Métodos de compresión sin pérdidas de imágenes de resonancia magnética utilizando transformada wavelet: revisión sistemática

Lossless compression methods for magnetic resonance imaging using wavelet transform a systematic review

Contenido principal del artículo

Paula Andrea Ferreira-Mejía
Wilson Nicolás Andrés Pérez-Cubillos
Lilia Edith Aparicio-Pico

Resumen

En medicina la información de las imágenes diagnósticas es vital e imprescindible, por este motivo es necesario procesarlas sin que existan márgenes de error que interfieran con su lectura y análisis. En términos generales: las imágenes presentan redundancia entre píxeles lo cual hace que ocupen un tamaño considerable que va desde los Megabytes (MB) hasta los Gigabytes (GB); el proceso de transmitirlas a través de la red se dificulta en términos de almacenamiento y coste computacional, por ende se deben aplicar procesos de compresión sin pérdidas útiles para reducir el ancho de banda, mejorar la capacidad de almacenamiento e incrementar la velocidad de transmisión sin afectar la calidad de la imagen diagnóstica.


La propuesta de este artículo se basa en una revisión sistemática en la que se sintetiza y expone las características, ventajas y desventajas, de las técnicas de extracción de las regiones de interés (ROI), los algoritmos híbridos de compresión sin pérdidas de imágenes de MRI (Magnetic Resonance Imaging) y, por último, se toma como referencia la transformada Wavelet y las aplicaciones propuestas, a futuro, por los investigadores de los artículos revisados; entre las técnicas utilizadas destacan: EWT (Empirical Wavelet Transform), EZW (Embedded Zero Trees of Wavelet), SPIHT (Set partitioning in Hierarchical Trees) y el algoritmo híbrido-derivado como lo es: EWISTARS (Exponential Wavelet Iterative Shrinkage-Thresholding Algorithm with Random Shift) finalmente la selección y extracción automática de una ROI se realiza, mediante operaciones morfológicas, como la operación de apertura y segmentación de nivel. Para evaluar la calidad de estas técnicas se describen las métricas de rendimiento MSE (Mean Square Error), PSNR (Peak Signal to Noise Ratio) y CR (Compression Ratio). Los resultados de esta investigación serán de utilidad para que los investigadores, que estén incursionando en el área, puedan ampliar su visión acerca del procesamiento de imágenes médicas.


 

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

Abu-Hajar, A., & Sankar, R. (2002, May). Wavelet based lossless image compression using partial SPIHT and bit plane based arithmetic coding. In 2002 IEEE International Conference on Acoustics, Speech, and Signal Processing (Vol. 4, pp. IV-3497). IEEE. https://doi.org/10.1109/ICASSP.2002.5745408

Agarwal, R., Salimath, C. S., & Alam, K. (2019). Multiple image compression in medical imaging techniques using wavelets for speedy transmission and optimal storage. Biomedical and Pharmacology Journal, 12(1), 183-198. https://doi.org/10.13005/bpj/1627

Ammah, P. N. T., & Owusu, E. (2019). Robust medical image compression based on wavelet transform and vector quantization. Informatics in Medicine Unlocked, 15, 100183. https://doi.org/10.1016/j.imu.2019.100183

Avramovic, A. (2011, November). Lossless compression of medical images based on gradient edge detection. In 2011 19thTelecommunications Forum (TELFOR) Proceedings of Papers (pp. 1199-1202). IEEE. https://doi.org/10.1109/TELFOR.2011.6143765

Bilgin, A., Zweig, G., & Marcellin, M. W. (1998, March). Efficient lossless coding of medical image volumes using reversible integer wavelet transforms. In Proceedings DCC'98 Data Compression Conference (Cat. No. 98TB100225) (pp. 428-437). IEEE. https://doi.org/10.1109/DCC.1998.672188

Do, M. N. (2002). Directional multiresolution image representations (No. THESIS). EPFL

González, R.A. (2010) “Algoritmo basado en Wavelets para la detección de incendios forestales,” (tesis de maestría). Universidad de las Américas Puebla, México

