劉玉，王倩楠，粘永健，邱明國

醫(yī)學(xué)圖像有損壓縮技術(shù)研究進展

劉玉1，王倩楠2，粘永健3*，邱明國3

醫(yī)學(xué)成像已經(jīng)成為醫(yī)學(xué)診斷與處理的重要依據(jù)。隨著醫(yī)學(xué)成像設(shè)備分辨率的不斷提高，所獲取的醫(yī)學(xué)圖像數(shù)據(jù)量也在持續(xù)增長，這給醫(yī)學(xué)圖像的存儲與實時傳輸帶來了巨大壓力，并嚴(yán)重制約了其后續(xù)應(yīng)用。有損壓縮方式能夠在滿足一定圖像質(zhì)量的條件下，實現(xiàn)醫(yī)學(xué)圖像較大程度的壓縮，目前已成為國內(nèi)外研究的熱點。本文對醫(yī)學(xué)圖像有損壓縮技術(shù)研究進展進行總結(jié)，并介紹有損壓縮條件下的質(zhì)量評價方法，最后對醫(yī)學(xué)圖像有損壓縮技術(shù)的發(fā)展趨勢進行展望。［關(guān)鍵詞］ 醫(yī)學(xué)圖像；磁共振成像；有損壓縮；感興趣區(qū)域；質(zhì)量評價

The Second Squad of the 4th Platoon， the 19th Student Battalion， Third Military Medical University， Chongqing 400038， China

The First Squad of the 5th Platoon， the 19th Student Battalion， Third Military Medical University， Chongqing 400038， China

Department of Medical Images， School of Biomedical Engineering， Third Military Medical University， Chongqing 400038， China

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

ACKNOWLEDGMENTS This work was part of National Natural Science Foundation of China （No. 41201363， 81171866）.

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。醫(yī)學(xué)圖像能以直觀的形式展示人體內(nèi)部的結(jié)構(gòu)形態(tài)，給臨床醫(yī)生提供了直觀、精確的解剖學(xué)、病理和功能的基礎(chǔ)信息。目前，醫(yī)院或者健康中心每天都會產(chǎn)生大量醫(yī)學(xué)圖像，典型的成像方式包括磁共振成像（magnetic resonance imaging， MRI）、計算機輔助斷層掃描（computed tomography， CT）、超聲（ultrasound， US）、計算機輔助X光（computed radiography， CR）、數(shù)字減影血管造影術(shù)（digital subtraction angiography， DSA）等。隨著醫(yī)學(xué)成像技術(shù)的不斷進步，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)據(jù)量必將持續(xù)膨脹，現(xiàn)有帶寬條件難以滿足龐大數(shù)據(jù)量的實時傳輸需求。因此，需要利用圖像壓縮算法對各種醫(yī)學(xué)圖像實施有效壓縮。現(xiàn)有的圖像存檔與傳輸系統(tǒng)（picture archiving and communication systems， PACS）能夠?qū)崿F(xiàn)大規(guī)模多模態(tài)醫(yī)學(xué)圖像的存儲、傳輸與顯示，而高效的醫(yī)學(xué)圖像壓縮技術(shù)能夠盡可能地

國家自然科學(xué)基金項目（編號：41201363，81171866）

接受日期：2016-04-11

劉玉， 王倩楠， 粘永健， 等. 醫(yī)學(xué)圖像有損壓縮技術(shù)研究進展. 磁共振成像，2016， 7（6）: 473-480.降低PACS的存儲代價，并在有限的帶寬條件下實現(xiàn)圖像的實時傳輸。

醫(yī)學(xué)圖像壓縮方式可分為無損壓縮與有損壓縮，其中無損壓縮前后圖像信息沒有任何損失，對于有損壓縮，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。無損壓縮能夠為醫(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于醫(yī)學(xué)診斷是非常重要的，因此，無損壓縮能夠被廣泛地接受，但無損壓縮的壓縮比通常較低，現(xiàn)有的先進無損壓縮技術(shù)所提供的壓縮比僅僅在2∶1到4∶1之間，難以滿足圖像實際傳輸?shù)男枨?。有損壓縮通過一定信息的損失來提供較高的壓縮比，壓縮程度的提高將不可避免地給醫(yī)學(xué)圖像帶來一定程度的降質(zhì)。現(xiàn)有研究表明，若有損壓縮的壓縮比控制在10∶1與20∶1之間，圖像質(zhì)量的損失不會對醫(yī)學(xué)診斷產(chǎn)生明顯的影響［1］。需要指出的是，部分國家禁止對圖像進行有損壓縮，這種做法的初衷也是擔(dān)心有損壓縮所帶來的信息丟失會對醫(yī)學(xué)診斷帶來不利影響。另一方面，越來越多的醫(yī)學(xué)專業(yè)人士確信，未來的衛(wèi)生保健將通過遠程醫(yī)療實現(xiàn)［2］，在這種應(yīng)用條件下，無損壓縮將難以提供圖像傳輸所需的低碼率，而需要依靠有損壓縮實現(xiàn)圖像的實時傳輸。目前，醫(yī)學(xué)圖像有損壓縮技術(shù)已經(jīng)成為國內(nèi)外研究的熱點，其研究目標(biāo)是在給定碼率條件下盡可能提高圖像的重建質(zhì)量。本文主要關(guān)注醫(yī)學(xué)圖像的有損壓縮，對國內(nèi)外的相關(guān)研究進展進行總結(jié)，并對其發(fā)展前景進行展望。

