Deep learning based Image Compression for Microscopy Images: An Empirical Study

要約

最新の顕微鏡とバイオイメージング技術の急速な発展により、前例のない量のイメージング データが生成、保存、分析され、さらにはネットワークを通じて共有されています。
データのサイズは、現在のデータ インフラストラクチャにとって大きな課題となっています。
データ サイズを削減する一般的な方法の 1 つは、画像圧縮です。
この研究では、古典的な画像圧縮方法と深層学習ベースの画像圧縮方法、およびそれらが深層学習ベースの画像処理モデルに与える影響を分析します。
深層学習ベースのラベルフリー予測モデル (つまり、明視野画像から蛍光画像を予測する) が、比較と分析のアプリケーション例として使用されます。
効果的な画像圧縮方法により、必要な情報を失わずにデータ サイズを大幅に削減できるため、データ管理インフラストラクチャの負担が軽減され、データ共有やクラウド コンピューティングのためのネットワークを介した高速送信が可能になります。
このような望ましい方法で画像を圧縮するために、複数の古典的な非可逆画像圧縮技術が、Python を使用して CompressAI ツールボックスによって提供およびトレーニングされたいくつかの AI ベースの圧縮モデルと比較されます。
これらのさまざまな圧縮技術は、圧縮率、複数の画像類似性の尺度、そして最も重要なことに、圧縮画像のラベルフリー モデルからの予測精度において比較されます。
AI ベースの圧縮技術は従来の圧縮技術を大幅に上回り、2D の場合の下流のラベルフリー タスクへの影響は最小限であることがわかりました。
最終的に、本研究が深層学習ベースの画像圧縮の可能性と、下流の深層学習ベースの画像分析モデルに対する画像圧縮の影響に光を当てることができれば幸いです。

要約(オリジナル)

With the fast development of modern microscopes and bioimaging techniques, an unprecedentedly large amount of imaging data are being generated, stored, analyzed, and even shared through networks. The size of the data poses great challenges for current data infrastructure. One common way to reduce the data size is by image compression. This present study analyzes classic and deep learning based image compression methods, and their impact on deep learning based image processing models. Deep learning based label-free prediction models (i.e., predicting fluorescent images from bright field images) are used as an example application for comparison and analysis. Effective image compression methods could help reduce the data size significantly without losing necessary information, and therefore reduce the burden on data management infrastructure and permit fast transmission through the network for data sharing or cloud computing. To compress images in such a wanted way, multiple classical lossy image compression techniques are compared to several AI-based compression models provided by and trained with the CompressAI toolbox using python. These different compression techniques are compared in compression ratio, multiple image similarity measures and, most importantly, the prediction accuracy from label-free models on compressed images. We found that AI-based compression techniques largely outperform the classic ones and will minimally affect the downstream label-free task in 2D cases. In the end, we hope the present study could shed light on the potential of deep learning based image compression and the impact of image compression on downstream deep learning based image analysis models.

arxiv情報

著者 Yu Zhou,Jan Sollmann,Jianxu Chen
発行日 2024-01-16 11:32:48+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG, eess.IV パーマリンク