The fidelity of compressed and interpolated medical images

• Autorzy: Urbaniak Ilona Anna , Wolter Marcin

Identyfikatory

DOI

10.37705/TechTrans/e2020031

Warianty tytułu

PL

[Wpływ kompresji i interpolacji na jakość obrazów medycznych]

• Języki publikacji: EN

Abstrakty

EN

Due to the amount of medical image data being produced and transferred over networks, employing lossy compression has been accepted by worldwide regulatory bodies. As expected, increasing the degree of compression leads to decreasing image fidelity. The extent of allowable irreversible compression is dependent on the imaging modality and the nature of the image pathology as well as anatomy. Interpolation, which often causes image distortion, has been extensively used to rescale images during radiological diagnosis. This work attempts to assess the quality of medical images after the application of lossy compression followed by rescaling. This research proposes a fullreference objective measure of quality for medical images that considers their deterministic and statistical properties. Statistical features are acquired from the frequency domain of the signal and are combined with elements of the structural similarity index (SSIM). The aim is to construct a model that is specialized for medical images and that could serve as a predictor of quality.

PL

Obrazy medyczne umożliwiają specjalistom obserwację anatomii struktur oraz przebieg procesów fizjologicznych, które zachodzą w ludzkim ciele. Elektroniczna archiwizacja oraz możliwość cyfrowej komunikacji obrazów medycznych stały się niezwykle popularne w przemyśle systemów obrazowania medycznego. Dzięki nowoczesnym rozwiązaniom technologicznym możliwa jest zdalna diagnoza, szybszy dostęp do specjalisty, zdalne monitorowanie oraz ułatwiona komunikacja pomiędzy ośrodkami służby zdrowia. Limity szybkości sieci, eksplozja wzrostu technologicznego w dziedzinie modalności oraz ilość powstających, przetwarzanych i przesyłanych obrazów medycznych wpłynęła na rozważenie użycia metod nieodwracalnego kodowania w technologiach PACS przez światowe organy regulacyjne. Nieodwracalne kodowanie obrazów medycznych to między innymi kompresja i interpolacja oraz inne manipulacje obrazów. Zaletą użycia nieodwracalnego kodowania jest ulepszenie wydajności systemów poprzez zmniejszenie czasu przesłania oraz odtworzenia obrazu przez użytkownika. Kompromisem jest natomiast zmniejszona jakość obrazu. Niniejsze badania mają za zadanie zrozumienie i określenie efektów zaistniałych wskutek kompresji oraz interpolacji, które nieodwracalnie wpływają na jakość obrazów medycznych i mogą być zagrożeniem do prawidłowej diagnozy. Istotnym elementem badań jest zrozumienie efektów manipulacji obrazami wówczas, gdy obraz poddany jest kilku nieodwracalnym operacjom. W niniejszej pracy proponowany jest obiektywny miernik jakości obrazów medycznych, który oparty jest na deterministycznych i statystycznych właściwościach obrazów. Cechy statystyczne pochodzą z dziedziny częstotliwości Fouriera i są połączone z miernikiem Structural Similarity Index (SSIM). Proponowany model może być przydatny w ustaleniu wizualnych progów dla jakości obrazów medycznych, które są niezbędne do prawidłowej diagnozy medycznej.

Słowa kluczowe

EN

medical image quality; image quality assessment; structural similarity index; SSIM; compression; interpolation

PL

jakość obrazów medycznych; obiektywny miernik jakości obrazów; SSIM; kompresja; interpolacja

• Wydawca: Wydawnictwo Politechniki Krakowskiej im. Tadeusza Kościuszki
• Czasopismo: Technical Transactions
• Rocznik: 2020
• Tom: Vol. 117, iss. 1
• Strony: art. no. e2020031
• Opis fizyczny: Bibliogr. 20 poz., tab., il., wz., wykr.