2 研究進展

在遠程醫(yī)療等應(yīng)用條件下，無損壓縮較小的壓縮比難以滿足圖像實時傳輸?shù)男枨?，此時，需要借助于有損壓縮方法，以犧牲圖像部分信息換取實時傳輸所需的目標(biāo)碼率。在現(xiàn)有的醫(yī)學(xué)圖像有損壓縮方案中，基于變換的方法是最為有效的方法?，F(xiàn)有的變換方法主要包括離散余弦變換（discrete cosine transform， DCT）與離散小波變換（discrete wavelet transform， DWT）。早期的JPEG有損壓縮標(biāo)準(zhǔn)中采用了塊DCT去除圖像中的相關(guān)性，在壓縮比較大的情況下會出現(xiàn)嚴(yán)重的方塊效應(yīng)。因此，現(xiàn)有的醫(yī)學(xué)圖像壓縮算法中極少采用DCT。由于DWT具備多分辨分析的優(yōu)異性能，能夠有效刻畫圖像中的概貌和邊緣輪廓信息，在醫(yī)學(xué)圖像有損壓縮中獲得了廣泛應(yīng)用。選擇性圖像壓縮技術(shù)在遠程醫(yī)療或有大型存儲需求的醫(yī)學(xué)圖像應(yīng)用中展現(xiàn)出日益重要的地位，而基于感興趣區(qū)域（region of interest， ROI）的壓縮方法已成為一種重要的選擇性圖像壓縮技術(shù)，在已發(fā)表文獻中所占的比重較大。本文將從ROI編碼與非ROI編碼兩方面對醫(yī)學(xué)圖像有損壓縮研究進展進行綜述。

2.1 ROI編碼

基于ROI編碼的醫(yī)學(xué)圖像壓縮算法首先將圖像劃分成ROI和背景（backgroud， BG），其中ROI區(qū)域通常采用無損或者近無損壓縮，而BG區(qū)域通常進行較大程度的有損壓縮。Bruckmann比較了基于小波變換以及JPEG的有損壓縮在選擇性圖像壓縮技術(shù)中的表現(xiàn)［2］，利用這兩種算法對肺部CT圖像和含有兩個ROI的數(shù)字血管造影的圖像進行壓縮測試，實驗結(jié)果表明小波變換的選擇性壓縮性能優(yōu)于JPEG，更適合實現(xiàn)漸進性傳輸，是遠程醫(yī)療和醫(yī)療成像應(yīng)用的理想選擇。Sophia［3］研究了面向遠程醫(yī)療應(yīng)用下的醫(yī)學(xué)圖像ROI壓縮算法，圖像中的ROI部分采用游程編碼、Huffman編碼或者算術(shù)編碼進行無損壓縮，BG部分進行基于矢量量化的有損壓縮；針對MRI的測試結(jié)果表明，在ROI的重建質(zhì)量方面，該算法比塊編碼算法具有更大的優(yōu)勢。Schelkens［4］結(jié)合小波壓縮算法與多ROI通用協(xié)議來提高嵌入式碼流的可擴展性，利用嵌入式零樹小波（embedded zerotree wavelet， EZW）編碼來充分發(fā)揮小波變換優(yōu)秀的分解能力，并提出了遠程醫(yī)療應(yīng)用條件下交互式處理多個小波域ROI的有效協(xié)議。JPEG2000引入了DWT代替JPEG中的DCT，有效克服了JPEG固有的方塊效應(yīng)。此外，JPEG2000支持ROI編碼，并提供了兩種編碼方案：最大位移法和比例位移法。在JPEG2000提供的ROI編碼的基礎(chǔ)上，Tahoces［5］提出了一種選擇性系數(shù)掩膜位移編碼算法，對屬于不同子帶的小波系數(shù)進行位移來實現(xiàn)ROI編碼；該算法的優(yōu)點是實現(xiàn)多個任意形狀的ROI在不同優(yōu)先級上的編碼，并能靈活有效地控制和調(diào)整ROI和BG的壓縮質(zhì)量。

