在这项工作中,我们评估了如何利用具有周期性激活功能的神经网络可靠地压缩大型多维医学图像数据集,并将概念验证应用应用于4D扩散加权MRI(DMRI)。在医学成像景观中,多维MRI是开发对基础组织微观结构既敏感又具有特异性的生物标志物的关键研究领域。但是,这些数据的高维质在存储和共享功能和相关成本方面构成了挑战,需要适当的算法能够在低维空间中表示信息。深度学习中的最新理论发展表明了周期性激活函数如何成为隐式神经表示图像的强大工具,并且可以用于压缩2D图像。在这里,我们将此方法扩展到4D图像,并展示如何通过正弦激活网络的参数准确地表示任何给定的4D DMRI数据集,从而达到数据压缩率是标准放气算法的10倍。我们的结果表明,所提出的方法优于基准relu和tanh激活感知到均方根误差,峰值信噪比和结构相似性指数。随后使用张量和球形谐波表示的随后分析表明,所提出的损耗压缩可准确再现原始数据的特征,从而导致相对误差约5至10倍,比基准JPEG2000有损耗压缩低约5至10倍,与标准预处理步骤相似,例如MP-PCA表示,表明在当前接受的临床应用水平内丧失信息。
translated by 谷歌翻译