Twórcy

autor

Urbaniak Ilona Anna

• Institute of Teleinformatics, Faculty of Computer Science and Telecommunacations, Cracow University of Technology

autor

Wolter Marcin

• Institute of Nuclear Physics, Polish Academy of Science

Bibliografia

• Abdar, M., Książek, W., Acharya, U. R., Tan, R. S., Makarenkov, V., & Pławiak, P. (2019). A new machine learning technique for an accurate diagnosis of coronary artery disease. Computer methods and programs in biomedicine, 179, 104992.
• Cheeseman, A. K., Kowalik-Urbaniak, I. A., & Vrscay, E. R. (2016, July). Objective Image Quality Measures of Degradation in Compressed Natural Images and their Comparison with Subjective Assessments. In International Conference on Image Analysis and Recognition (pp. 163–172). Cham: Springer.
• Cosman, P. C., Gray, R. M., & Olshen, R. A. (1994). Evaluating quality of compressed medical images: SNR, subjective rating, and diagnostic accuracy. Proceedings of the IEEE, 82(6), 919–932.
• Detyna, J., Jeleń, L., & Jeleń, M. (2011). Role of Image Processing in the Cancer Diagnosis. Bio-Algorithms and Med-Systems, 7(4), 5–9.
• European Society of Radiology (ESR). (2011). Usability of irreversible image compression in radiological imaging. A position paper by the European Society of Radiology (ESR).
• George, A., & Livingston, S. J. (2013). A survey on full reference image quality assessment algorithms. International Journal of Research in Engineering and Technology, 2(12), 303–307.
• Jeleń, Ł., Lipiński, A., Detyna, J. & Jeleń, M. (2011). Grading breast cancer malignancy with neural networks. EDITORIAL BOARD, 47.
• Kowalik-Urbaniak I.A. (2014) The quest for ‘diagnostically lossless’ medical image compression using objective image quality measures. PhD thesis, Waterloo, Canada: University of Waterloo.
• Kowalik-Urbaniak, I., Brunet, D., Wang, J., Koff, D., Smolarski-Koff, N., Vrscay, E. R., & Wang, Z. (2014, March). The quest for’diagnostically lossless’ medical image compression: a comparative study of objective quality metrics for compressed medical images. In Medical Imaging 2014: Image Perception, Observer Performance, and Technology Assessment (Vol. 9037, p. 903717). International Society for Optics and Photonics.
• Kowalik-Urbaniak, I. A., Castelli, J., Hemmati, N., Koff, D., Smolarski-Koff, N., Vrscay, E. R., & Wang, Z. (2015, July). Modelling of subjective radiological assessments with objective image quality measures of brain and body CT images. In International Conference Image Analysis and Recognition (pp. 3–13). Cham: Springer.
• Lehmann, T. M., Gonner, C., & Spitzer, K. (1999). Survey: Interpolation methods in medical image processing. IEEE transactions on medical imaging, 18(11), 1049-1075.
• Marmolin, H. (1986). Subjective MSE measures. IEEE transactions on systems, man, and cybernetics, 16(3), 486-489.
• Meijering, E. H. (2000, September). Spline interpolation in medical imaging: comparison with other convolution-based approaches. In 2000 10th European Signal Processing Conference (pp. 1–8). IEEE.
• Meijering, E. H., Niessen, W. J., & Viergever, M. A. (2001). Quantitative evaluation of convolution-based methods for medical image interpolation. Medical image analysis, 5(2), 111–126.
• Naït-Ali, A., & Cavaro-Ménard, C. (Eds.). (2008). Compression of biomedical images and signals. ISTE.
• Strintzis, M. G. (1998). A review of compression methods for medical images in PACS. International journal of medical informatics, 52(1-3), 159–165.
• Thévenaz, P., Blu, T., & Unser, M. (2000). Image interpolation and resampling. Handbook of medical imaging, processing and analysis, 1(1), 393–420.
• Wang, Z., & Bovik, A. C. (2009). Mean squared error: Love it or leave it? A new look at signal fidelity measures. IEEE signal processing magazine, 26(1), 98–117.
• Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assessment: from error visibility to structural similarity. IEEE transactions on image processing, 13(4), 600–612.
• Wang, Z., & Li, Q. (2010). Information content weighting for perceptual image quality assessment. IEEE Transactions on image processing, 20(5), 1185–1198.

Uwagi

Section "Teleinformatics"

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).

Wariant tytułu uzyskany od autora, nie uwzględniony w artykule.