醫(yī)學(xué)圖像中的病變區(qū)域以及其它受感染的部位相對于整體圖像具有更為重要的診斷意義。Sridhar［6］提出醫(yī)學(xué)圖像的雙ROI編碼算法，其中病變區(qū)域被認(rèn)為是ROI，病變周圍（通常是易感染區(qū)域）為次要ROI，賦予兩個ROI不同級別的優(yōu)先權(quán)。針對MRI和CT的測試結(jié)果表明，該算法不僅能夠保證重要區(qū)域的重建質(zhì)量，同時也兼顧了次重要區(qū)域的重建質(zhì)量。Hu［7］提出了基于邊緣特征保護的多ROI醫(yī)學(xué)圖像壓縮算法，該算法使用Canny算子提取有用的圖像邊緣信息，然后將圖像分割成ROI和BG，結(jié)合JPEG2000對ROI進行無損壓縮，采用具有高壓縮比的多級樹集合分裂算法（set partitioning in hierarchical tree， SPIHT）對BG進行壓縮；針對MRI的實驗結(jié)果表明，與傳統(tǒng)的SPIHT算法相比，該算法不但能夠在較高壓縮比條件下獲得較好的ROI質(zhì)量，而且能夠有效解決邊緣的吉布斯效應(yīng)；同時，由于其良好的自適應(yīng)性和實用性，完全可以應(yīng)用于遠程醫(yī)學(xué)圖像的壓縮、存儲與傳輸。針對血管圖像，F(xiàn)iroozbakht［8］提出了一種基于上下文與多ROI編碼的壓縮算法，該算法將血管影像分為主要ROI（血管狹窄區(qū)域）、次要ROI（血管其它重要區(qū)域）和BG，其中主要ROI通常需要手動選取，而次要ROI由區(qū)域生長法自動檢測；在此基礎(chǔ)上采用基于區(qū)域的無損到有損的漸進壓縮算法實現(xiàn)上述多ROI的壓縮；針對外周動脈CT血管造影的測試結(jié)果表明，主要ROI無信息損失，次要ROI的信息損失能夠接受，該算法整體壓縮性能優(yōu)于JPEG2000，但需要圖像具備較高的分辨率和對比度。Bartrina-Rapesta［9］提出了基于分量優(yōu)先級的ROI編碼方法，引入ROI編碼方法用于確定多個ROI的優(yōu)先級，從而實現(xiàn)ROI從有損到無損的漸進壓縮，該算法利用最優(yōu)率失真技術(shù)，并結(jié)合一種簡單有效的ROI碼率分配策略，實現(xiàn)多ROI在不同優(yōu)先級上的編碼；通過對乳腺攝影圖像的測試表明該算法在很大程度上提高了多ROI編碼的能力。Kaura［10］提出一種面向遠程醫(yī)療的醫(yī)學(xué)圖像ROI壓縮算法，該算法將醫(yī)學(xué)圖像分成ROI和BG，采用分形算法對BG進行有損壓縮，對ROI進行基于上下文樹加權(quán)（context tree weighting， CTW）的無損壓縮；針對腦部MRI圖像的測試結(jié)果表明，相比傳統(tǒng)的整數(shù)小波變換（integer wavelet transform， IWT）和可擴展的ROI編碼，該算法展現(xiàn)了更好的壓縮性能和較低的復(fù)雜度。Hosseini［11］提出了基于上下文的矢量量化（contextual vector quantization， CVQ）算法來實現(xiàn)醫(yī)學(xué)超聲圖像的高保真壓縮，該算法采用區(qū)域生長法分離出圖像中的ROI與BG，然后利用所提出的CVQ方案對兩個部分分別進行壓縮，其中ROI的壓縮比特率較高，而BG的壓縮比特率較低。實驗結(jié)果表明，基于CVQ的壓縮性能優(yōu)于JPEG、JPEG 2000以及優(yōu)化截斷的嵌入式塊編碼（embedded block coding with optimized truncation， EBCOT）等算法。Rahmiati［12］提出了基于小波變換的醫(yī)學(xué)圖像分布式傳輸系統(tǒng)，系統(tǒng)結(jié)合了具有可伸縮重構(gòu)質(zhì)量的動態(tài)ROI編碼，其中醫(yī)學(xué)圖像傳輸方案采用小波變換技術(shù)和JPEG2000標(biāo)準(zhǔn)中的分層圖像表達結(jié)構(gòu)，從而能夠?qū)λ鶄鬏攬D像的特定區(qū)域進行精細化重建；實驗結(jié)果表明，與非分布式系統(tǒng)相比，分布式系統(tǒng)的圖像處理時間更短，并具備良好的壓縮性能。Doukas［13］針對基于ROI的醫(yī)學(xué)圖像壓縮方法進行了系統(tǒng)闡述，具體包括二維醫(yī)學(xué)圖像中的ROI編碼、三維體數(shù)據(jù)的ROI編碼以及血管造影視頻圖像序列的ROI編碼。目前，諸多醫(yī)學(xué)應(yīng)用已經(jīng)集成到移動設(shè)備中，例如醫(yī)務(wù)人員會利用平板電腦或者掌上電腦檢索和檢查病人數(shù)據(jù)以及醫(yī)學(xué)圖像信息，為了克服移動設(shè)備內(nèi)存不足以及處理能力有限的問題，Doukas［14］提出了針對移動設(shè)備的醫(yī)學(xué)圖像壓縮方案，該方案使用基于小波變換的壓縮算法，并支持ROI編碼，使得用戶能夠在移動設(shè)備上查看所需的區(qū)域，并能夠以較高的質(zhì)量對其進行檢索。

