یک روش مبتنی بر شبکه عصبی عمیق بهینه شده با الگوریتم هافمن و الگوریتم¬های فرا ابتکاری برای فشرده¬سازی و بازسازی تصویر پزشکی

الموضوعات :

محمد حسین خلیفه ¹ ( گروه مهندسی برق، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران )
مهدی تقی زاده ² ( هیات علمی )
محمدمهدی قنبریان ³ ( کارشناس ارشد - دانشگاه آزاد اسلامی، واحد کازرون )
جاسم جمالی ⁴ ( دانشگاه آزاد کازرون )

تاريخ الإرسال : 22 الخميس , جمادى الثانية, 1445 تاريخ التأكيد : 15 السبت , رجب, 1445 تاريخ الإصدار : 27 الخميس , رجب, 1445

الکلمات المفتاحية: فشرده¬سازی تصویر, بازسازی تصویر, شبکه عصبی عمیق, رمزنگاری هافمن, الگوریتم¬های فرا ابتکاری گرگ خاکستری ,

ملخص المقالة :

این تحقیق از دو رویکرد مختلف برای فشرده‌سازی عکس‌های پزشکی برای اهداف بلندمدت استفاده می‌کند. در روش اول، تصاویر با استفاده از رمز هافمن فشرده شده و سپس با استفاده از مدل‌سازی سلسله مراتبی بر اساس طبقه‌بندی طراحی شده توسط شبکه عصبی ساده‌سازی می‌شوند. در روش دوم از یک استراتژی پیش‌بینی مبتنی بر آموزش شبکه عصبی عمیق استفاده شده است. این روش از یک شبکه عصبی آموزش‌دیده برای استنتاج مکان‌های پیکسل‌های منفرد استفاده می‌کند و از این رو، مقدار داده‌های مورد نیاز برای توصیف یک تصویر را کاهش می‌دهد. رمزگذاری فشرده¬سازی هافمن روی داده¬های باقی¬مانده استفاده می¬شود. یک روش فیلتر فضایی پیشرفته برای رمزگشایی داده‌های تصویر استفاده می‌شود و سپس الگوریتم‌های فراابتکاری بهینه‌سازی اسب وحشی و بهینه‌سازی گرگ خاکستری برای تولید یک تصویر بازسازی‌شده استفاده می‌شوند. رویکردهای پیشنهادی امکان ساده‌سازی تصویر را فراهم می‌کنند که منجر به رمزگشایی سریع‌تر شده است. مدولاسیون شاخص تشابه ساختاری، زمان و نسبت سیگنال به نویز پیک به ترتیب به طور متوسط 2، 1/30 و 15/15 درصد نسبت به سایر روش¬ها بهبود یافته است. الگوریتم‌های پیشنهادی می‌توانند عکس‌های پزشکی را با کیفیت بسیار بالایی در مقایسه با روش‌های مبتنی بر یادگیری عمیق فعلی فشرده کنند.

المصادر:

[1] M.-A. Moreno-Ibarra, Y. Villuendas-Rey, M. D. Lytras, C. Yáñez-Márquez, and J.-C. Salgado-Ramírez, "Classification of diseases
using machine learning algorithms: A comparative study," Mathematics, vol. 9, p. 1817, 2021. [2] H. P. Chan, L. M. Hadjiiski, and R. K. Samala, "Computer‐aided diagnosis in the era of deep learning," Medical physics, vol. 47, pp. e218-e227, 2020
[3] W. Mbarki, M. Bouchouicha, S. Frizzi, F. Tshibasu, L. B. Farhat, and M. Sayadi, "Lumbar spine discs classification based on deep
convolutional neural networks using axial view MRI," Interdisciplinary Neurosurgery, vol. 22, p. 100837, 2020.
[4] J. Martinez-Mas, A. Bueno-Crespo, R. Martinez-Espana, M. Remezal-Solano, A. Ortiz-Gonzalez, S. Ortiz-Reina, et al., "Classifying Papanicolaou cervical smears through a cell merger approach by deep learning technique," Expert Systems with Applications, vol. 160, p. 113707, 2020.
[5] H. Zhou, K. Wang, and J. Tian, "Online transfer learning for differential diagnosis of benign and malignant thyroid nodules with
ultrasound images," IEEE Transactions on Biomedical Engineering, vol. 67, pp. 2773-2780, 2020. [6] F. Liu, M. Hernandez-Cabronero, V. Sanchez, M. W. Marcellin, and A. Bilgin, "The current role of image compression standards in
medical imaging," Information, vol. 8, p. 131, 2017. [7] J. Huang, S. Zhang, and D. Metaxas, "Efficient MR image reconstruction for compressed MR imaging," Medical Image Analysis,
vol. 15, pp. 670-679, 2011. [8] J. C. Salgado-Ramírez, J. M. Vianney Kinani, E. A. Cendejas-Castro, A. J. Rosales-Silva, E. Ramos-Díaz, and J. L. Díaz-de-Léon-
Santiago, "New model of heteroasociative min memory robust to acquisition noise," Mathematics, vol. 10, p. 148, 2022. [9] A. Benou, R. Veksler, A. Friedman, and T. R. Raviv, "Ensemble of expert deep neural networks for spatio-temporal denoising of
contrast-enhanced MRI sequences," Medical image analysis, vol. 42, pp. 145-159, 2017. [10] K.-H. Thung, P.-T. Yap, E. Adeli, S.-W. Lee, D. Shen, and A. s. D. N. Initiative, "Conversion and time-to-conversion predictions of mild cognitive impairment using low-rank affinity pursuit denoising and matrix completion," Medical image analysis, vol. 45, pp. 68-
82, 2018. [11] E. Agustsson, M. Tschannen, F. Mentzer, R. Timofte, and L. V. Gool, "Generative adversarial networks for extreme learned image
compression," in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019, pp. 221-231. [12] M. Li, W. Zuo, S. Gu, D. Zhao, and D. Zhang, "Learning convolutional networks for content-weighted image compression," in
Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 3214-3223. [13] N. Johnston, D. Vincent, D. Minnen, M. Covell, S. Singh, T. Chinen, et al., "Improved lossy image compression with priming and spatially adaptive bit rates for recurrent networks," in Proceedings of the IEEE conference on computer vision and pattern
recognition, 2018, pp. 4385-4393. [14]
S. Santurkar, D. Budden, and N. Shavit, "Generative compression," in 2018 Picture Coding Symposium (PCS), 2018, pp. 258-262. [15] E. Agustsson, M. Tschannen, F. Mentzer, R. Timofte, and L. V. Gool, "Generative adversarial networks for extreme learned image
compression," in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019, pp. 221-231. [16] S. M. Belgaonkar and V. Singh, "Image compression and reconstruction in compressive sensing paradigm," Global Transitions
Proceedings, vol. 3, pp. 220-224, 2022. [17] Y. Pourasad and F. Cavallaro, "A novel image processing approach to enhancement and compression of X-ray images,"
International Journal of Environmental Research and Public Health, vol. 18, p. 6724, 2021. [18] J. Luo, J. Wu, S. Zhao, L. Wang, and T. Xu, "Lossless compression for hyperspectral image using deep recurrent neural networks,"
International Journal of Machine Learning and Cybernetics, vol. 10, pp. 2619-2629, 2019. [19] H. Zhang, F. Cricri, H. R. Tavakoli, N. Zou, E. Aksu, and M. M. Hannuksela, "Lossless image compression using a multi-scale
progressive statistical model," in Proceedings of the Asian Conference on Computer Vision, 2020. [20] D. Mishra, S. K. Singh, and R. K. Singh, "Lossy medical image compression using residual learning-based dual autoencoder model," in 2020 IEEE 7th Uttar Pradesh section international conference on electrical, electronics and computer engineering (UPCON),
2020, pp. 1-5. [21] J. Azar, A. Makhoul, R. Couturier, and J. Demerjian, "Robust IoT time series classification with data compression and deep
learning," Neurocomputing, vol. 398, pp. 222-234, 2020. [22] Z. Cheng, H. Sun, M. Takeuchi, and J. Katto, "Learned lossless image compression with a hyperprior and discretized gaussian mixture likelihoods," in ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2020, pp.
2158-2162. [23] Z. Ma, H. Zhu, Z. He, Y. Lu, and F. Song, "Deep Lossless Compression Algorithm Based on Arithmetic Coding for Power Data,"
Sensors, vol. 22, p. 5331, 2022. [24] H. Fu, F. Liang, B. Lei, N. Bian, Q. Zhang, M. Akbari, et al., "Improved hybrid layered image compression using deep learning and
traditional codecs," Signal Processing: Image Communication, vol. 82, p. 115774, 2020. [25] H. Rhee, Y. I. Jang, S. Kim, and N. I. Cho, "Lossless image compression by joint prediction of pixel and context using duplex
neural networks," IEEE Access, vol. 9, pp. 86632-86645, 2021. [26] T. Malach, S. Greenberg, and M. Haiut, "Hardware-based real-time deep neural network lossless weights compression," IEEE
Access, vol. 8, pp. 205051-205060, 2020. [27] O. H. Nagoor, J. Whittle, J. Deng, B. Mora, and M. W. Jones, "Lossless compression for volumetric medical images using deep
neural network with local sampling," in 2020 IEEE International Conference on Image Processing (ICIP), 2020, pp. 2815-2819. [28] G. Xin and P. Fan, "A lossless compression method for multi-component medical images based on big data mining," Scientific
Reports, vol. 11, p. 12372, 2021. [29] A. Nasif, Z. A. Othman, and N. S. Sani, "The deep learning solutions on lossless compression methods for alleviating data load
on IoT nodes in smart cities," Sensors, vol. 21, p. 4223, 2021. [30] O. H. Nagoor, J. Whittle, J. Deng, B. Mora, and M. W. Jones, "Sampling strategies for learning-based 3D medical image
compression," Machine Learning with Applications, vol. 8, p. 100273, 2022. [31] S. Mirjalili, S. M. Mirjalili, A. Lewis, and G. W. Optimizer, "Advances in engineering software," Renewable and Sustainable Energy
Reviews, vol. 69, pp. 46-61, 2014. [32] I. Naruei and F. Keynia, "Wild horse optimizer: A new meta-heuristic algorithm for solving engineering optimization problems,"
Engineering with computers, vol. 38, pp. 3025-3056, 2022. [33] D. A. Huffman, "A method for the construction of minimum-redundancy codes," Proceedings of the IRE, vol. 40, pp. 1098-1101,
1952. [34]
B. O’Hanen and M. Wisan, "JPEG Compression'," ed: Citeseer, 2005. [35] P. Kaur, "Compression using fractional Fourier transform," a thesis submitted in the partial fulfillment of requirement for the
award of the degree of master of engineering in electronics and communicationDeemed University, 2010. [36] A. Odat, M. Otair, and M. Al-Khalayleh, "Comparative study between LM-DH technique and Huffman coding," International
Journal of Applied Engineering Research, vol. 10, pp. 36004-36011, 2015. [37]
J. Schmidhuber, "Deep learning in neural networks: An overview," Neural networks, vol. 61, pp. 85-117, 2015. [38] J.-T. Chien, "Chapter 7 - Deep Neural Network," in Source Separation and Machine Learning, J.-T. Chien, Ed., ed: Academic Press,
2019, pp. 259-320. [39] C. Cardenas, A. Mohamed, G. Sharp, M. Gooding, H. Veeraraghavan, and J. Yang, "Data from AAPM RT-MAC grand challenge
2019," The Cancer Imaging Archive, 2019. [40] C. E. Cardenas, A. S. Mohamed, J. Yang, M. Gooding, H. Veeraraghavan, J. Kalpathy‐Cramer, et al., "Head and neck cancer patient images for determining auto‐segmentation accuracy in T2‐weighted magnetic resonance imaging through expert manual
segmentations," Medical physics, vol. 47, pp. 2317-2322, 2020. [41] S. G. Jafarzadeh, M. N. A. Rahman, and D. A. Wahab, "Optimization of supply chain management based on response surface
methodology: A case study of iran khodro," World Applied Sciences Journal, vol. 20, pp. 620-627, 2012. [42] A. Deshpande, V. V. Estrela, and N. Razmjooy, Computational Intelligence Methods for Super-Resolution in Image Processing
Applications: Springer, 2021. [43] A. G. M. Strollo, E. Napoli, D. De Caro, N. Petra, and G. Di Meo, "Comparison and extension of approximate 4-2 compressors for
low-power approximate multipliers," IEEE Transactions on Circuits and Systems I: Regular Papers, vol. 67, pp. 3021-3034, 2020. [44] H. E.-d. H. Ahmed, H. M. Kalash, and O. S. Farag Allah, "Encryption quality analysis of the RC5 block cipher algorithm for digital
images," Optical Engineering, vol. 45, pp. 107003-107003-7, 2006. [45] S. M. Belgaonkar and V. Singh, "Image compression and reconstruction in compressive sensing paradigm," Global Transitions
Proceedings, vol. 3, pp. 220-224, 2022. [46] W. Al-Haidri, I. Matveev, M. A. Al-Antari, and M. Zubkov, "A Deep Learning Framework for Cardiac MR Under-Sampled Image
Reconstruction with a Hybrid Spatial and k-Space Loss Function," Diagnostics, vol. 13, p. 1120, 2023.

