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
Barra lateral del artículo
PDF
FLIP
HTML
La Revista ofrece Acceso Abierto bajo una licencia Creative Commons Attibution License
Esta obra está bajo una Licencia Creative Commons Atribución 4.0 Internacional.
Contenido principal del artículo
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.
Descargas
Detalles del artículo
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