對于立體的醫(yī)學(xué)圖像，通常采用多維小波變換去除圖像中各個方向上的相關(guān)性。Agrafiotis［15］對3D SPIHT算法進行了擴展，使之能夠?qū)崿F(xiàn)三維的ROI編碼；通過對CT和MRI的實驗結(jié)果表明所提出的算法能夠?qū)崿F(xiàn)ROI的快速重建，并可以顯著提高ROI的重建質(zhì)量。Wang［16］提出利用非平衡三維樹結(jié)構(gòu)實現(xiàn)醫(yī)學(xué)圖像的三維ROI編碼，并能夠?qū)崿F(xiàn)多ROI與多質(zhì)量控制；針對MRI與CT的實驗結(jié)果表明，所提出的算法性能優(yōu)于3D SPIHT。面向交互式遠程醫(yī)療應(yīng)用，結(jié)合最優(yōu)感興趣體數(shù)據(jù)（xolume of interest， VOI）編碼，Sanchez［17］提出了一種改進的醫(yī)學(xué)圖像三維可伸縮壓縮算法，該算法采用三維整數(shù)小波變換去除相關(guān)性，并對EBCOT算法進行了改進，利用三維上下文來創(chuàng)建一個可擴展的比特流，通過對編碼后的輸出碼流重新排列來實現(xiàn)最優(yōu)的VOI編碼，這使得VOI能夠最先以較高的質(zhì)量進行解碼。針對MRI和CT的實驗結(jié)果表明，與3D JPEG2000（VOI）、最大位移法以及比例位移法等相比，該算法能夠獲得更高的重建質(zhì)量。Sanchez［18］提出了基于多個三維ROI的醫(yī)學(xué)圖像有損壓縮算法，與已有的ROI算法相比，所提出的算法具有兩方面的優(yōu)點：首先是允許多個三維ROI；此外，聯(lián)合信源信道編碼能夠使得多個三維ROI在無線傳輸?shù)沫h(huán)境下獲得較高的傳輸優(yōu)先級；通過對CT和MRI的實驗結(jié)果表明，該算法不但能夠獲得較高的ROI重建質(zhì)量，而且具備了較高的抗誤碼性能。Nguyen［19］針對四維醫(yī)學(xué)圖像提出了一種采用分層矢量量化和運動補償?shù)母咝嚎s算法，該算法使用三維運動估計來創(chuàng)建均勻的預(yù)處理數(shù)據(jù)，采用基于分層矢量量化的三維壓縮算法對預(yù)處理數(shù)據(jù)進行壓縮；對典型四維醫(yī)學(xué)圖像的實驗結(jié)果表明，該算法能夠獲得較好的壓縮質(zhì)量和較低的復(fù)雜度。

在國內(nèi)研究進展方面，侯阿臨等［20］提出了一種基于EBCOT的ROI醫(yī)學(xué)圖像多描述編碼方法，該方法既利用了EBCOT支持空間分辨率的分級和ROI的隨機訪問功能，又利用多描述編碼（multiple descriptions coding， MDC）的傳輸方式避免了EBCOT算法的抗網(wǎng)絡(luò)丟失性能較差的特點，在誤碼多發(fā)環(huán)境下增強了傳輸?shù)聂敯粜?。許向陽等［21］提出了一種基于SPIHT算法的感興趣區(qū)域編碼方法，通過附加ROI掩膜信息，無需提升小波系數(shù)，使得ROI優(yōu)先于其他區(qū)域編碼和傳輸。由于基于小波變換的SPIHT算法不能有效表示圖像的紋理和輪廓信息，因此，湯敏等［22］提出一種基于Contourlet變換和SPIHT算法的彩色圖像壓縮方法，并應(yīng)用于醫(yī)學(xué)圖像ROI的壓縮，首先對ROI采用Contourlet變換提取特征信息，然后利用SPIHT算法對Contourlet系數(shù)優(yōu)先編碼和傳輸，從而保證ROI的圖像質(zhì)量和細節(jié)信息；對背景區(qū)域則采用小波變換，并通過系數(shù)截斷的方法提高壓縮比；實驗結(jié)果表明，與基于小波變換的ROI壓縮算法相比，該算法能夠更好地保護ROI的特征。陳秀梅等［23］提出了一種基于Curvelet變換和SPIHT算法的ROI壓縮方法，首先對圖像ROI進行提取，保留ROI不壓縮，而對背景區(qū)域進行Curvelet變換，采用SPIHT算法對Curvelet變換后的系數(shù)進行編碼，然后進行Curvelet逆變換得到有損壓縮后的圖像；最后將ROI區(qū)域與背景區(qū)域疊加；實驗結(jié)果表明，該算法的壓縮性能優(yōu)于基于小波的ROI壓縮算法?？紫楹５龋?4］將壓縮感知的思想應(yīng)用于醫(yī)學(xué)圖像壓縮，在正交匹配追蹤算法的基礎(chǔ)上，提出分塊雙閾值正交匹配追蹤算法，采取分塊處理并且引入了采樣閾值和判斷閾值；實驗結(jié)果表明該算法能夠以較低的采樣率獲得較高的重構(gòu)質(zhì)量。王超等［25］采用自適應(yīng)多點區(qū)域生長算法解決了醫(yī)學(xué)圖像ROI的自動分割的問題，并基于JPEG2000壓縮算法對ROI與非ROI分別進行近無損與有損壓縮；該算法優(yōu)化了區(qū)域輪廓的檢測，增強了對圖像噪聲的抑制，不僅保證了ROI的壓縮質(zhì)量，而且滿足了醫(yī)學(xué)圖像傳輸?shù)母邏嚎s率需求，適合無線醫(yī)療的應(yīng)用。