نص كامل:



یک روش مبتنی بر شبکه عصبی عمیق بهینه شده با الگوریتم هافمن و الگوریتم­های فرا ابتکاری برای فشرده­سازی و بازسازی تصویر پزشکی

محمد حسین خلیفه1 ، مهدی تقی­زاده2¹، محمد مهدی قنبریان3، جاسم جمالی4 

1- گروه مهندسی برق، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

[e-mail]

2- گروه مهندسی برق، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

[e-mail]

3- گروه مهندسی برق، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

[e-mail]

4- گروه مهندسی برق، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

[e-mail]

چکیده: این تحقیق از دو رویکرد مختلف برای فشرده‌سازی عکس‌های پزشکی برای اهداف بلندمدت استفاده می‌کند. در روش اول، تصاویر با استفاده از رمز هافمن فشرده شده و سپس با استفاده از مدل‌سازی سلسله مراتبی بر اساس طبقه‌بندی طراحی شده توسط شبکه عصبی ساده‌سازی می‌شوند. در روش دوم از یک استراتژی پیش‌بینی مبتنی بر آموزش شبکه عصبی عمیق استفاده شده است. این روش از یک شبکه عصبی آموزش‌دیده برای استنتاج مکان‌های پیکسل‌های منفرد استفاده می‌کند و از این رو، مقدار داده‌های مورد نیاز برای توصیف یک تصویر را کاهش می‌دهد. رمزگذاری فشرده­سازی هافمن روی داده­های باقی­مانده استفاده می­شود. یک روش فیلتر فضایی پیشرفته برای رمزگشایی داده‌های تصویر استفاده می‌شود و سپس الگوریتم‌های فراابتکاری بهینه‌سازی اسب وحشی و بهینه‌سازی گرگ خاکستری برای تولید یک تصویر بازسازی‌شده استفاده می‌شوند. رویکردهای پیشنهادی امکان ساده‌سازی تصویر را فراهم می‌کنند که منجر به رمزگشایی سریع‌تر شده است. مدولاسیون شاخص تشابه ساختاری، زمان و نسبت سیگنال به نویز پیک به ترتیب به طور متوسط 2، 1/30 و 15/15 درصد نسبت به سایر روش­ها بهبود یافته است. الگوریتم‌های پیشنهادی می‌توانند عکس‌های پزشکی را با کیفیت بسیار بالایی در مقایسه با روش‌های مبتنی بر یادگیری عمیق فعلی فشرده کنند.

واژه های کلیدی: فشرده­سازی تصویر، بازسازی تصویر، شبکه عصبی عمیق، رمزنگاری هافمن، الگوریتم­های فرا ابتکاری گرگ خاکستری 

A method based on deep neural network optimized with Huffman algorithm and meta-heuristic algorithms for medical image compression and reconstruction

Mohammad Hossein Khalifeh1, Mehdi Taghizadeh2*, Mohammad Mehdi Ghanbarian3, Jasem Jamali4

1 Department of Electrical Engineering, Kazerun Branch, Islamic Azad University, Kazerun, Iran

[e-mail]

2 Department of Electrical Engineering, Kazerun Branch, Islamic Azad University, Kazerun, Iran

[e-mail]

3 Department of Electrical Engineering, Kazerun Branch, Islamic Azad University, Kazerun, Iran

[e-mail]

4 Department of Electrical Engineering, Kazerun Branch, Islamic Azad University, Kazerun, Iran

[e-mail]

Abstract:

This research makes use of two different approaches to compress medical images for long-term purposes. In the first method, images are compressed using the Huffman cipher and then simplified using a hierarchical modeling based on a neural network-designed categorization. A prediction strategy based on deep neural network training is employed in the second method. This technique uses a trained neural network to infer the locations of individual pixels, hence reducing the amount of data required to describe a picture. Huffman compression encryption is used on the leftover data. An enhanced spatial filtering technique is used to decode the picture data, and the wild horse optimization and gray wolf optimization meta-heuristic algorithms are then used to produce a rebuilt image. Without compromising compression efficiency, this allows for a more realistic application of the suggested solutions in non-deterministic contexts. The suggested approaches allow for picture simplification, which has resulted in faster decoding. Structural similarity index modulation, time and peak signal-to-noise ratio have been improved by an average of 2, 30.1 and 15.15%, respectively. The suggested algorithms were able to compress medical photos with very high quality level, as compared to the current deep learning-based methods.

Keywords: Medical image compression, Image reconstruction, Deep Neural Network, Huffman encryption, Gray Wolf Optimization Algorithm.

DOI: 00.00000/0000		نوع مقاله: پژوهشی
تاریخ چاپ مقاله:  27/9/1402	تاریخ پذیرش مقاله:  29/8/1402	تاریخ ارسال مقاله: 05/06/1402

 

---

[1] * نویسنده­ی مسئول

 

1-        مقدمه

استفاده از تصاویر برای انسان در تمام جنبه­های زندگی مفید بوده است. به عنوان مثال، نظارت بر تصاویر پزشکی بسیار مهم است زیرا به متخصصان مراقبت­های بهداشتی اطلاعاتی را برای کمک به بیماران با هدف بهبود کیفیت زندگی ارائه می­دهد. امروزه با توجه به حجم زیاد تصاویر پزشکی و ضرورت بایگانی و انتقال آنها در شبکه­های اینترنت اشیا پزشکی¹IOMT، فشرده­سازی این تصاویر ضروری به نظر می­رسد. بسیاری از محققان یادگیری ماشین و یادگیری عمیق تصمیمات خود را بر اساس پایگاه‌های اطلاعاتی تصویری و انواع دیگر پایگاه‌های داده قرار می‌دهند [1-6].

فشرده­سازی تصاویر پزشکی در برخی از کاربردها مانند طرح ذخیره­سازی اطلاعات بیمار و سیستم­های انتقال در IOMT استفاده می­شود. روش­های فشرده­سازی بدون اتلاف، تصاویر را بدون از بین بردن هیچ اطلاعاتی فشرده می­کنند اما نسبت فشرده­سازی پایین دارند و روش­های فشرده­سازی همراه با اتلاف با نسبت فشرده­سازی بالا اما با اتلاف اندک داده­ها، می­توانند فشرده شوند. استفاده از روش­های بدون اتلاف در تصاویر پزشکی، مزیت کافی را در انتقال و ذخیره­سازی ارائه نمی­دهند و روش­های پراتلاف، داده­های حیاتی مورد نیاز برای تشخیص را از دست می­دهند. بنابراین ارائه یک رویکرد همه جانبه برای افزایش نسبت فشرده­سازی و کاهش اتلاف اطلاعات به منظور افزایش شباهت تصاویر از چالش­های مهم در حیطه فشرده­سازی تصاویر می­باشد. در تشخیص بیماری، تصویر پزشکی نقش مهمی ایفا می­کند. تصاویر پزشکی شامل اطلاعاتی درباره بدن انسان هستند که برای اهداف متفاوت مانند طرح­های جراحی و تشخیص بیماری استفاده می­شوند. تصاویر پزشکی دیجیتال مانند اشعه X، تصویربرداری رزونانس مغناطیسی (MRI)، سونوگرافی، توموگرافی کامپیوتری (CT) به طور گسترده در تشخیص بیماری استفاده می­شوند [7]. فشرده‌سازی بدون تلفات آن بسیار حیاتی است، که مستقیماً نیاز به فضای ذخیره‌سازی محلی و پهنای باند ارتباطی سیستم‌های پزشکی از راه دور را تعیین می‌کند تا به تشخیص و درمان بیماران کمک کند. دو خاصیت، بدون تلفات و شباهت تصاویر، مربوط به تصاویر پزشکی وجود دارد. نحوه استفاده از این دو ویژگی برای کاهش اطلاعات مورد نیاز برای نمایش یک تصویر، نکته کلیدی فشرده­سازی است. عمدتاً دو نگرانی مهم در استفاده از تصویربرداری پزشکی وجود دارد. اولین نگرانی این است که تصاویر در هنگام انتقال از طریق رسانه­هایی مانند IOMT فضای زیادی را از دستگاه­ها اشغال می­کنند و برای کارهای زمان واقعی دچار مشکل می­شوند، بنابراین فشرده­سازی آنها ضروری است. از سویی دیگر، خطر از دست دادن اطلاعات مهم وجود دارد و در عرصه پزشکی، از دست دادن این نوع اطلاعات توسط قانون محدود شده است [6]. موضوع دوم نحوه حذف نویز در تصاویر است، موضوعی که الهام­بخش تحقیقات بسیاری بوده است [8-10] و این امر ممکن است در مساله فشرده­سازی اتفاق بیافتد و نیاز به بازسازی تصویر از اهمیت بالایی برخوردار است. 

