Learned Image Compression for HE-stained Histopathological Images via Stain Deconvolution

要約

病理組織学的全スライド画像 (WSI) を処理すると、世界中の診療所で大量のストレージが必要になります。
画像取得中に非可逆画像圧縮を行った後でも、深層学習ベース (DL) の下流タスクのパフォーマンスに実質的な影響を与えることなく、追加の非可逆圧縮が可能であることがよくあります。
この論文では、一般的に使用されている JPEG アルゴリズムがさらなる圧縮には最適ではないことを示し、新しい DL ベースの組織病理学データ圧縮アプローチである Stain Quantized Latent Compression (SQLC) を提案します。
SQLC は、圧縮を最大化するための量子化された潜在表現を取得するために、圧縮オートエンコーダー (CAE) に通す前に染色チャネルと RGB チャネルを圧縮します。
私たちのアプローチは、JPEG などの従来のアプローチと比較して、下流の分類タスクで優れたパフォーマンスをもたらし、マルチスケール構造類似性指数 (MS-SSIM) などの画質メトリクスはほぼ維持されることを示します。
私たちの方法はオンラインで利用できます。

要約(オリジナル)

Processing histopathological Whole Slide Images (WSI) leads to massive storage requirements for clinics worldwide. Even after lossy image compression during image acquisition, additional lossy compression is frequently possible without substantially affecting the performance of deep learning-based (DL) downstream tasks. In this paper, we show that the commonly used JPEG algorithm is not best suited for further compression and we propose Stain Quantized Latent Compression (SQLC ), a novel DL based histopathology data compression approach. SQLC compresses staining and RGB channels before passing it through a compression autoencoder (CAE ) in order to obtain quantized latent representations for maximizing the compression. We show that our approach yields superior performance in a classification downstream task, compared to traditional approaches like JPEG, while image quality metrics like the Multi-Scale Structural Similarity Index (MS-SSIM) is largely preserved. Our method is online available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google