2.2 非ROI編碼

Sridhar［26］將基于整數(shù)DCT的SPIHT算法與上下文自適應(yīng)可變長度編碼（context adaptive variable length coding， CAVLC）相結(jié)合來編碼醫(yī)學(xué)圖像的重要系數(shù)，然后僅僅傳輸這些重要系數(shù)來代替?zhèn)鬏斦麄€圖像數(shù)據(jù)，從而達到壓縮的效果；針對MRI 和CT的實驗結(jié)果表明，其壓縮性能優(yōu)于JPEG和JPEG2000。在卷曲DCT（Warped DCT， WDCT）的基礎(chǔ)上，Prabhua［27］提出了三維卷曲DCT（3D Warped DCT， 3D WDCT），在此基礎(chǔ)上給出了完整的醫(yī)學(xué)圖像壓縮方案；針對MRI的測試結(jié)果表明，在較高碼率條件下，基于3D WDCT的壓縮方案能夠取得優(yōu)于其它類似3D DCT的壓縮性能。Bhavani比較了幾種分形編碼算法在MRI壓縮上的性能，包括分形編碼標(biāo)準(zhǔn)、準(zhǔn)無損分形編碼和改進的準(zhǔn)無損分形編碼［28］；在此基礎(chǔ)上提出了一種新穎的準(zhǔn)無損分形壓縮算法，該算法能夠有效保留圖像中的重要特征，利用機器學(xué)習(xí)的方法降低算法的編碼時間并提高壓縮性能；通過對MRI圖像的測試結(jié)果表明該算法的壓縮性能優(yōu)于標(biāo)準(zhǔn)的分形編碼算法。Juliet［29］提出一種基于Ripplet變換的醫(yī)學(xué)圖像壓縮算法，該算法引入具有各向異性能力的Ripplet變換來表征任意形狀曲線上的奇點，并采用SPIHT算法對其重要系數(shù)進行編碼；針對MRI和CT的實驗結(jié)果表明，該算法的壓縮性能優(yōu)于JPEG、DCT、Haar、Contourlet以及Curvelet等基于變換的壓縮算法。此外，Juliet［30］還提出利用稀疏表示探索圖像結(jié)構(gòu)的幾何規(guī)律，并在此基礎(chǔ)上提出了醫(yī)學(xué)圖像壓縮算法，其中幾何流表示圖像灰度級呈規(guī)律變化的方向，通過Bandelet變換進一步改進圖像沿著幾何流的方向分解，其中Bandelet系數(shù)采用SPIHT算法進行編碼，然后再進行結(jié)合固定編碼的全局閾值化處理；針對MRI和CT的測試結(jié)果表明，所提出算法的壓縮性能明顯優(yōu)于其它類型的SPIHT算法。Juliet［31］提出一種基于投影的醫(yī)學(xué)圖像壓縮算法，利用離散Randon變換（discrete radon transform， DRT）來有效表示圖像的方向信息，采用SPIHT對Randon變換系數(shù)進行編碼；針對MRI和CT的測試結(jié)果表明，該算法的壓縮性能優(yōu)于其它類型的SPIHT算法。Selvi［32］提出一種針對四維fMRI的快速壓縮方法，該方法利用了數(shù)據(jù)重組、Contourlet變換以及改進的二進陣列技術(shù)；針對fMRI的測試結(jié)果表明，算法的性能優(yōu)于SPIHT或者SPECK，并且具有較低的復(fù)雜度。

近年來，一些研究小組致力于超聲醫(yī)學(xué)圖像壓縮采樣（compressive sampling， CS）的可行性研究。Basarab［33］提出了一種基于壓縮采樣和lp范數(shù)最小化的超聲圖像重建方法；針對超聲圖像的實驗結(jié)果表明，該算法的重建圖像質(zhì)量明顯優(yōu)于空域中的圖像重建質(zhì)量。Imen［34］提出了一種結(jié)合掩膜運動檢測算法，并將該算法與Waaves自適應(yīng)壓縮算法以及JPEG2000相結(jié)合，進而創(chuàng)建MMWaaves （Motion Mask Waaves）編碼器和MMJPEG2000 （Motion Mask JPEG2000）；與Waaves相比，MMwaaves 在CT和MRI上分別實現(xiàn)了高達40%和50%的壓縮增益；此外，MMwaaves可以獲得比MMJPEG2000更優(yōu)越的壓縮性能。

3 質(zhì)量評價

圖像壓縮的質(zhì)量評價主要包括主觀質(zhì)量評價和客觀質(zhì)量評價兩部分，其中主觀質(zhì)量評價主要是采取人眼視覺感知圖像信息的損失，并據(jù)此給圖像質(zhì)量進行打分；而客觀質(zhì)量評價主要是采用一系列客觀評價指標(biāo)對圖像進行評價。醫(yī)學(xué)圖像的有損壓縮存在一定的圖像信息損失，因此，有損壓縮的質(zhì)量評價涵蓋了主觀和客觀評價兩方面，這里重點介紹一下客觀質(zhì)量評價方法。常用的客觀評價指標(biāo)主要包括：均方誤差（mean square error， MSE）、峰值信噪比（peak signal-to-noise ratio，PSNR）、信噪比（signal-to-noise ratio， SNR）與結(jié)構(gòu)相似性（structural similarity， SSIM）。若圖像大小為M×N，f（x， y）表示原始圖像，g（x， y）表示解碼重建圖像，則MSE的表達式為：