در حال حاضر، شبکه عصبی بازگشتی² (RNN) و سایر روش­ها عملکرد بسیار خوبی در زمینه ترجمه ماشینی نشان داده­اند. RNNهای عمیق در عمل ثابت شده­اند که در وظایف پردازش زبان طبیعی، مانند بیان کلمه­برداری، بیانیه مشروعیت، و برچسب­گذاری بخشی از گفتار کاملاً موفق هستند. بنابراین، برای استفاده از فشرده­سازی بدون تلفات فراطیفی، روش جدیدی برای فشرده‌سازی تصویر فراطیفی بر اساس شبکه‌های عصبی چرخه‌ای عمیق در این مقاله پیشنهاد شده است. اخیراً با توسعه سریع نظریه یادگیری عمیق، به ویژه پس از کاربردهای موفق شبکه­های عصبی عمیق (DNN) در بینایی کامپیوتر، یادگیری عمیق در بسیاری از زمینه­ها از جمله فشرده­سازی تصویر به کار گرفته شده است. برخی از روش‌های مبتنی بر یادگیری عمیق از کدک‌های تصویر سنتی مانند JPEG، JPEG2000 و کد تصویر BPG مبتنی برH.265/HEVC  [11-15] بهتر عمل کرده‌اند و پتانسیل‌های عالی آن را نشان می‌دهند. این مقاله دو الگوریتم جدید فشرده‌سازی تصویر پزشکی بسیار کم تلفات با کمک شبکه­های عصبی عمیق را ارائه کرده است. الگوریتم­های ترکیبی پیشنهادی به گونه­ای طراحی شده است که در صورت وجود اطلاعات زیاد، فشرده­سازی آن بیشتر می­شود. بنابراین، اگر تصاویر حاوی اطلاعات زیادی مانند تصاویر رنگی یا سه­بعدی باشند، فشرده­سازی بیشتر از فرمت­های تجاری مانند JPEG، PNG و TIFF خواهد بود. مزیت دیگر الگوریتم، اجرای آن می­باشد که ساده و بسیار پر سرعت است. این مزایا در بخش­های مختلف نتایج قابل نمایش است. این الگوریتم­ها مشکلاتی را با فشرده سازی تصاویر 8 بیتی در مقیاس خاکستری برای تصاویر MRI و CT برطرف می­کند. مشکلی که در این مقاله باید حل شود، یافتن مدل جدیدی از فشرده‌سازی با تلفات بسیار پایین است که بر فرمت‌های گرافیکی TIFF و JPG که به طور گسترده در فشرده‌سازی تصویر پزشکی استفاده می‌شوند، غلبه کند. نوآوری­های پیشنهادی این کار، همانطور که در بخش نتایج نشان داده خواهد شد، روش­های ترکیبی فشرده­سازی بازسازی شده با الگوربتم­های فراابتکاری است که می­تواند برای فشرده­سازی تصویر پزشکی بدون تلفات در نظر گرفته شود. به طور خلاصه، در این مقاله رویکرد فشرده­سازی و بازسازی جدید بر اساس روش­های ترکیبی شبکه عصبی عمیق با رمزنگاری هافمن برای فشرده­سازی بدون تلفات تصاویر پزشکی ارائه خواهد شد و سپس با کمک الگوریتم­های فراابتکاری WHO و GWO، بازسازی تصاویر رمزگشایی شده انجام شده تا از لحاظ شباهت و نزدیکی به تصویر اصلی بالاترین کیفیت را داشته باشد. سهم اصلی این مقاله در طراحی فشرده­سازی و بازسازی پیشنهادی تصاویر پزشکی به شرح ذیل است:

·       ارائه رویکردهای ترکیبی فشرده­سازی اتصال شبکه عصبی عمیق DNN با الگوریتم رمزنگاری هافمن.

·       مدل­سازی یک سیستم غیرخطی پلکانی با درجه­های مختلف برای تصاویر پزشکی با کمک شبکه عصبی عمیق.

·       بهره­گیری از یک سیستم پیش­بین برای پیکسل­های تصویر اصلی با کمک شبکه عصبی عمیق برای تخمین پیکسلهای دیگر و کاهش اندازه پیکسل­های تصویر برای انتقال یا ذخیره­سازی.

·       بازسازی تصاویر رمزگشایی شده با کمک فیلترینگ مکانی بهینه شده با الگوریتم­های فراابتکاری.

سازماندهی مقاله به شرح زیر است. در بخش 2، پیشینه کارهای مرتبط و مفاهیم استفاده شده به اختصار بررسی می­شود. چارچوب و جزئیات روش فشرده­سازی تصویر ترکیبی بهبود یافته در بخش 3 معرفی شده است. در بخش 4، ما عملکرد روش خود را با مقایسه با کدک های مختلف با استفاده از مجموعه داده­های مختلف از تصاویر CT و MRI ارزیابی می­کنیم. نتیجه گیری و بحث در بخش 5 آورده شده است.

2-       کارهای مروری

در این بخش، کارهای مربوط به فشرده‌سازی تصویر پزشکی شرح داده می‌شود. برای اهداف این مقاله، کاربرد فشرده‌سازی تصاویر پزشکی با اتلاف بسیارکم یا بدون اتلاف ارائه می‌شود. اهمیت تاکید بر تصاویر پزشکی، تاثیر و معنای مهم آن برای انسان است. علاوه بر این، استفاده از الگوریتم­های فشرده­سازی -مانند الگوریتم پیشنهادی- به دلیل حجم اطلاعات موجود در آن و اهمیت کاهش تلفات اطلاعات برای ذخیره و انتقال تصاویر پزشکی، بسیار مفید است.

دستاوردهای اخیر مدل‌های پیش‌بینی توالی در حوزه‌های متعدد، از جمله فشرده‌سازی، پتانسیل زیادی برای کدک‌های مبتنی بر یادگیری جدید فراهم می‌کند. در چنین مدل‌هایی، شکل و اندازه دنباله ورودی نقش مهمی در یادگیری تابع نگاشت توزیع داده به خروجی هدف دارد. مقاله [16] پیکربندی‌های ورودی و طرح‌های نمونه‌برداری متعددی را برای یک مدل پیش‌بینی توالی چند به یک، به‌ویژه برای فشرده‌سازی تصاویر پزشکی سه­بعدی (عمق ۱۶ بیت) بدون تلفات بررسی می‌کند. هدف اصلی تعیین روش بهینه برای فعال کردن مدل پیشنهادی حافظه کوتاه­مدت³ (LSTM) برای دستیابی به نسبت تراکم بالا و عملکرد رمزگذاری، رمزگشایی سریع است. مدل‌های LSTM این مقاله با اعتبارسنجی متقاطع 4 برابری بر روی 12 مجموعه داده MRI و CT با وضوح بالا آموزش داده می‌شوند، در حالی که نسبت تراکم و زمان اجرا مدل را اندازه‌گیری می‌کنند. چندین پیکربندی از توالی‌ها ارزیابی شده‌اند، و نتایج آن نشان می‌دهد که نمونه‌برداری هرمی شکل بهترین مبادله بین عملکرد و نسبت تراکم (تا 3×) را نشان می‌دهد.

در مقاله [17] از دو روش بدون اتلاف و با اتلاف برای فشرده­سازی تصاویر پزشکی استفاده شد که کیفیت تصویر را حفظ می­کند. علاوه بر این، برخی از روش‌های تقویت­کننده برای افزایش کیفیت یک تصویر فشرده استفاده شد. این روش­ها مورد بررسی قرار گرفتند و چندین نتیجه مقایسه نشان داده شده است. تجزیه و تحلیل دقیق معیارهای اندازه­گیری کارایی بهتری را نسبت به سایر روش­های پردازش تصویر نشان می­دهد. مقاله [18] به بررسی استفاده از یادگیری عمیق برای فشرده‌سازی بدون تلفات تصاویر فراطیفی می‌پردازد. با توجه به ناکافی بودن روش مدولاسیون کد پالس دیفرانسیل⁴ (DPCM) برای پیش‌بینی اطلاعات باند طیفی، روش پیشنهادی به نام C-DPCM-RNN، از یک شبکه عصبی بازگشتی عمیق (RNN) برای بهبود روش سنتی DPCM و بهبود تعمیم استفاده می‌کند. نتایج این روش عملکرد خوبی را برای کیفیت تصاویر ضمن افزایش ضریب فشرده­سازی نسبت به سایر روش­ها نشان می­دهد. اما به دلیل افزایش پیچیدگی طراحی پیشنهادی از سرعت رمزنگاری و رمزگشایی بالایی برخوردار نیست. 

با توسعه سریع روش­های یادگیری عمیق، از شبکه­های عصبی عمیق در این زمینه برای دستیابی به نرخ فشرده­سازی بالاتر استفاده شده است. روش‌های مبتنی بر مدل‌های آماری خودرگرسیون پیکسلی، عملکرد خوبی را نشان داده‌اند. با این حال، روش پردازش متوالی مانع از استفاده از این روش­ها در عمل می­شود. اخیراً مدل‌های خودرگرسیون چند مقیاسی برای رفع این محدودیت پیشنهاد شده‌اند. رویکردهای چند مقیاسی می­توانند از سیستم­های محاسباتی موازی به طور موثر استفاده کنند و سیستم­های عملی بسازند. با این وجود، این رویکردها عملکرد فشرده­سازی را در ازای سرعت قربانی می­کنند. در [19]، یک مدل آماری پیش­رونده چند مقیاسی پیشنهاد شده که از رویکرد پیکسلی و رویکرد چند مقیاسی بهره می‌برد و یک مکانیسم انعطاف پذیر ایجاد شده که در آن ترتیب پردازش پیکسل­ها را می­توان به راحتی تنظیم کرد. روش پیشنهادی از روش‌های فشرده‌سازی تصویر بدون تلفات پیشرفته در دو مجموعه داده معیار بزرگ با یک حاشیه قابل‌توجه بدون کاهش چشمگیر سرعت استنتاج بهتر عمل می‌کند.

