫(yī)學(xué)圖像無(wú)損壓縮算法應(yīng)具備較好的壓縮性能、較低的編解碼復(fù)雜度以及良好的抗誤碼能力，但這幾方面往往是相互制約的，需要在實(shí)際中根據(jù)具體的應(yīng)用背景加以側(cè)重。

隨著遠(yuǎn)程放射學(xué)和遠(yuǎn)程醫(yī)療的興起和不斷發(fā)展，對(duì)醫(yī)學(xué)圖像實(shí)時(shí)傳輸?shù)男枨笈c日俱增，但有限的傳輸帶寬難以實(shí)現(xiàn)如此大量圖像的實(shí)時(shí)傳輸，同時(shí)，海量圖像數(shù)據(jù)對(duì)本地存儲(chǔ)以及數(shù)據(jù)的安全管理也帶來(lái)了極大的挑戰(zhàn)。醫(yī)學(xué)圖像壓縮已經(jīng)成為解決這一問(wèn)題的關(guān)鍵技術(shù)，無(wú)損壓縮不會(huì)對(duì)醫(yī)學(xué)圖像造成任何信息的損失，這對(duì)醫(yī)生的影像學(xué)診斷至關(guān)重要。

參考文獻(xiàn)［References］

［1］Castiglione A， Pizzolante R， Santis AD， et al. Cloud-based adaptive compression and secure management services for 3D healthcare data. Future Generation Computer Systems， 2015，43-44: 120-134.

［2］Wan JW， Nian YJ， Su LH， et al. Progress on compression technique for hyperspectral images. Signal Processing， 2010，26（9）: 1397-1407.萬(wàn)建偉， 粘永健， 蘇令華， 等. 高光譜圖像壓縮技術(shù)研究進(jìn)展.信號(hào)處理， 2010， 26（9）: 1397-1407.

［3］Weinberger MJ， Seroussi G， Sapiro G. The LOCO-I losslessimage compressionalgorithm: principles and standardization into JPEG-LS. IEEE Transactions on ImageProcessing， 2000， 9（8）: 1309-1324.

［4］Wu X， Memon ND. Context-based adaptive lossless image coding. IEEE Transactions on Communication， 1997， 45（4）: 437-444.

［5］Zhang XL， Shen LS. An efficient lossless medical image compression method based on adaptive prediction. Acta Electronica Sinica， 2001， 29（12A）: 1914-1916.張曉玲， 沈蘭蓀. 一種基于自適應(yīng)預(yù)測(cè)的醫(yī)學(xué)圖像高效無(wú)損壓縮方法. 電子學(xué)報(bào)， 2001， 29（12A）: 1914-1916.

［6］Yang L， Rao NN， Du XC， et al. A lossless compression algorithm based on correlation between pixels of medical MRI image. Space Medicine&Medical Engineering， 2012， 25（3）: 202-206.楊玲， 饒妮妮， 杜曉川 等. 基于像素間相關(guān)性的醫(yī)學(xué)MRI圖像無(wú)損壓縮方法. 航天醫(yī)學(xué)與醫(yī)學(xué)工程， 2012， 25（3）: 202-206.

［7］Thangavelu K， Krishnan T. Lossless color medical image compression using adaptive block-based encoding for human computed tomographic images. International Journal of Image Systems and Technology， 2013， 23（3）: 227-234.

［8］Puthooran E， Anand RS， Mukherjee S. Lossless compression of medical images using a dual level DPCM with context adaptive switching neural network predictor. International Journal of Computational Intelligence Systems， 2013， 6（6）: 1082-1093.

［9］Rizzo F， Carpentieri B， Motta G， et al. Low-complexity lossless compression of hyperspectral imagery via linear prediction. IEEE Signal Processing Letter， 2005， 12（2）: 138-141.

［10］Liang JY， Chen CS， Huang CH. Lossless compression of medical images using Hilbert space-filling curves. Computerized Medical Imaging and Graphics， 2008， 32（3）: 174-182.

［11］Arif AS， Mansor S， Logeswaran R， et al. Auto-shape lossless compression of pharynx and esophagus fluoroscopic images. Journal of Medical Systems， 2015， 39（2）: 1-7.

［12］Lim CE， Kim GD， Yoon CH， et al. Context modeling based lossless compression of radio-frequency data for software-based ultrasound beamforming. Biomedical Signal Processing and Control， 2013， 8（6）: 682-687.

［13］Pizzolante R， Castiglione A， Carpentieri B， et al. Parallel lowcomplexity lossless coding of three-dimensional medical images. International Conference on Network-Based Information Systems， Salerno， Italy， 2014: 91-98.

［14］Philips W， Assche SV， Rycke DD， et al. State-of-the-art techniques for lossless compression of 3D medical image sets. Computerized Medical Imaging and Graphics， 2001， 25（2）: 173-185.

［15］Spelic D， Zalik B. Lossless compression of threshold-segmented medical images. Journal of Medical Systems， 2012， 36（4）: 2349-2357.

［16］Sanchez V， Nasiopoulos P， Abugharbieh R. Efficient lossless compression of 4-D medical images based on the advanced video coding scheme. IEEE Transactions on Information Technology in Biomedicine， 2008， 12（4）: 442-445.

［17］Sanchez V， Bartrina-Rapesta J. Lossless compression of medical images based on HEVC intracoding. IEEE International Conference on Acoustic， Speech and Signal Processing，F(xiàn)lorence， Italy， 2013: 6622-6626.