PSNR的表達式為：

其中R為原始圖像的動態(tài)范圍。對于一個r比特的圖像，R=2r-1。SNR的表達式為：

其中Pf為原始圖像的均方值，其表達式為：

MSE、PSNR以及SNR都是評價重建圖像質(zhì)量損失情況的常用指標(biāo)，其中MSE越小，PSNR和SNR就越大，此時表明重建圖像的信息損失越??；反之表明信息損失越大。SSIM主要用于衡量重建圖像與原始圖像之間的相似性，其表達式為［35］：

其中

SSIM的值在0～1之間。重建圖像與原始圖像越相似，SSIM的值越接近1，若兩者完全相同（即無損），此時SSIM=1。需要指出的是，非負參數(shù)都是非常小的常數(shù)，設(shè)置它們的目的是為了防止分母非常小的時候出現(xiàn)數(shù)值膨脹。對于醫(yī)學(xué)圖像壓縮而言，這些參數(shù)的選取都是開放式的，通常來講，它們的取值越小，SSIM對圖像中小的紋理（例如噪聲等）就會越敏感。

除了以上常用的客觀評價指標(biāo)外，Shah［36］提出一種基于Haar小波變換的ROI壓縮方法的性能分析：包括平均差異（average difference， AD）、結(jié)構(gòu)內(nèi)容（structural content， SC）、歸一化互相關(guān)（normalized cross-correlation， NCC）、最大偏差（maximum difference， MD）、歸一化絕對誤差（normalized absolute error， NAE）以及拉普拉斯均方誤差（laplacian mean squared error， LMSE），各評價指標(biāo)的具體含義如下：

AD主要衡量原始圖像與重建圖像的平均差異，其表達式為：

SC主要衡量原始圖像與重建圖像的相似性，其表達式為：

NCC主要衡量原始圖像與重建圖像的相似性，其表達式為：

MD反映了原始圖像與重建圖像的最大差異情況，其表達式為：

NAE反映了重建圖像的質(zhì)量水平，其表達式為：

LMSE反映了原始圖像與重建圖像的局部對比度，其表達式為：

其中

LMSE是評價圖像局部對比度的基礎(chǔ)方法，該方法基于邊緣檢測的重要性，LMSE的值越大代表圖像質(zhì)量越差。Kocsis［37］給出了一系列質(zhì)量評價指標(biāo)，例如JPEG壓縮中常用的質(zhì)量指數(shù)、輸入輸出灰度級隨壓縮比的差異、圖像中噪聲方差隨壓縮比的變化以及檢測對象的直徑隨壓縮比的變換等。此外，醫(yī)學(xué)圖像的質(zhì)量評價通常還可以利用圖像的后續(xù)應(yīng)用性能來進行評價。例如在面向醫(yī)學(xué)圖像分類的應(yīng)用中，分類性能可以作為一個有效的客觀評價手段。對于一個面向醫(yī)學(xué)診斷的分類器而言，受試者工作特性（receiver operating characteristic， ROC）曲線是一個評價分類器性能的常用工具，它能夠刻畫真陽性（true positives， TP）和假陽性（false positives， FP）之間的關(guān)系。為了方便比較ROC曲線，ROC曲線下面積（area under ROC curves， AUC）被用于定量衡量分類方法的性能，AUC越接近1，分類性能越好。

目前，醫(yī)學(xué)圖像壓縮質(zhì)量評價也已成為一個重要的研究。除了一系列客觀評價指標(biāo)外，面向特定后續(xù)應(yīng)用的質(zhì)量評價方法也成為一個重要的方向，同時，其評價結(jié)果又能夠?qū)D像壓縮方法的改進起到一定的指導(dǎo)作用。因此，醫(yī)學(xué)圖像壓縮與質(zhì)量評價之間是相輔相成、相互促進的關(guān)系。

4 發(fā)展趨勢

從以上關(guān)于醫(yī)學(xué)圖像有損壓縮研究進展的介紹可以看出，基于ROI的壓縮方法受到了廣泛關(guān)注，在目前已發(fā)表的文獻中占較大的比重。引入ROI編碼的目的是在有限的傳輸帶寬條件下盡可能保護對后續(xù)醫(yī)學(xué)診斷有用的部分信息。基于變換的方法在醫(yī)學(xué)圖像壓縮中獲得了廣泛的應(yīng)用，目前應(yīng)用較多的變換方法仍然是DWT。采用或者設(shè)計更為先進的變換方法，有望能夠進一步提高壓縮性能。

在醫(yī)學(xué)圖像壓縮算法的設(shè)計中，為了降低醫(yī)學(xué)壓縮系統(tǒng)的實現(xiàn)難度，通常要求算法具有較低的編解碼復(fù)雜度，因此，編解碼復(fù)雜度也是評價壓縮算法性能的一個重要因素。此外，由于傳輸信道噪聲的影響，碼流數(shù)據(jù)在傳輸過程中極易發(fā)生誤碼，而現(xiàn)有的醫(yī)學(xué)圖像壓縮算法本身并不具備抗任何誤碼的能力，碼流中一個比特的錯誤就有可能造成整個碼流的解碼錯誤［38］。雖然信道編碼在一定程度上能夠提高碼流的抗誤碼能力，但這種抗誤碼能力的提高是以降低壓縮的有效性為前提。因此，可以考慮從壓縮算法本身入手提高抗誤碼性能，例如分布式信源編碼技術(shù)就能夠顯著提高壓縮算法本身的抗誤碼能力。

［References］

［1］Wu D， Tan DM， Baird M， et al. Perceptually lossless medical image coding. IEEE Transactions on Medical Imaging， 2006，25（3）: 335-344.