مقاله [20]، یک چارچوب دو مرحله‌ای مبتنی بر رمزگذار خودکار کمپرسور-کمپرسور برای فشرده‌سازی تکه‌های تصویر سلول‌های RBC مالاریا پیشنهاد می‌کند. شبکه رمزگذار خودکار دوگانه مبتنی بر باقیمانده پیشنهادی برای استخراج ویژگی‌های منحصر به فرد آموزش داده شده است که سپس برای بازسازی تصویر اصلی از طریق ماژول دیکمپرسور استفاده می‌شود. دو نمایش فضای پنهان (اول برای تصویر اصلی و دوم برای تصویر باقیمانده) برای بازسازی تصویر اصلی نهایی استفاده می شود. Color-SSIM به طور انحصاری برای بررسی کیفیت قسمت کرومینانس تصاویر سلولی پس از رفع فشرده­سازی استفاده شده است. نتایج تجربی نشان می­دهد که کار پیشنهادی به ترتیب در PSNR، Color SSIM و MS-SSIM تقریباً 35٪، 10٪ و 5٪ از سایر روش­های فشرده­سازی مرتبط با شبکه عصبی برای تصاویر پزشکی بهتر عمل می­کند. این الگوریتم به ترتیب بهبود قابل توجهی در صرفه­جویی در بیت­های 76، 78، 75 و 74 درصد نسبت به JPEG-LS، JP2K-LM، CALIC و رویکرد شبکه عصبی اخیر نشان می­دهد. در [21] تاثیر روش‌های فشرده‌سازی با تلفات بر وظیفه طبقه‌بندی سری‌های زمانی با استفاده از شبکه‌های عصبی عمیق بررسی شد. علاوه بر این، این مقاله یک رویکرد فشرده‌سازی کارآمد را برای سری‌های زمانی تک متغیره و چند متغیره پیشنهاد می‌کند که اجرای بلند کردن تبدیل موجک گسسته را با یک کمپرسور محدود به خطا، یعنی Squeeze (SZ) ترکیب می‌کند تا به یک مبادله بهینه بین فشرده‌سازی داده و کیفیت داده ارائه دهد. کدک­های تصویر سنتی مانند WebP، JPEG2000، FLIF معمولاً از حالت بدون اتلاف پشتیبانی می­کنند. اخیراً رویکردهای مبتنی بر یادگیری عمیق، پتانسیل خود را در این مرحله نشان داده‌اند. HyperPrior یک روش موثر برای فشرده­سازی تصویر با اتلاف پیشنهاد شده است.

نویسندگان [22] پیشینی را از مدل با اتلاف به فشرده‌سازی بدون تلفات تعمیم می‌دهند و یک اصطلاح هنجار L2 را در تابع اتلاف برای سرعت بخشیدن به روند تمرین پیشنهاد می‌کنند. علاوه بر این، در این مقاله مدل‌های پارامتری متفاوتی برای کدهای پنهان بررسی شده و پیشنهاد می‌شود از احتمالات مخلوط گاوسی برای دستیابی به مدل‌های بافت تطبیقی و انعطاف‌پذیر استفاده شود. نتایج تجربی تأیید می‌کند که روش پیشنهادی می‌تواند از فشرده‌سازی بدون تلفات مبتنی بر یادگیری عمیق موجود بهتر عمل کند و همچنین از JPEG2000 و WebP برای تصاویر JPG بهتر عمل کند. یک الگوریتم فشرده‌سازی عمیق بدون تلفات کارآمد در [23] پیشنهاد شد که از کدگذاری حسابی برای تعیین کمیت خروجی شبکه استفاده می‌کند. این طرح اثرات آموزشی حافظه کوتاه‌مدت دو جهته (Bi-LSTM) و انتقال دهنده­ها را بر روی داده‌های توان سطح دقیقه‌ای که در حوزه زمان فرکانس کم نیستند، مقایسه می‌کند. مدل می­تواند به طور خودکار ویژگی­ها را استخراج کند و با کمیت توزیع احتمال سازگار شود. نتایج داده‌های توان سطح دقیقه نشان می‌دهد که میانگین نسبت تراکم (CR) 06/4 است که نسبت تراکم بالاتری نسبت به روش کدگذاری آنتروپی کلاسیک دارد.

یک چارچوب فشرده‌سازی تصویر لایه‌ای ترکیبی با ترکیب یادگیری عمیق و کدک‌های تصویر سنتی در [24] پیشنهاد می‌­شود. در رمزگذار، ابتدا از یک شبکه عصبی کانولوشنال⁵ (CNN) برای به دست آوردن یک نمایش فشرده از تصویر ورودی استفاده می‌شود، که به‌طور بدون تلفات توسط کدک FLIF به عنوان لایه پایه جریان بیت کدگذاری می‌شود. بازسازی درشت ورودی توسط CNN دیگری از نمایش فشرده بازسازی شده به­دست می­آید. پس از آن باقیمانده بین ورودی و بازسازی درشت به­دست آمده و توسط کدک BPG مبتنی بر H.265/HEVC به عنوان لایه تقویت­کننده جریان بیت کدگذاری می­شود. نتایج استفاده از مجموعه داده‌های Kodak و Tecnick نشان می‌دهد که طرح پیشنهادی از کدگذاری لایه‌ای مبتنی بر یادگیری عمیق و کدک‌های سنتی از جمله BPG در معیارهای PSNR و MS-SSIM در طیف وسیعی از نرخ‌های بیت بهتر عمل می‌کند. مقاله [25] یک روش فشرده‌سازی تصویر بدون تلفات را براساس یادگیری مقادیر پیکسل و زمینه‌ها از طریق پرسپترون‌های چند لایه (MLP) ارائه می‌کند. خطاهای پیش‌بینی و زمینه‌های به‌دست‌آمده توسط MLPها به رمزگذارهای حسابی تطبیقی، مانند طرح‌های فشرده‌سازی بدون تلفات معمولی، ارسال می‌شوند. پیش‌بینی مبتنی بر MLP مدت‌هاست که برای فشرده‌سازی بدون تلفات تلاش می‌شود، و اخیراً شبکه‌های عصبی کانولوشنال (CNN) نیز برای کدگذاری با اتلاف بدون تلفات پذیرفته شده‌اند. در حالی که طرح‌های فشرده‌سازی بدون تلفات مبتنی بر MLP فقط بر پیش‌بینی دقیق پیکسل متمرکز شده‌اند، این کار، به طور مشترک مقادیر و زمینه‌های پیکسل را پیش‌بینی می‌کند. همچنین در این چارچوب مبتنی بر MLP، یادگیری پیشرونده، یادگیری باقیمانده و شبکه دوبلکس را از نظر کانال اتخاذ و طراحی می­کند، که منجر به بهبود کدنویسی در مقایسه با روش‌های مرسوم می‌شود. شبکه‌های عصبی عمیق (DNN) به طور گسترده برای بسیاری از برنامه‌های کاربردی تلفن همراه که نیاز به پیاده‌سازی بلادرنگ و فضای حافظه بزرگ دارند، استفاده می‌شوند. بنابراین، یک چالش جدید برای اجرای کم مصرف و کارآمد از تنوع برنامه‌ها، مانند تشخیص گفتار و طبقه‌بندی تصویر، برای دستگاه‌های لبه جاسازی شده ارائه می‌کند.

در [26] یک رویکرد فشرده‌سازی DNN مبتنی بر سخت‌افزار برای رسیدگی به منابع حافظه محدود در دستگاه‌های لبه ارائه می‌شود. همچنین، یک الگوریتم فشرده‌سازی مبتنی بر آنتروپی جدید برای رمزگذاری وزن‌های DNN، و یک روش رمزگشایی بلادرنگ و اجرای سخت‌افزار اختصاصی کارآمد پیشنهاد می‌کند. رویکرد پیشنهادی کاهش قابل توجهی از وزن‌های DNN مورد نیاز را امکان‌پذیر می‌سازد (تقریباً 70٪ و 63٪ برای AlexNet و VGG19، به ترتیب)، در حالی که امکان رمزگشایی یک وزن در هر چرخه ساعت را فراهم می‌کند. نتایج، نسبت فشرده­سازی بالایی را در مقایسه با الگوریتم­های بدون تلفات معروف نشان می­دهد. رمزگشای سخت­افزاری، اجرای کارآمد شبکه­های DNN بزرگ را در دستگاه­های لبه کم­مصرف با منابع حافظه محدود امکان­پذیر می­کند. مقاله [27] یک روش فشرده­سازی بدون تلفات جدید را برای حجم­های تصویربرداری پزشکی 16 بیتی ارائه می­دهد. هدف، آموزش شبکه عصبی به عنوان یک پیش‌بینی‌کننده داده سه­بعدی است که تفاوت‌ها را با مقادیر داده‌های اصلی به حداقل می‌رساند و باقیمانده‌ها را با استفاده از کدگذاری حسابی فشرده می‌­کند. عملکرد فشرده‌سازی مدل‌های پیشنهادی با روش‌های بدون تلفات پیشرفته ارزیابی می‌شود که نشان می‌دهد رویکرد پیشنهادی نسبت فشرده‌سازی بالاتری را در مقایسه با JPEG-LS، JPEG2000، JP3D، و HEVC انجام می‌دهد و به خوبی تعمیم می‌یابد. در [28]، از داده­کاوی بزرگ برای تنظیم کتاب کد تصویر (پیدا کردن اجزای اصلی تصاویر) استفاده شده است. این مقاله یک الگوریتم فشرده­سازی نرم را برای تصاویر پزشکی چند جزئی پیشنهاد می­کند که می­تواند ساختار اساسی تصاویر را منعکس کند. در [29]، یک سیستم فشرده‌سازی پیشنهاد شده که به مشکلات محدودیت‌های انرژی آندوسکوپی کپسول ویدیویی بی‌سیم می‌پردازد. این کار شامل یک حلقه بازخورد طبقه­بندی، بر اساس یادگیری عمیق، برای تعیین اهمیت تصاویر در حال انتقال می­باشد. این طبقه­بندی با یک الگوریتم فشرده­سازی مبتنی بر پیش­بینی ساده استفاده می­شود تا امکان مدیریت هوشمند انرژی محدود کپسول را فراهم کند. بنابراین تصاویر را به دو دسته با اهمیت و کم اهمیت بخش­بندی می­کند و بر اساس آن فشرده­سازی با اتلاف و بدون اتلاف انجام می­شود.