［18］Miaou SG， Ke FS， Chen SC. A lossless compression method for medical image. IEEE Transactions on Information Technology in Biomedicine， 2009， 13（5）: 818-821.

［19］Karimi N， Samavi S， Amraee S， et al. Use of symmetry in prediction-error field for losslesscompression of 3D MRI images. Multimedia Tools and Applications， 2015， 74（24）: 11007-11022.

［20］Sanchez V， Abugharbieh R， Nasiopoulos P. Symmetry-based scalable lossless compression of 3D medical image data. IEEE Transactions on Medical Imaging， 2009， 28（7）: 1062-1072.

［21］Bairagi VK. Symmetry-based biomedical image compression. Journal of Digital Imaging， 2015， 28（6）: 718-726.

［22］Xiong ZX， Wu XL， Cheng S， et al. Lossy-to-lossless compression of medical volumetric data using threedimensional integer wavelet transforms. IEEE Transactions on Medical Imaging， 2003， 22（3）: 459-470.

［23］Cho SD， Kim DY， Pearlman WA. Lossless compression of volumetric medical images with improved three-dimensional SPIHT algorithm. Journal of Digital Imaging， 2004， 17（1）: 57-63.

［24］Wu XL， Qiu T. Wavelet coding of volumetric medical images for high throughput and operability. IEEE Transactions on Medical Imaging， 2005， 24（6）: 719-727.

［25］Qi XJ， Tyler JM. A progressive transmission capable diagnostically lossless compression scheme for 3D medical image sets. Information Sciences， 2005， 175（3）: 217-243.

［26］Kassim AA， Yan PK， Lee WS， et al. Motion compensated lossyto-lossless compression of 4-D medical images using integer wavelet transforms. IEEE Transactions on Information Technology in Biomedicine， 2005， 9（1）: 132-138.

［27］Zhong WY， Yang F， Chen YP. Medical image compression based on improved 4D-SPIHT algorithm. Computer Engineering and Applications， 2010， 46（32）: 147-151.鐘文燕， 楊豐， 陳燕萍. 改進(jìn)的4D-SPIHT醫(yī)學(xué)圖像無(wú)損壓縮.計(jì)算機(jī)工程與應(yīng)用， 2010， 46（32）: 147-151.

［28］Kumar SVB， Nagaraj N， Mukhopadhyay S， et al. Block-based conditional entropy coding for medical image. Proceedings of SPIE， 2003， 5033: 375-381.

［29］Chen YT， Tseng DC. Wavelet-based medical image compression with adaptive prediction. Computerized Medical Imaging and Graphics， 2007， 31（1）: 1-8.

［30］Zhao LH， Tian YN， Sha YG， et al. Lossless compression of medical images by combining integer wavelet transform with DPCM. Journal of Northeastern University（Natural Science），2007， 28（10）: 1454-1457.趙麗紅， 田亞男， 沙永剛， 等. DPCM與小波變換結(jié)合的醫(yī)學(xué)圖像無(wú)損壓縮. 東北大學(xué)學(xué)報(bào)， 2007， 28（10）: 1454-1457.

［31］Anusuya V， Srinivasa Raghavan V， Kavitha G. Lossless compression on MRI images using SWT. Journal of Digital Imaging， 2014， 27（5）: 594-600.

［32］Venugopal D， Mohan S， Raja S. An efficient block based lossless compression of medical images. International Journal for Light and Electron Optics， 2016， 127（2）: 754-758.

［33］Zhang GS， Xiao G， Dai ZZ， et al. Compressed sensing technology and its application in MRI. Chin J Magn Reson Imaging， 2013， 4（4）: 314-320.張桂珊， 肖剛， 戴卓智， 等. 壓縮感知技術(shù)及其在MRI上的應(yīng)用. 磁共振成像， 2013， 4（4）: 314-320.

Research progress on lossless compression technology for medical images

LIU Yu1， CUI Hao-ran2， NIAN Yong-jian3*， QIU Ming-guo31The Second Squad of the 4-th Platoon， the 19-th Student Battalion， Third Military Medical University， Chongqing 400038， China2The Second Squad of the 5-th Platoon， the 19-th Student Battalion， Third Military Medical University， Chongqing 400038， China3Department of Medical Images， School of Biomedical Engineering， Third Military Medical University， Chongqing 400038， China

Key wordsMedical image； Lossless compression； Region of interest； Magnetic resonance imaging； Wavelet transform

AbstractMedical imaging technique has been the central supported technique for modern clinical medicine diagnosis and treatment. However， for the images obtained by various medical imaging devices， so huge dataset creates heavy burden for image storage and transmission and restricts the following application of medical images. Therefore， it is necessary to exploit efficient compression technique to compress various medical images. Lossless compression can completely keep the total information of original medical images， which has been widely accepted in the practical application. In this paper， the research progress on lossless compression for medical images is summarized and analyzed； finally， its development trend is expected.

基金項(xiàng)目：國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（編號(hào)：41201363）

通訊作者：粘永健，E-mail: yjnian@126.com

收稿日期：2015-11-30

中圖分類(lèi)號(hào)：R445.2

文獻(xiàn)標(biāo)識(shí)碼：A

DOI:10.12015/issn.1674-8034.2016.02.013