A Novel Implicit Neural Representation for Volume Data

要約

医用画像の保存は、医用画像分野における課題の 1 つです。
暗黙的ニューラル表現 (INR) を使用して体積医療画像を圧縮するさまざまな作業があります。
ただし、体積医療画像の圧縮率には改善の余地があります。
INR 技術のほとんどは、高品質の医療ボリューム レンダリングのために大量の GPU メモリと長いトレーニング時間を必要とします。
この論文では、私たちが提案するアーキテクチャ、つまり、Lanczos ダウンサンプリング スキーム、SIREN ディープ ネットワーク、および SRDenseNet 高解像度スキームを使用してボリューム データを圧縮するための新しい暗黙的ニューラル表現を紹介します。
私たちのアーキテクチャは、トレーニング時間を効果的に削減し、最終的なレンダリング品質を維持しながら高い圧縮率を得ることができます。
また、既存作品と比べてGPUメモリを節約できます。
実験では、我々のアーキテクチャを使用した再構成画像の品質とトレーニング速度が、SIREN のみを使用した現在の研究よりも高いことが示されました。
さらに、GPU メモリのコストも明らかに削減されています。

要約(オリジナル)

The storage of medical images is one of the challenges in the medical imaging field. There are variable works that use implicit neural representation (INR) to compress volumetric medical images. However, there is room to improve the compression rate for volumetric medical images. Most of the INR techniques need a huge amount of GPU memory and a long training time for high-quality medical volume rendering. In this paper, we present a novel implicit neural representation to compress volume data using our proposed architecture, that is, the Lanczos downsampling scheme, SIREN deep network, and SRDenseNet high-resolution scheme. Our architecture can effectively reduce training time, and gain a high compression rate while retaining the final rendering quality. Moreover, it can save GPU memory in comparison with the existing works. The experiments show that the quality of reconstructed images and training speed using our architecture is higher than current works which use the SIREN only. Besides, the GPU memory cost is evidently decreased

arxiv情報

提供元, 利用サービス

arxiv.jp, Google