بزرگترین چالش شبکه­های اینترنت اشیاء این است که اینترنت اشیاء ممکن است حافظه کافی برای مدیریت تمام داده­های تراکنش در شبکه نداشته باشد. در [30]، یک روش فشرده‌سازی برای کاهش ترافیک داده شبکه اینترنت اشیاء ارائه شد. بنابراین، الگوریتم‌های فشرده‌سازی بدون تلفات مختلف، مانند الگوریتم‌های مبتنی بر آنتروپی یا فرهنگ لغت، و روش‌های فشرده‌سازی عمومی را بررسی می‌کند تا مشخص کند کدام الگوریتم یا روش به مشخصات اینترنت اشیاء پایبند است. علاوه بر این، این مقاله آزمایش‌های فشرده‌سازی را با استفاده از آنتروپی (هافمن، هافمن تطبیقی) و دیکشنری (LZ77، LZ78) و همچنین پنج نوع از مجموعه داده‌های ترافیک داده اینترنت اشیاء انجام می‌دهد. اگرچه الگوریتم های بالا می­توانند ترافیک داده­های اینترنت اشیاء را کاهش دهند، هافمن تطبیقی بهترین الگوریتم فشرده­سازی را ارائه داد. بنابراین، در این مقاله، هدف ارائه یک روش فشرده‌سازی مفهومی برای ترافیک داده‌های اینترنت اشیاء با بهبود یک هافمن تطبیقی مبتنی بر مفاهیم یادگیری عمیق با استفاده از وزن‌ها، هرس کردن و تجمیع در شبکه عصبی است. اعتقاد بر این است که الگوریتم پیشنهادی نسبت فشرده سازی بهتری را به دست می­آورد. از مطالعه و بررسی مقالات [31-38]، موارد زیر قابل تأمل است تا اهداف روش پیشنهادی را برجسته کند:

الف) فشرده­سازی داده­های سلامتی و پزشکی افراد و مراقبت­های بهداشتی الکترونیکی، در جهت سیستم مانیتورینگ و کاهش نیاز ذخیره­سازی سیگنال و تصاویر دیجیتال مورد نیاز است.

ب) با توجه به اینکه همواره، فشرده­سازی داده با اتلاف، به دلیل نسبت فشرده سازی بالا، استفاده می­شود، اما دقت اطلاعات انتقالی و بازیابی شده کاهش می­یابد. این امر جستجو برای یک رویکرد فشرده­سازی با اتلاف کم و بهبود کیفیت تصاویر را با اهمیت می­کند.

ج) عملکرد فشرده­سازی یک سیگنال بیولوژیکی باید با مقایسه ویژگی­های تشخیصی داده­ها ارزیابی شود. بنابراین حفظ این ویژگی­ها برای تشخیص درمانی از اهمیت بالایی برخوردار است.

د) روش­های مبتنی بر یادگیری عمیق به دلیل توانایی­های خود در افزایش بهره فشرده­سازی نسبت به سایر روش­ها انتخاب می­شوند ولی تلفات اطلاعاتی در این روش دقت را کاهش می­دهد.

ه) روش­های بدون اتلاف، شامل کدگذاری هافمن، دارای نسبت فشرده­سازی پایین و دقت و سرعت تبدیل قابل قبول می­باشد. بنابراین در این مقاله سعی شده عملکرد ترکیبی روش رمزگذاری هافمن به صورت آبشاری و پشت سر هم با یک رویکرد فشرده­سازی مبتنی بر یادگیری عمیق بررسی شود. این کار برای سیستم عامل­هایی مانند IOMT که به پردازش زمان واقعی نیاز دارند و اطلاعات مهم پزشکی افراد را شامل می­شوند، بسیار مناسب است و سریع عمل می­کند. همچنین این مقاله با ایجاد یک راهکار بازسازی اطلاعات تصویر مبتنی بر الگوریتم­های فراابتکاری می­تواند به روش­های فشرده­سازی با نسبت بالا و کیفیت بدون اتلاف و یا بسیار کم اتلاف دست یابد.

3-       روش­های فشرده­سازی پیشنهادی

در روش­های ارائه شده برای فشرده­سازی تصاویر پزشکی با توجه به اهمیت این اطلاعات برای تشخیص بیماری، سه مساله قابل بررسی است که برای رسیدن به یک فشرده­سازی خوب بایستی معرفی شود. نسبت فشرده­سازی با تعریف تعداد بیت­های معرف هر پیکسل و میزان شباهت تصاویر بازگردانی شده با تصاویر اصلی (دقت فشرده­سازی) و سرعت رمزگذاری و رمزگشایی تصاویر با توجه به کاربردهای این سیستم­ها در شبکه­های اینترنتی، سه فاکتور مهم برای بررسی فشرده­سازی است. در این کار ما از دو روش فشرده­سازی مبتنی بر شبکه­های عصبی عمیق و رمزنگاری هافمن کسکد بهره برده­ایم و برای اصلاح تصاویر باز گردانی شده، از روش فیلترینگ مکانی⁶ بهینه شده با الگوریتم­های فرا ابتکاری شامل الگوریتم گرگ خاکستری⁷ GWO و الگوریتم اسب وحشی⁸ WHO بهره برده­ایم. شکل (1) نمای بلوک دیاگرام طرح پیشنهادی برای فشرده­سازی را نمایش می­دهد و اطلاعات تصویر را برای ذخیره­سازی یا انتقال در شبکه اینترنتی آماده می­کند. بنابراین برای داشتن یک سیستم زمان-واقعی برای کاربردهای اینترنتی، داشتن سرعت بالا از چالش­های مهم در ارائه این روش­ها خواهد بود. شکل (2) بلوک دیاگرام گسترده­سازی و بازگردانی تصاویر از اطلاعات دریافتی یا ذخیره شده در شبکه اینترنتی می­باشد. در ادامه روش­های استفاده شده برای داشتن یک فشرده­سازی بسیار کم اتلاف با نسبت فشرده­سازی بالا را بررسی و تشریح خواهیم کرد.

3-‏1-‏       روش مدل­سازی پلکانی تصاویر پزشکی

در این رویکرد با توجه به اینکه مساله تکرار عناصر در آرایه­های مختلف باعث افزایش بیشتر فشرده­سازی اطلاعات به کمک روش هافمن می­شود، تلاش شده است از یک مدل غیرخطی پلکانی طراحی شده با کمک شبکه عصبی عمیق استفاده کنیم. در این روش، تصاویر خاکستری پزشکی در محدوده 0 تا 255 بر اساس درجه تعریف شده به بازه­هایی تقسیم­بندی می­شوند که با کمک یک مدل آموزش دیده غیرخطی از شبکه عصبی عمیق، یک نگاشت پیکسل به پیکسل ارائه می­کند. در شکل (3) نمای سیستم آموزش داده شده برای این بخش از کار معرفی شده است. این مدل بر اساس درجات مختلف در بازه 1 تا 20، محدوده تصاویر را به مقادیر تکراری از تصویر نگاشت می­کند. این کار باعث می­شود با ایجاد عناصر تکراری بتوان میزان فشرده­سازی تصاویر با کمک رمزنگاری هافمن را بالا برد. بر اساس محدوده درجات تعریف شده در این تحقیق، هر چه به درجات بالاتر برسیم (چون تعداد تکرارها بیشتر می­شود)، میزان فشرده­سازی افزایش خواهد یافت. اما از طرف دیگر با افزایش درجه پلکانی، با اتلاف اطلاعاتی بیشتر روبرو می­شویم که این کار فشرده­سازی را دچار مشکل می­کند. بنابراین برای ایجاد یک تعامل برای تصاویر مختلف با توجه به اهمیت آنها، این درجه تغییر خواهد کرد. شکل (4) دو نمونه از نگاشت پلکانی تصویر MRI را برای دو درجه 10 و 20 نمایش داده است. همانطور که مشاهده می­شود با افزایش درجات در کیفیت تصاویر کاهش مشاهده می­شود.

3-‏2-‏       روش تخمین پیکسل­های تصویر با DNN

در رویکرد دیگر، به جای دستکاری اطلاعاتی و ایجاد اتلاف در اطلاعات پیکسل­های تصویر، از یک رویکرد تخمینی برای چند پیکسل بر اساس اطلاعات پیکسلی همسایه مطابق شکل (1) بهره بردیم. در روش اول با کمک شبکه عصبی آموزش دیده برای اطلاعات تصویر چند نمونه تصویر MRI و CT مطابق شکل (5)، به یک روش پیش­بینی پیکسل مرکزی در یک پنجره 3 در3 رسیده­ایم. بنابراین به یک سیستم با 8 ورودی و یک خروجی تخمینی رسیده­ایم. در روش دوم، از یک پنجره 8 در 1 استفاده کرده و بر اساس شبکه آموزش دیده شکل (6)، دو مقدار از پیکسل­های هفتم و هشتم را محاسبه کرده­ایم. شکل (7) نتایج مقایسه تصاویر به دو روش مختلف را نمایش داده است. در این مقایسه تصاویر با پنجره­های 3 در 3 از دقت تخمین بسیار خوبی برخوردار می­باشد. با کمک این روش تخمین با کمک شبکه عصبی عمیق، توانسته­ایم با توجه به میزان نسبت پیکسل­های تخمینی، به فشرده­سازی تصویر کمک کنیم. برای نمونه، در روش اول با نسبت 8 بر 9 و در روش دوم با نسبت 6 بر 8 توانسته­ایم این کاهش حجم اطلاعات تصویر را اعمال کنیم.

 

شکل (1): نمایش فلوچارت فشرده­سازی طرح پیشنهادی

 

شکل (2): نمایش فلوچارت طرح پیشنهادی برای بازگردانی تصاویر فشرده شده و بازسازی آنها

(a)

 (b) 

شکل (3): نمایش سیستم شبکه عصبی عمیق آموزش دیده برای نگاشت پلکانی تصویر. الف- آموزش شبکه عصبی با لایه های مخفی [1، 5، 10، 18 و 50]، ب- رگرسیون خروجی.

 

 

     (a)                       (b) (c)

شکل (4): نمایش عملکرد نگاشت پلکانی با درجات (a) تصویر اصلی (b) درجه 20 . (c) درجه 10.

 

شکل (5): شبکه عصبی عمیق آموزش دیده برای پنجره 3 در 3. الف- آموزش شبکه عصبی با لایه­های مخفی [1، 5، 10، 18 و 50]، ب- رگرسیون خروجی.

 

 (a)                                       (b)

شکل (6): شبکه عصبی عمیق آموزش دیده برای پنجره 1 در 8. الف- آموزش شبکه عصبی با لایه­های مخفی [2، 5، 18 و 20] ب- رگرسیون خروجی.

 (a)   (b)  

شکل (7): مقایسه نتایج عملکرد تخمین پیکسل­ها برای دو تصویر مختلف.(a) پنجره 3 در 3 (b) - پنجره 1 در 8.

 

شکل (8): نمایش عملکرد فشرده­سازی نمونه با کمک رمزنگاری هافمن آبشاری.

 

شکل (9): نحوه فیلترینگ تصویر به ازای یک فیلتر 3 در 3.

 

3-‏3-‏       فشرده­سازی با رمزنگاری هافمن آبشاری⁹

برای افزایش بیشتر فشرده­سازی، از یک روش رمزنگاری هافمن آبشاری بهره برده­ایم. در این رویکرد با کمک یک روش تبدیل کد باینری به کد اکتال، اطلاعات فشرده شده را با یک رمزنگاری هافمن اولیه برای رمزنگاری هافمن ثانویه آماده می­کنیم. این روش کمک می­کند تا از حداکثر ظرفیت فشرده­سازی اطلاعاتی بهره ببریم. شکل (8) نمای عملیاتی این طرح را ارائه کرده است.