Hamzah, F. A. B., Yoshida, T., & Iwahashi, M. (2017, December). Four-dimensional image compression with region of interest based on non-separable double lifting integer wavelet transform. In 2017 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC) (pp. 1819-1823). IEEE. https://doi.org/10.1109/APSIPA.2017.8282329

Kaur, H., Kaur, R., & Kumar, N. (2015). Review of various techniques for medical image compression. International Journal of Computer Applications, 123(4), 25-29. https://doi.org/10.5120/ijca2015905282

Kaur, R., & Rani, R. (2018, December). ROI and Non-ROI based Medical Image Compression Techniques: A Survey and Comparative Review. In 2018 First International Conference on Secure Cyber Computing and Communication (ICSCCC) (pp. 550-555). IEEE. https://doi.org/10.1109/ICSCCC.2018.8703337

Kim, B. J., & Pearlman, W. A. (1997, March). An embedded wavelet video coder using three-dimensional set partitioning in hierarchical trees (SPIHT). In Proceedings DCC'97. Data Compression Conference (pp. 251-260). IEEE. https://doi.org/10.1109/DCC.1997.582048

Kitchenham, B., & Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering

Liu, F., Hernández-Cabronero, M., Sánchez, V., Marcellin, M. W., & Bilgin, A. (2017). The current role of image compression standards in medical imaging. Information, 8(4), 131. https://doi.org/10.3390/info8040131

Melo, S. B., & García, R. J. H. (2005). Compresión de Imágenes con Wavelets y Multiwavelets. Ingeniería, 10(1), 48-54

Mehta, S. (2017). Medical image compression based on ROI using integer wavelet transform. International Journal on Future Revolution in Computer Science & Communication Engineering, 3(10), 174-180

MR, A. D., Ahamad, M. G., & Ravichandran, D. (2016, November). Medical image compression using embedded zerotree wavelet (EZW) coder. In 2016 International Conference System Modeling & Advancement in Research Trends (SMART) (pp. 17-23). IEEE. https://doi.org/10.1109/SYSMART.2016.7894482

Narayana, P. S., & Khan, A. M. (2020). MRI image compression using multiple wavelets at different levels of discrete wavelets transform. In Journal of Physics: Conference Series (Vol. 1427, No. 1, p. 012002)

Ravichandran, D., Nimmatoori, R., & Dhivakar, M. A. (2016, March). Performance of wavelet based image compression on medical images for cloud computing. In 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom) (pp. 297-302). IEEE

Sophia, P. E., & Anitha, J. (2014, December). Implementation of region based medical image compression for telemedicine application. In 2014 IEEE International Conference on Computational Intelligence and Computing Research (pp. 1-4). IEEE. https://doi.org/10.1109/ICCIC.2014.7238321

Sreenivasulu, P. & Varadarajan, S. (2018). An Efficient Lossless ROI Image Compression Using Wavelet Based Modified Region Growing Algorithm. Journal of Intelligent Systems, 29(1), 1063-1078. https://doi.org/10.1515/jisys-2018-0180

Thampi, L. L., & Paul, V. (2017, April). Application of compression after the detection of endometrial carcinoma imaging: Future scopes. In 2017 International conference of Electronics, Communication and Aerospace Technology (ICECA) (Vol. 1, pp. 28-32). IEEE. https://doi.org/10.1109/ICECA.2017.8203696

Tromberg, B. (2000). National Institute of Biomedical Imaging and Bioengineering.

Accessed: Nov 15,2020. Available: https://www.nibib.nih.gov/espanol/temas-cientificos/imagen-por-resonancia- magn%C3%A9tica-irm

Vidhya, K., Babu, T. R. G., & Devi, S. S. (2018). Extraction of abnormalities in MRI, CT, X-ray and Ultrasound images towards development of efficient compression algorithm

Zhang, Y., Yang, J., Yang, J., Liu, A., & Sun, P. (2016). A novel compressed sensing method for magnetic resonance imaging: exponential wavelet iterative Shrinkage-Thresholding algorithm with random shift. International Journal of biomedical Imaging, 2016. https://doi.org/10.1155/2016/9416435