醫學圖像無損壓縮技術研究進展

劉玉，崔皓然，粘永健，邱明國

?

醫學圖像無損壓縮技術研究進展

劉玉1，崔皓然2，粘永健3*，邱明國3

［摘要］醫學成像技術已經成為現代臨床醫學診斷與治療的核心支撐技術。然而，對于各種醫學成像設備所獲取的圖像，龐大的數據量給圖像存儲與傳輸帶來了巨大壓力，并嚴重制約著醫學圖像的后續應用。隨著醫學成像設備分辨率的不斷提高，所獲取的圖像數據量必將持續膨脹。因此，必須利用有效的壓縮技術對其進行壓縮。無損壓縮能夠完全保持原始醫學圖像的所有信息，在實際應用中獲得了廣泛的接受。本文對醫學圖像無損壓縮技術的研究進展進行總結與分析，并對其發展趨勢進行展望。

［關鍵詞］醫學圖像；無損壓縮；感興趣區域；磁共振成像；小波變換

作者單位：1. 第三軍醫大學學員十九營四排二班，重慶 400038 2. 第三軍醫大學學員十九營五排二班，重慶 400038 3. 第三軍醫大學生物醫學工程系醫學圖像學教研室，重慶 400038

接受日期：2015-12-28

劉玉， 崔皓然， 粘永健， 等. 醫學圖像無損壓縮技術研究進展. 磁共振成像，2016， 7（2）: 149–155.

*Correspondence to: Nian YJ， E-mail: yjnian@126.com

Received 30 Nov 2015， Accepted 28 Dec 2015

ACKNOWLEDGMENTS This work was part of National Natural Science Foundation of China Youth Science Foundation Project （No. 41201363）.

1　引言

醫學成像已經成為醫學研究和臨床診斷中最為活躍、發展極為迅速的領域之一。目前，各大醫院每天都會產生大量的醫學圖像，這些圖像主要包括計算機輔助斷層掃描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）、功能磁共振成像（functional MRI， fMRI）、核醫學（nuclear medicine， NM）、計算機輔助X光照片（computed radiography， CR）、數字化X射線攝影（digital radiography， DR）、數字減影血管造影術（digital subtraction angiography， DSA）以及超聲（ultrasound， US）等圖像。隨著醫學成像技術的不斷進步，尤其是成像設備分辨率的不斷提高，所產生的醫學圖像數量必將持續膨脹，這將給數據的存儲與傳輸帶來巨大壓力，因此，需要利用圖像壓縮算法對各種醫學圖像實施有效壓縮。雖然圖像存檔與傳輸系統（picture archiving and communication systems， PACS）為實現大規模多模態醫學圖像的存儲、傳輸與顯示提供了一種有效途徑，但要真正有效實現這一點，也必須借助于高效的圖像壓縮技術，以盡可能地降低存儲代價，并在有限的帶寬條件下實現圖像的實時傳輸。此外，為了實現衛生保健部門的三維醫學圖像安全有效的管理，醫學圖像壓縮技術同樣是不可或缺的［1］。

醫學圖像壓縮方式可分為無損壓縮與有損壓縮，其中無損壓縮前后圖像信息沒有任何損失，對于有損壓縮，給定目標碼率條件下，重建圖像與原始圖像之間在均方誤差意義上應盡可能接近。無損壓縮能夠為醫學診斷提供與原始圖像相同質量的圖像信息，而這種信息的完美保持能力對于醫學診斷是非常重要的，因此，無損壓縮能夠被廣泛接受。有損壓縮通過一定信息的損失來提供較高的壓縮比，但這種損失如果不能被較好地控制，將會造成圖像的明顯降質。需要指出的是，部分國家禁止對圖像進行有損壓縮，這種做法的初衷也是擔心有損壓縮所帶來的信息丟失會對醫學診斷帶來不利影響。本文針對醫學圖像無損壓縮技術的國內外研究現狀進行總結與分析，并對其發展前景進行展望，從而為醫學圖像無損壓縮技術的發展提供借鑒。

2　無損壓縮研究進展

醫學圖像大多是三維圖像序列，例如MRI、CT以及正電子發射斷層成像（positron emission tomography， PET）等。它們不僅存在著片內相關性，同時，片間仍存在較強的相關性，其中片間相關性的大小與片的數量緊密相關，片數越多，相關性越強，片數越少，相關性越弱。以上特性決定了醫學圖像的壓縮有別于普通的二維圖像壓縮。無損壓縮主要采用預測或者變換的方法去除醫學圖像的相關性。本節主要從基于預測的方法以及基于變換的方法兩方面對醫學圖像壓縮技術的研究進展情況進行總結。

2.1基于預測的方法

基于預測的方法主要利用圖像中像素之間的相關性，利用與當前像素空間相鄰的部分像素對其進行線性預測，將當前像素的真實值與預測值相減得到預測殘差，再利用特定的熵編碼方法對預測殘差進行無損編碼。在具體的預測方法上，差分脈沖編碼調制（differential pulse code modulation，DPCM）是主要采用的去相關方法，其編解碼示意圖如圖1所示［2］。