3-‏4-‏       بازگردانی تصویر و بازسازی آن با فیلترینگ مکانی بهینه­شده با الگوریتم­های فراابتکاری

برای نمایش ترکیب، مورفولوژی و پیچیدگی عناصر از فیلترها استفاده می‌شود. عمل فیلتر عمدتاً به منظور بالابردن وضوح تصاویر از طریق حذف فرکانس‌های فضایی مشخصی در تصاویر انجام می­گردد. فرکانس­های فضایی، تغییرات روشنایی و مقادیر متفاوت را در خود دارد. فیلترهای ترکیبی نیز به منظور استخراج اطلاعات برای ترکیب تصاویر به کار می­روند. همچنین، فیلترها برای آشکارسازی اطلاعات و بازسازی تصاویر به کار گرفته می‌شوند. از فیلترهای مورفولوژی نیز به منظور تهیه تصاویر بر اساس شکل پدیده‌ها استفاده می‌شود. از دیگر کاربردهای فیلترها، ادغام تصاویر، بهبود کنتراست، تهیه تصاویر رنگی ترکیبی و تبدیل‌های طیفی و مکانی است. این فیلترها به طور کلی به دو دسته تقسیم می‌شوند: 

·       فیلترهای مکانی: فیلترهایی هستند که بعد مکان را در نظر گرفته و از کرنل­ها یا پنجره­های با ابعاد ثابت استفاده می کنند. این فیلترها، روی تک تک پیکسل‌های تصویر اعمال شده و انواع مختلفی بالاگذر و پایین گذر دارد.

·       فیلترهای فرکانسی (طیفی): این فیلترها تغییرات فرکانس‌ها را در نظر می‌گیرند که به دو دسته فرکانس بالا (HFF) و فرکانس پایین (LFF) تقسیم می‌شوند. در واقع این فیلترها اطلاعات و تغییرات فرکانس‌ها را در تصاویر مورد بررسی قرار می‌دهند.

در پردازش تصویر، یکی از رایج­ترین راه­ها برای بهبود یک تصویر، فیلترهای مکانی هست. فیلترهای مکانی در حوزه مکان روی تصویر اعمال می‌شوند و اطلاعات مورد نظر را از تصویر استخراج می‌کنند. رایج‌ترین انواع فیلترهای مکانی، فیلتر متوسط‌گیری، Median، لاپلاسین،Sobel ، Prewitt، Canny و Wiener است که از آن­ها در کاربردهای مختلفی مثل کاهش نویز، بهبود لبه‌ها و آشکارسازی لبه‌های تصویر استفاده می­شود. پیکسل‌های همسایه، اطلاعات مهمی در مورد هر پیکسل ارائه می­دهند؛ که می­توان از آنها برای حذف نویز و شناسایی لبه‌های تصویر استفاده کرد. به طور ساده، فیلترهای مکانی این اطلاعات را استخراج می‌کنند. در این مرحله که برای بازگردانی اطلاعات ارائه شده، پس از رمزگشایی اطلاعات تصویر با کمک رمزگشایی هافمن کسکید، از یک روش فیلترینگ مکانی بهینه برای اصلاح تصاویر استخراج شده بهره خواهیم برد. در ابتدا یک فیلتر مکانی با اندازه مشخص تعریف می­شود که درایه­های آن مقادیر مختلفی دارند. بسته به اینکه مقدار درایه­های فیلتر مکانی چه باشد، خاصیت فیلتر مشخص می­شود. اگر مقادیر بر اساس انتگرال تعریف شوند، در نتیجه اعمال فیلتر روی تصویر، تصویر هموار می­شود و اگر براساس مشتق تعریف شوند، در نتیجه آن لبه‌های تصویر استخراج می­شود. در این تحقیق با هدف اصلاح تصاویر بازگردانی شده، ضرایب فیلتر به کمک الگوریتم­های فراابتکاری تعریف می­شود. بر مبنای ضرایب ماتریس  در  شامل  متغیر برای محاسبه بهترین تصویر در تشابه با تصویر اصلی ایجاد کرده است. شکل (9) نحوه فیلتر کردن تصویر در حوزه مکان را نمایش داده است. در این کار برای تعیین ضرایب فیلتر با اندازه­های مختلف از دو الگوریتم فرا ابتکاری گرگ خاکستری GWO و اسب وحشی WHO بهره برده­ایم. برای تعیین مطابقت تصاویر برای 20 نمونه تصویر تحت آموزش از نوع CT و MRI برای بهینه­سازی استفاده شد. در این مورد تصاویر استخراج شده بعد از گسترده­سازی با تصاویر اصلی به کمک سه معیار ضریب همبستگی و مدولاسیون شاخص تشابه ساختاری¹⁰ (SSIM) و نسبت سیگنال به نویز پیک¹¹ (PSNR) مطابق تابع هدف زیر با هم مقایسه شده و بهترین ضریب فیلترینگ استخراج می­شود. که در این تابع  معرف متغیرهای ضریب فیلترینگ می­باشد.  اندازه ماتریس فیلتر و  تصویر اصلی است که قرار است بعد از اعمال روش­های فشرده­سازی شبکه عصبی عمیق با این تصویر مقایسه شود.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل­های (10-11) نحوه عملکرد الگوریتم­های بهینه­سازی فراابتکاری را نمایش داده است. نتایج برای محاسبه بهترین پاسخ­ها در جدول (1) ارائه شده است. بر اساس نتایج به­دست آمده، الگوریتم اسب وحشی توانسته با نرخ بهینه­سازی بهتر و همگرایی زودتر به جواب بهینه جهانی دست یابد. در نهایت با اعمال فیلتریگ بر تصاویر نمونه توانسته­ایم به اصلاح تصویر و بازسازی بهینه تصاویر بپردازیم. برای بررسی عملکرد این بازسازی پیشنهاد شده در این تحقیق مطابق شکل (12) برای چند نمونه از تصاویر این بهبودها بررسی شده است. این تصاویر MRI و CT برای نمونه­های اصلی، اتلاف شده و اصلاح شده با هر دو الگوریتم پیشنهادی ارائه شده است. بررسی­ها نشان داد الگوریتم اسب وحشی توانسته بهبود خوبی در تصاویر ایجاد نماید. در بخش نتایج، معیارهای ارزیابی بر تصاویر اصلاح شده اعمال می­شود و با سایر مقالات مقایسه شده است. بنابراین در این کار تنها از الگوریتم بهینه­سازی اسب وحشی برای تعریف ضرایب ماتریس فیلترینگ مکانی برای بخش بازسازی تصاویری بهره خواهیم برد.

 

شکل (10): نمایش عملکرد الگوریتم بهینه­سازی گرگ خاکستری

 

شکل (11): نمایش عملکرد الگوریتم بهینه­سازی اسب وحشی

جدول (1): نمایش مقایسه الگوریتم­های فراابتکاری برای تعیین ضرایب فیلترینگ.

الگوریتم­های فراابتکاری	ضرایب فیلتر مکان	بهینه جهانی تابع هدف
GWO	[14241/0     14868/0    041192/0    017906/0     22811/0     16536/0   0012268/0     28101/0    033118/0]	5639/4
WHO	[0     19198/0     06536/0 10994/0     46829/0   0029787/0   0092472/0     18674/0    021096/0]	3659/4

 

 

 

GWO

 

 

WHO

شکل (12): نمایش نتایج اصلاح شده از تصاویر مختلف

 

 

 

(a)                                       (b)

شکل (13): نمایش تصاویر سر و مغز از بیماران مختلف.

(الف- MRI و ب-CT)

4-       نتایج شبیه­سازی

4-‏1-‏       مجموعه داده

مجموعه داده برای انجام ارزیابی تجربی و نسبت فشرده­سازی برحسب نسبت بیت­ها بر هر پیکسل مشخص می­شود. مجموعه داده عمومی حاوی فایل‌های DICOM است که در مجموع 12 جلد MRI از اسکن سر بیماران را تشکیل می‌دهد [39-40]. هر فایل شامل تصاویر مختلف MRI و CT می­باشد. هر تصویر دارای وضوح 512 × 512 با فاصله پیکسلی [5، 5/0] است. همه پیکسل­ها با حداقل مقدار شدت 0 و حداکثر 255 است. تصویری از نماهای برش متعامد از Dataset در شکل (13) نشان داده شده است.

4-‏2-‏       معیارهای ارزیابی

یک مرحله ضروری پردازش تصویر، فشرده­سازی تصویر پزشکی است. مقایسه تصاویر برای ارزیابی کیفیت فشرده­سازی بخش ضروری اندازه­گیری بهبود است. انتخاب متریک یکی از چالش­های ارزیابی فشرده­سازی پزشکی است [41و42]. استفاده از معیارهای ارزیابی مناسب برای اندازه‌گیری روش‌های فشرده‌سازی و بهبود بسیار مهم است. ما از چهار معیار ارزیابی به شرح زیر استفاده کردیم:

·       مدولاسیون شاخص تشابه ساختاری (SSIM).

·       MSE.

·       PSNR.

·       ضریب همبستگی

روش تعیین شاخص تشابه ساختاری (SSIM) برای ارزیابی شباهت دو تصویر استفاده می­شود. درخشندگی، کنتراست و ساختار سه عبارت هستند که برای تعیین SSIM استفاده می‌شود [43]:

 

(1)

 

(2)

 

(3)

 

 

در معادلات بالا، μx، μy، σx، σy و σxy به ترتیب میانگین محلی، SD و کوواریانس متقاطع را برای تصاویر x، y نشان می‌دهند. اگر α = β = γ = 1 (به عنوان مقادیر پیش­فرض برای توان­ها)، و C3 = C2/2 (به عنوان مقدار پیش­فرض برای C3) باشد، شاخص  را می­توان به صورت (5) ساده کرد:

 

(4)

 

یک معیار ارزیابی مدل که بیشتر با مدل­های رگرسیونی اعمال می­شود، میانگین مربعات خطا است. برای ارزیابی روش­های فشرده­سازی و روش­های افزایش، می­توان از روش MSE استفاده کرد:

 

(5)

 

در معادله بالا،  و  به ترتیب مقادیر پیکسل­های اصلی و بازیابی شده را در ردیف  و ستون  برای تصویر  نشان می­دهند.  به این بستگی دارد که پیکسل­های تصویر دقیق و تصویر خروجی چقدر متفاوت است. اگر تصویر دقیق و تصویر خروجی یکسان باشد،  برابر صفر می­شود.