［2］Bruckmann A， Uhl A. Selective medical image compression techniques for telemedical and archiving applications. Computers in Biology and Medicine， 2000， 30（3）: 153-169.

［3］Sophia PE， Anitha J. Implementation of region based medical image compression for telemedicine application. Proceedings of the International Conference on Computational Intelligence and Computing Research， Coimbatore， India， 2014: 1-4.

［4］Schelkens P， Munteanu A， Cornelis J. Wavelet-based compression of medical images: protocols to improve resolution and quality scalability and region-of-interest coding. Future Generation Computer Systems， 1999， 15（2）: 171-184.

［5］Tahoces PG， Varela JR， Lado MJ， et al. Image compression: maxshift ROI encoding options in JPEG2000. Computer Vision and Image Understanding， 2008， 109（2）: 139-145.

［6］Sridhar KV. Implementation of prioritised ROI coding for medical image archiving using JPEG2000. Proceedings of the International Conference on Signals and Electronic Systems，Krakow， Poland， 2008: 239-242.

［7］Hu M， Zhang C， Lu J， et al. A multi-ROIs medical image compression algorithm with edge feature preserving. Proceedings of the International Conference on Intelligent System and Knowledge Engineering， Xiamen， China， 2008: 1075-1080.

［8］Firoozbakht M， Dehmeshki J， Martini M， et al. Compression of digital medical images based on multiple regions of interest. Proceedings of the International Conference on Digital Society，St. Maarten， Holland， 2010: 260-263.

［9］Bartrina-Rapesta J， Serra-Sagristà J， Aulí-Llinàs F. JPEG2000 ROI coding through component priority for digital mammography. Computer Vision and Image Understanding，2011， 115（1）: 59-68.

［10］Kaur M， Wasson V. ROI based medical image compression for telemedicine application. Proceedings of the International Conference on Eco-friendly Computing and Communication Systems， Kurukshetra， Haryana， 2015: 579-585.

［11］Hosseini SM， Naghsh-Nilchi AR. Medical ultrasound image compression using contextual vector quantization. Computers in Biology and Medicine， 2012， 42（7）: 743-750.

［12］Rahmiati P， Fajri A， Handayani A， et al. Distributed system for medical image transfer using wavelet-based dynamic ROI coding. Proceedings of the International Workshop on Enterprise networking and Computing in Healthcare Industry，Busan， Korea， 2005: 191-196.

［13］Doukas C， Maglogiannis I. Region of interest coding techniques for medical image compression. IEEE Engineering in Medicine and Biology Magazine， 2007， 26（5）: 29-35.

［14］Doukas CN， Maglogiannis I， Kormentzas G. Medical image compression using wavelet transform on mobile devices with ROI coding support. Proceedings of the IEEE Engineering in Medicine and Biology， Shanghai， China， 2005: 3779-3784.

［15］Agrafiotis D， Bull DR， Canagarajah N. Region of interest coding of volumetric medical images. Proceedings of the International Symposium on Image and Signal Processing and Analysis， 2003， 3: 217-220.

［16］Wang K， Cuhadar A. Unbalanced 3-D tree structure for regionbased coding of volumetric medical images. Proceedings of the International Conference on Engineering in Medicine and Biology Society， New York， USA， 2006: 3286-3289.

［17］Sanchez V， Abugharbieh R， Nasiopoulos P. 3-D scalable medical image compression with optimized volume of interest coding. IEEE Transactions on Medical Imaging， 2010， 29（10）: 1808-1820.

［18］Sanchez V. Joint source/channel coding for prioritized wireless transmission of multiple 3-D regions of interest in 3-D medical imaging data. IEEE Transactions on Biomedical Engineering，2013， 60（2）: 397-405.

［19］Nguyen BP， Chui CK， Ong SH， et al. An efficient compression scheme for 4-D medical images using hierarchical vector quantization and motion compensation. Computers in Biology and Medicine， 2011， 41（9）: 843-856.

［20］Hou AL， Zhang LH， Xu K. Study on multiple description coding for ROI medical image based on EBCOT.Video Engineering， 2008， 32（S1）: 37-47.

侯阿臨， 張利紅， 徐坤. 基于EBCOT的ROI醫(yī)學(xué)圖像多描述編碼方法研究. 電視技術(shù)， 2008， 32（S1）: 37-47.

［21］Xu XY， Ding T， Song EM. Region of interest image coding based on SPIHT. Computer Engineering and Design， 2007，28（21）: 5144-5146.

許向陽， 丁濤， 宋恩民. 基于SPIHT的感興趣區(qū)域編碼. 計算機工程與設(shè)計， 2007， 28（21）: 5144-5146.

［22］Tang M， Chen XM， Chen F. Colorful medical image compression based on contourlet transform and SPIHT algorithm. Computer Science， 2014， 41（1）: 303-306.