یکی از معیارهای ارزیابی کیفیت مناسب برای فشرده­سازی تصویر پزشکی و بهبود تصویر پزشکی، نسبت سیگنال به نویز پیک () است.  نسبتی از حداکثر مقدار ممکن (قدرت) یک نشانگر را با عملکرد یک نویز اعوجاج نشان می­دهد، که به طور کلی بر کیفیت نمایش آن تأثیر می­گذارد.  به شرح زیر محاسبه می­شود:

 

(6)

 

ضریب همبستگی تصویر¹²، یک تحلیل دو تصویری است که قدرت ارتباط بین دو تصویر و جهت رابطه را اندازه­گیری می­کند. از نظر قدرت رابطه، مقدار ضریب همبستگی بین 1+ و 1- متغیر است. مقدار ±1 درجه ارتباط بین دو تصویر را نشان می­دهد. با رفتن مقدار ضریب همبستگی به سمت 0، رابطه بین دو تصویر ضعیف­تر خواهد بود. جهت رابطه با علامت ضریب نشان داده می­شود. علامت + نشان­دهنده رابطه مثبت و علامت – نشان دهنده رابطه منفی است. همبستگی کوواریانس را می­توان زمانی اعمال کرد که یک رابطه معمولی توزیع شده بین ویژگی­های دو تصویر وجود داشته باشد. بنابراینبه راحتی می­توان از آن برای ارزیابی مجموع واریانس دو تصویر خاص استفاده کرد. با استفاده از این ضریب می­توان جهت ویژگی­های مشابهت دو تصویر را فرض کرد. رابطه زیر این ضریب را معرفی کرده است.

 

(7)

 

که  و  معرف تصویر اصلی و تصویر شده است [44].

5-       نتیجه و بحث

5-‏1-‏       نتایج تجربی

این بخش نتیجه به دست آمده را با استفاده از روش­های فشرده­سازی تصویر پیشنهادی تشریح می­کند. پردازنده مورد استفاده در این آزمایش یک پردازنده Intel core i5 است که با فرکانس 90/2 گیگاهرتز کار می­کند و دارای 00/8 گیگابایت رم است. رویکرد پیشنهادی با استفاده از ابزار MATLAB بر روی پلتفرم 64 بیتی ویندوز برای تصاویر مختلف پزشکی پیاده­سازی شده است. برای مطالعه تجربی، تصاویر MRI و CT را در نظر گرفته­ایم. در رویکرد پیشنهادی عملکرد را بر حسب زمان فشرده­سازی و معیارهای مربوطه ارزیابی می­کنیم. تجزیه و تحلیل مقایسه­ای در شکل (14) با در نظر گرفتن تصویر مغز نشان داده شده است. با توجه به شکل می­توان دید که رویکرد پیشنهادی در مقایسه با رویکرد موجود، معیارهای ارزیابی بهتری را ارائه می­دهند و از نسبت فشرده­سازی خوبی برخوردار بوده است. زمان صرف شده توسط CPU بهبود می­یابد، عملکرد کار پیشنهادی نیز از نظر BPP کاهش می­یابد. مشکل کلیدی در فشرده­سازی در عملکرد، پیچیدگی مساله است. با توجه به سیستم موجود رویکردهای پبشنهادی با سایر مقالات در جدول (2) مقایسه شده است. بر اساس نتایج به­دست آمده می­توان مشاهده کرد که روش­های مختلف این کار ما را در دستیابی به نتایج بهبود یافته کمک می­کند.

5-‏2-‏       بحث

تصویر برای ذخیره یا انتقال اطلاعات به شکل بهینه فشرده می­شود. فشرده­سازی تصویر را می­توان بدون تلفات و تلفات کامل انجام داد. فشرده‌سازی بدون اتلاف گاهی برای برخی از تصاویر، مانند نقشه‌های فنی و نمادها ترجیح داده می‌شود، روش‌های فشرده‌سازی با تلفات بالا کیفیت تصویر را به خطر می‌اندازند؛ مگر زمانی که نرخ بیت پایین در اولویت استفاده ‌شوند. روش‌های فشرده‌سازی بدون تلفات نیز ممکن است برای محتوای ارزشمند، مانند عکس‌های پزشکی یا عکس‌های اسکن شده برای اهداف بایگانی ترجیح داده شوند. روش تکثیر به ویژه برای عکس‌های طبیعی مناسب است، مانند عکس‌هایی برای کاربردهای کوچک (گاهی اوقات جزئی)، که در آن از دست دادن وفاداری برای کاهش نرخ بیت قابل توجه است. برای ذخیره­سازی تصاویر باید تا حد امکان از حجم اطلاعات کاسته شود و اساس تمامی روش­های فشرده­سازی حذف بخشی از اطلاعات و داده­ها است. این نسبت فشرده­سازی است که مقدار و درصد اطلاعات دور ریخته شده را تعیین می­کند. این روش، ذخیره­سازی و انتقال داده­ها را ساده می­کند و پهنای باند و فرکانس مورد نیاز را کاهش می­دهد. PSNR، MSE و SSIM و همبستگی تصاویر 4 معیار عملکردی هستند که برای نمونه تصاویر پزشکی استفاده شده‌اند.

همانطور که در جدول (2) نشان داده شده، برای بهبود کیفیت تصاویر پس از فشرده­سازی با روش­های بدون تلفات یا کم تلفات، عملیات فشرده­سازی با کمک شبکه عصبی بسیار مهم و قابل توجه است. با بررسی بیشتر و مقایسه مقادیر PSNR،MSE ، CN و SSIM با کارهای دیگر، متوجه شدیم که روش تخمین پیکسل­ها با کمک شبکه عصبی عمیق در مقابل نویز مقاوم بوده و شباهت بیشتری برای معیار SSIM در مقایسه با روش مدلسازی پلکانی ایجاد خواهد کرد؛ هر چند نسبت فشرده­سازی کمتری را شامل می­شود. بنابراین روش پلکانی در زمینه فشرده­سازی عملکرد بهتری نسبت به روش تخمینی از خود نشان داده و از نظر کیفیت تصاویر بازگردانی شده روش تخمینی عملکرد بهتری را نشان می­دهد. بنابراین برای بررسی نتایج روش­های خود جهت مقایسه با سایر مقالات، از یک میانگین­گیری پارامتری برای روش­ها و تصاویر مختلف بهره خواهیم برد. با توجه به نتایج روش ارائه شده در شکل (15)، نمودار روش­های عملکرد را برای فشرده­سازی و تقویت نشان می­دهد. پس از مقایسه روش­های ارائه شده با روش­های فشرده­سازی تصویر، می­توان تخمین زد که روش­های ارائه شده از دقت بالاتری نسبت به سایر روش­ها برخوردار هستند.

 

---

[1]  Internet of Medical Things

[2]  Recurrent Neural Network (RNN)

[3]  Long Short-TermMemory

[4]  Differential pulse code modulation

[5]  Convolutional neural network (CNN)

[6]  location filtering

[7]  Grey Wolf Optimizer (GWO)

[8]  Wild Horse Optimizer (WHO)

[9]  Cascading Huffman Encryption

[10]  Structural Similarity Index Modulation (SSIM)

[11]  Peak Signal-to-Noise Ratio (PSNR)

[12]  Image correlation coefficient

جدول (2): مقایسه نتایج معیارهای ارزیابی کار پیشنهادی

(8)

Ref.	Method	MSE	PSNR	CN	SSIM	Bit rates compression in bpp	Time (ms)
MRI1	Estimation technique	0.905	37.39	0.9992	0.9686	3.289	687
MRI2	Staircase technique	0.834	44.34	0.9938	0.9698	4.56	743
MRI3	Estimation technique	0.983	39.56	0.9956	0.9566	4.15	534
MRI4	Staircase technique	0.584	34.76	0.9999	0.9923	3.67	874
CT1	Staircase technique	0.477	41.97	0.9989	0.9565	1.63	436
CT2	Estimation technique	0.678	46.10	0.9921	0.9452	2.87	812
CT3	Staircase technique	0.443	31.56	0.9976	0.9634	3.65	943
CT4	Estimation technique	0.77	29.89	0.9985	0.9576	3.125	563
Average		0.7092	38.196	0.9970	0.9637	3.3680	699
[16]	--	--	--	--	--	3.87	--
[46]	--	--	36.11	--	0.92	2.87	4000
[20]	--	--	29.33	--	0.9634	4.4	1000
[45]	--	--	31.05	--	--	2.5	--

 

 

 

شکل (14): نتایج بازسازی تصاویر پزشکی اصلی و اختلاف آنها برای چند نمونه مختلف

 

شکل (15): نمایش نمودار میله­ای تصاویر مختلف

6-       نتیجه­گیری

در این مقاله یک رویکرد جدید برای فشرده­سازی و بازسازی تصاویر پزشکی CT و MRI پیشنهاد شد. روش فشرده­سازی پیشنهادی با دو روش ترکیبی شبکه­های عصبی عمیق با رمزنگاری هافمن آبشاری ارائه می‌شود. این روش­ها شامل مدل­سازی پلکانی تصاویر خاکستری پزشکی و تخمین­گرهای پیکسل­ها از روی پیکسل­های همسایه می­باشد. سپس از یک رویکرد بازسازی با کمک فیلترینگ مکانی بهینه شده برای تصاویر رمزگشایی شده بهره برده شد. ابتدا برای یک تصویر معین، یک تابع هدف بر روی مسئله بهبود تصویر فرموله می‌شود، برای حل آن از همگرایی الگوریتم­های فراابتکاری GWO و WHO استفاده شد. یک راه‌حل سراسزی برای این فرآیند به دست آمد و سپس ضرایب فیلتر برای افزایش مشابهت تصاویر استخراج شده با تصاویر اصلی محاسبه شد. پیچیدگی با معرفی همگرایی برای مسئله داده شده بررسی شد و بعد از محاسبه ضرایب تنها به یک فیلترینگ مکانی برای تصاویر دیگر بسنده شد. عملکرد روش­های پیشنهادی از نظر PSNR، SSIM، CN، MSE و زمان صرف شده برای انجام فشرده­سازی و بازسازی به دست آمد. نتایج به­دست آمده نشان می­دهد که روش­های ارائه شده توانسته با کمترین پیچیدگی و تاخیر محاسباتی، عملیات فشرده­سازی با نسبت فشرده­سازی خوبی را انجام دهند. همچنین با محاسبه معیارهای ارزیابی مختلف تصاویر پزشکی این روش­ها توانسته است نتایج بسیار خوبی در مقایسه کارهای دیگر داشته باشند. علاوه بر این، در این پژوهش ضمن دستیابی به یک محدوده فشرده­سازی مطلوب و تخمین قابل قبول از پیکسل­های حذف شده در کمترین زمان ممکن توانسته­ایم به یک بازسازی تصاویر با دقت بالا و کیفیت مطلوب دست یابیم. برای ادامه این تحقیق در آینده سعی خواهیم کرد یک الگوی تخمینی از پیکسل­های مختلف در پنجره­های متفاوت با کمک استخراج ویژگی­های هر پنجره با کمک سیستم­های یادگیری عمیق ایجاد کنیم و براساس این ویژگی­های استخراج شده تصاویر مختلف بازسازی و بازگردانی شوند.

 

مراجع

[1]        M.-A. Moreno-Ibarra, Y. Villuendas-Rey, M. D. Lytras, C. Yáñez-Márquez, and J.-C. Salgado-Ramírez, "Classification of diseases using machine learning algorithms: A comparative study," Mathematics, vol. 9, p. 1817, 2021.

[2]        H. P. Chan, L. M. Hadjiiski, and R. K. Samala, "Computer‐aided diagnosis in the era of deep learning," Medical physics, vol. 47, pp. e218-e227, 2020.

[3]        W. Mbarki, M. Bouchouicha, S. Frizzi, F. Tshibasu, L. B. Farhat, and M. Sayadi, "Lumbar spine discs classification based on deep convolutional neural networks using axial view MRI," Interdisciplinary Neurosurgery, vol. 22, p. 100837, 2020.

[4]        J. Martinez-Mas, A. Bueno-Crespo, R. Martinez-Espana, M. Remezal-Solano, A. Ortiz-Gonzalez, S. Ortiz-Reina, et al., "Classifying Papanicolaou cervical smears through a cell merger approach by deep learning technique," Expert Systems with Applications, vol. 160, p. 113707, 2020.

[5]        H. Zhou, K. Wang, and J. Tian, "Online transfer learning for differential diagnosis of benign and malignant thyroid nodules with ultrasound images," IEEE Transactions on Biomedical Engineering, vol. 67, pp. 2773-2780, 2020.

[6]        F. Liu, M. Hernandez-Cabronero, V. Sanchez, M. W. Marcellin, and A. Bilgin, "The current role of image compression standards in medical imaging," Information, vol. 8, p. 131, 2017.

[7]        J. Huang, S. Zhang, and D. Metaxas, "Efficient MR image reconstruction for compressed MR imaging," Medical Image Analysis, vol. 15, pp. 670-679, 2011.

[8]        J. C. Salgado-Ramírez, J. M. Vianney Kinani, E. A. Cendejas-Castro, A. J. Rosales-Silva, E. Ramos-Díaz, and J. L. Díaz-de-Léon-Santiago, "New model of heteroasociative min memory robust to acquisition noise," Mathematics, vol. 10, p. 148, 2022.

[9]        A. Benou, R. Veksler, A. Friedman, and T. R. Raviv, "Ensemble of expert deep neural networks for spatio-temporal denoising of contrast-enhanced MRI sequences," Medical image analysis, vol. 42, pp. 145-159, 2017.

[10]        K.-H. Thung, P.-T. Yap, E. Adeli, S.-W. Lee, D. Shen, and A. s. D. N. Initiative, "Conversion and time-to-conversion predictions of mild cognitive impairment using low-rank affinity pursuit denoising and matrix completion," Medical image analysis, vol. 45, pp. 68-82, 2018.

[11]        E. Agustsson, M. Tschannen, F. Mentzer, R. Timofte, and L. V. Gool, "Generative adversarial networks for extreme learned image compression," in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019, pp. 221-231.

[12]        M. Li, W. Zuo, S. Gu, D. Zhao, and D. Zhang, "Learning convolutional networks for content-weighted image compression," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 3214-3223.

[13]        N. Johnston, D. Vincent, D. Minnen, M. Covell, S. Singh, T. Chinen, et al., "Improved lossy image compression with priming and spatially adaptive bit rates for recurrent networks," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 4385-4393.

[14]        S. Santurkar, D. Budden, and N. Shavit, "Generative compression," in 2018 Picture Coding Symposium (PCS), 2018, pp. 258-262.

[15]        E. Agustsson, M. Tschannen, F. Mentzer, R. Timofte, and L. V. Gool, "Generative adversarial networks for extreme learned image compression," in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019, pp. 221-231.

[16]        S. M. Belgaonkar and V. Singh, "Image compression and reconstruction in compressive sensing paradigm," Global Transitions Proceedings, vol. 3, pp. 220-224, 2022.

[17]        Y. Pourasad and F. Cavallaro, "A novel image processing approach to enhancement and compression of X-ray images," International Journal of Environmental Research and Public Health, vol. 18, p. 6724, 2021.

[18]        J. Luo, J. Wu, S. Zhao, L. Wang, and T. Xu, "Lossless compression for hyperspectral image using deep recurrent neural networks," International Journal of Machine Learning and Cybernetics, vol. 10, pp. 2619-2629, 2019.

[19]        H. Zhang, F. Cricri, H. R. Tavakoli, N. Zou, E. Aksu, and M. M. Hannuksela, "Lossless image compression using a multi-scale progressive statistical model," in Proceedings of the Asian Conference on Computer Vision, 2020.

[20]        D. Mishra, S. K. Singh, and R. K. Singh, "Lossy medical image compression using residual learning-based dual autoencoder model," in 2020 IEEE 7th Uttar Pradesh section international conference on electrical, electronics and computer engineering (UPCON), 2020, pp. 1-5.

[21]        J. Azar, A. Makhoul, R. Couturier, and J. Demerjian, "Robust IoT time series classification with data compression and deep learning," Neurocomputing, vol. 398, pp. 222-234, 2020.

[22]        Z. Cheng, H. Sun, M. Takeuchi, and J. Katto, "Learned lossless image compression with a hyperprior and discretized gaussian mixture likelihoods," in ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2020, pp. 2158-2162.

[23]        Z. Ma, H. Zhu, Z. He, Y. Lu, and F. Song, "Deep Lossless Compression Algorithm Based on Arithmetic Coding for Power Data," Sensors, vol. 22, p. 5331, 2022.

[24]        H. Fu, F. Liang, B. Lei, N. Bian, Q. Zhang, M. Akbari, et al., "Improved hybrid layered image compression using deep learning and traditional codecs," Signal Processing: Image Communication, vol. 82, p. 115774, 2020.

[25]        H. Rhee, Y. I. Jang, S. Kim, and N. I. Cho, "Lossless image compression by joint prediction of pixel and context using duplex neural networks," IEEE Access, vol. 9, pp. 86632-86645, 2021.

[26]        T. Malach, S. Greenberg, and M. Haiut, "Hardware-based real-time deep neural network lossless weights compression," IEEE Access, vol. 8, pp. 205051-205060, 2020.

[27]        O. H. Nagoor, J. Whittle, J. Deng, B. Mora, and M. W. Jones, "Lossless compression for volumetric medical images using deep neural network with local sampling," in 2020 IEEE International Conference on Image Processing (ICIP), 2020, pp. 2815-2819.

[28]        G. Xin and P. Fan, "A lossless compression method for multi-component medical images based on big data mining," Scientific Reports, vol. 11, p. 12372, 2021.

[29]        A. Nasif, Z. A. Othman, and N. S. Sani, "The deep learning solutions on lossless compression methods for alleviating data load on IoT nodes in smart cities," Sensors, vol. 21, p. 4223, 2021.

[30]        O. H. Nagoor, J. Whittle, J. Deng, B. Mora, and M. W. Jones, "Sampling strategies for learning-based 3D medical image compression," Machine Learning with Applications, vol. 8, p. 100273, 2022.

[31]        S. Mirjalili, S. M. Mirjalili, A. Lewis, and G. W. Optimizer, "Advances in engineering software," Renewable and Sustainable Energy Reviews, vol. 69, pp. 46-61, 2014.

[32]        I. Naruei and F. Keynia, "Wild horse optimizer: A new meta-heuristic algorithm for solving engineering optimization problems," Engineering with computers, vol. 38, pp. 3025-3056, 2022.

[33]        D. A. Huffman, "A method for the construction of minimum-redundancy codes," Proceedings of the IRE, vol. 40, pp. 1098-1101, 1952.

[34]        B. O’Hanen and M. Wisan, "JPEG Compression'," ed: Citeseer, 2005.

[35]        P. Kaur, "Compression using fractional Fourier transform," a thesis submitted in the partial fulfillment of requirement for the award of the degree of master of engineering in electronics and communicationDeemed University, 2010.

[36]        A. Odat, M. Otair, and M. Al-Khalayleh, "Comparative study between LM-DH technique and Huffman coding," International Journal of Applied Engineering Research, vol. 10, pp. 36004-36011, 2015.

[37]        J. Schmidhuber, "Deep learning in neural networks: An overview," Neural networks, vol. 61, pp. 85-117, 2015.

[38]        J.-T. Chien, "Chapter 7 - Deep Neural Network," in Source Separation and Machine Learning, J.-T. Chien, Ed., ed: Academic Press, 2019, pp. 259-320.

[39]        C. Cardenas, A. Mohamed, G. Sharp, M. Gooding, H. Veeraraghavan, and J. Yang, "Data from AAPM RT-MAC grand challenge 2019," The Cancer Imaging Archive, 2019.

[40]        C. E. Cardenas, A. S. Mohamed, J. Yang, M. Gooding, H. Veeraraghavan, J. Kalpathy‐Cramer, et al., "Head and neck cancer patient images for determining auto‐segmentation accuracy in T2‐weighted magnetic resonance imaging through expert manual segmentations," Medical physics, vol. 47, pp. 2317-2322, 2020.

[41]        S. G. Jafarzadeh, M. N. A. Rahman, and D. A. Wahab, "Optimization of supply chain management based on response surface methodology: A case study of iran khodro," World Applied Sciences Journal, vol. 20, pp. 620-627, 2012.

[42]        A. Deshpande, V. V. Estrela, and N. Razmjooy, Computational Intelligence Methods for Super-Resolution in Image Processing Applications: Springer, 2021.

[43]        A. G. M. Strollo, E. Napoli, D. De Caro, N. Petra, and G. Di Meo, "Comparison and extension of approximate 4-2 compressors for low-power approximate multipliers," IEEE Transactions on Circuits and Systems I: Regular Papers, vol. 67, pp. 3021-3034, 2020.

[44]        H. E.-d. H. Ahmed, H. M. Kalash, and O. S. Farag Allah, "Encryption quality analysis of the RC5 block cipher algorithm for digital images," Optical Engineering, vol. 45, pp. 107003-107003-7, 2006.

[45]        S. M. Belgaonkar and V. Singh, "Image compression and reconstruction in compressive sensing paradigm," Global Transitions Proceedings, vol. 3, pp. 220-224, 2022.

[46]        W. Al-Haidri, I. Matveev, M. A. Al-Antari, and M. Zubkov, "A Deep Learning Framework for Cardiac MR Under-Sampled Image Reconstruction with a Hybrid Spatial and k-Space Loss Function," Diagnostics, vol. 13, p. 1120, 2023.

49

نشریه تحلیل مدارها، داده ها و سامانه ها - سال اول- شماره سوم - پاییز  1402

 

---