湯敏， 陳秀梅， 陳峰. 基于Contourlet變換和SPIHT算法的彩色醫(yī)學(xué)圖像壓縮. 計算機科學(xué)， 2014， 41（1）: 303-306.

［23］Chen XM， Wang W， Tang M. Medical images compression for region of interest based on curvelet transform and SPIHT algorithm. Chin J Med Imaging， 2014， 22（10）: 786-792.

陳秀梅， 王偉， 湯敏. 基于Curvelet變換和SPIHT算法的醫(yī)學(xué)圖像感興趣區(qū)壓縮. 中國醫(yī)學(xué)影像學(xué)雜志， 2014， 22（10）: 786-792.

［24］Kong XH， Zhang Y， Liang YM. Research on a new method of madical image sampling based on compressed sensing. Journal of Optoelectronics·Laser， 2014， 25（8）: 1635-1640.

孔祥海， 張媛， 梁艷梅. 基于壓縮感知的醫(yī)學(xué)圖像采樣新方法研究. 光電子·激光， 2014， 25（8）: 1635-1640.

［25］Wang C， Wang H， Wang W， et al. Study of optimized ROI based medical image segmentation and compression method. Journal of Chongqing University of Posts and Telecommunications， 2015， 27（2）: 279-284.

王超， 王浩， 王偉， 等. 基于優(yōu)化ROI的醫(yī)學(xué)圖像分割與壓縮方法研究. 重慶郵電大學(xué)學(xué)報， 2015， 27（2）: 279-284.

［26］Sridhar KV， Prasad KSRK. Medical image compression using advanced coding technique. Proceedings of the International Conference on Signal Processing， Beijing， China， 2008: 2142-2145.

［27］Prabhu KMM， Sridhar K， Mischi M， et al. 3-D warped discrete cosine transform for MRI image compression. Biomedical Signal Processing and Control， 2013， 8（1）: 50-58.

［28］Bhavani S， Thanushkodi KG. Comparison of fractal coding methods for medical image compression. IET Image Processing，2013， 7（7）: 686-693.

［29］Juliet S， Rajsingh EB， Ezra K. A novel medical image compression using Ripplet transform. Journal of Real-Time Image Processing， 2013， 11（2）: 401-412.

［30］Juliet S， Rajsingh EB， Ezra K. A novel image compression method for medical images using geometrical regularity of image structure. Signal， Image and Video Processing， 2015， 9（7）: 1691-1703.

［31］Juliet S， Rajsingh EB， Ezra K. Projection-based medical image compression for telemedicine applications. Journal of Digital Imaging， 2015， 28（2）: 146-159.

［32］Selvi GUV， Nadarajan R. A rapid compression technique for 4-D functional MRI images using data rearrangement and modified binary array techniques. Australasian Physical ＆ Engineering Sciences in Medicine， 2015， 38（4）: 731-742.

［33］Basarab A， Achim A， Kouamé D. Medical ultrasound image reconstruction using compressive sampling and norm minimization. Proceedings of SPIE， 2014， 9040. DOI: 10.1117/12.2042991.

［34］Imen M， Fayez K， Khalil H， et al. Mask motion adaptive medical image coding. Proceedings of IEEE-EMBS International Conference on Biomedical and Health Informatics，Valencia， Spain， 2014: 408-411.

［35］Kowalik-Urbaniaka I， Bruneta D， Wang JH， et al. The quest for “diagnostically lossless” medical imagecompression: a comparative study of objective qualitymetrics for compressed medical images. Proceedings of SPIE， 2014， 9037: 1-16.

［36］Shah RR， Sharma P. Performance analysis of region of interest based compression method for medical images. Proceedings of the International Conference on Advanced Computing ＆ Communication Technologies， Rohtak， India， 2014: 53-58.

［37］Kocsis O， Costaridou L， Mandellos G， et al. Compression assessment based on medical image qualityconcepts using computer-generated test images. Computer Methods and Programs in Biomedicine， 2003， 71（2）: 105-115.

［38］Liu Y， Cui HR， Nian YJ， et al. Research progress on lossless compression technology for medical images. Chin J Magn Reson Imaging， 2016， 7（2）: 149-155.

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

Research progress on lossy compression techniques for medical images

LIU Yu1， WANG Qian-nan2， NIAN Yong-jian3*， QIU Ming-guo3

18 Feb 2016， Accepted 11 Apr 2016

Medical imaging has been the important basis for the medical diagnosis and treatment. With the resolution of medical imaging devices， the data amount of acquired medical images increases consistently， which creates heavy burden for image storage and transmission and seriously restricts the following application of medical images. The manner of lossy compression can realize the high degree compression for medical images under the constraint of certain image quality， which has been the research focus both at home and abroad. In this paper， the research progress on lossy compression for medical images is summarized， and the basic methods of quality evaluation under the condition of lossy compression are described. Finally， the development trend of lossy compression for medical images is expected.

Medical image； Magnetic resonance imaging； Lossy compression；Region of interest； Quality evaluation

1. 第三軍醫(yī)大學(xué)學(xué)員十九營四排二班，重慶 400038

2. 第三軍醫(yī)大學(xué)學(xué)員十九營五排一班，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

粘永健，E-mail：yjnian@126.com

2016-02-18

R445.2；TP391

A

10.12015/issn.1674-8034.2016.06.015