圖1　DPCM編解碼系統Fig. 1 The encoding and decoding system for DPCM

目前，JPEG-LS在靜止圖像無損壓縮中獲得了不錯的表現［3］，其性能甚至超過了JPEG2000無損壓縮。此外，Wu［4］提出的基于上下文自適應編碼的無損壓縮算法（context-based adaptive lossless image coding， CALIC），在靜止圖像壓縮中取得了良好的壓縮效果。盡管如此，但JPEG-LS與CALIC畢竟只是針對單幅圖像的壓縮，無法利用圖像的幀間相關性。在傳統的DPCM基礎上，自適應預測方法獲得了廣泛的應用。張曉玲等［5］提出了一種基于自適應預測的無損壓縮算法，該算法通過利用神經網絡模型來自適應地調整預測器的預測系數；針對X射線圖像的實驗表明，該算法獲得的bpp比JPEG（無損）低0.1左右，并且具有較低的復雜度。楊玲等［6］提出基于像素間相關性的MRI圖像無損壓縮方法，根據MRI圖像像素間的相關性生成4個相應的數組，然后對每個生成的數組進行相應的算術編碼，實現壓縮后進行保存或傳輸；實驗結果表明算法能夠取得優于LZW（Lempel-Ziv-Welch）的無損壓縮性能。Thangavelu K［7］提出了一種基于自適應塊預測的醫學圖像無損壓縮算法，對大量人體CT彩色圖像的實驗結果表明，該算法獲得的無損壓縮性能比傳統塊預測算法高3 5%，在計算復雜度上比JPEG2000低70%左右。Puthooran提出了兩級DPCM的醫學圖像無損壓縮算法［8］，其中兩級DPCM包括一個線性DPCM和一個非線性DPCM，而后者主要采用的是基于上下文切換的神經網絡預測算子，根據預測像素的上下文紋理信息，非線性DPCM在3種神經網絡算子之間進行自適應選取。針對MRI的測試結果表明，該算法的平均無損壓縮性能與CALIC相比提高6.5%。面向三維醫學圖像安全管理的實際需求，Castiglione［1］提出了一種動態自適應預測的三維醫學圖像無損壓縮算法，該算法同時用到了片內與片間線性預測，其中片內預測采用的是中值邊緣檢測器（median edge detector， MED），片間預測采用的是改進的LP［9］算法，此外，該算法的另一個優點是允許在碼流中嵌入安全水印。針對MRI和CT的測試結果表明，該算法的性能優于JPEG-LS、CALIC以及基于三維小波變換的無損壓縮算法。Liang［10］利用希爾伯特空間填充曲線將差分運算后的空間像素重新排列，以此增強圖像像素的局部性，其中填充曲線是由一個張量積公式產生的，最后對重排后的像素進行編碼。針對CT的測試結果表明，希爾伯特空間填充能夠顯著提高編碼器的有效性。針對咽部和食道的透視圖像，Arif先利用合適的形狀提取出圖像中的感興趣區域（region of interest， ROI），當前ROI與參考圖像中的ROI做差值，利用哈夫曼與游程編碼聯合對ROI的殘差圖像進行無損編碼［11］。Lim［12］提出了一種基于紋理建模的超聲射頻數據無損壓縮算法，紋理建模與熵編碼技術共同降低現代基于軟件的超聲系統的數據傳輸速率。為了提高醫學無損壓縮的執行速度，Pizzolante［13］提出了一種完全并行的醫學無損壓縮實施方案，這種并行實現方案能夠在部分支持開放運算語言（open computing language， OpenCL）的異構設備上執行，并具有較強的可伸縮特性，對MRI和CT的測試表明了的壓縮方案的有效性。

近年來發展起來的高性能視頻編碼（high efficiency video coding， HEVC）標準為提高醫學圖像的壓縮性能提供了可能，HEVC的引入主要為了更為充分地利用醫學圖像各個方向維的相關性。Philips在文獻［14］中用了很長的篇幅闡述了二維圖像與三維圖像編碼的基本原則，并討論了一種用于視頻無損壓縮的幀間技術，具體包括幀內預測與幀間紋理建模，對于CT和MRI的實驗表明該算法性能優于JPEG-LS和CALIC。Spelic使用Hounsfield scale對圖像進行分割，碼流數據分為兩部分，其中第一部分是位置信息，采用聯合二值圖像專家組（joint bi-level image experts group， JBIG）標準進行壓縮，第二部分為圖像數據，采用單獨設計的算法進行壓縮［15］。針對CT的測試結果顯示該算法能夠在一定程度上提高壓縮性能，并且可以允許用戶僅僅解碼所需要的任一部分。針對三維醫學體數據的序列，Sanchez也提出了基于先進視頻編碼的無損壓縮算法［1 6］，主要結合了H.264/先進視頻編碼（advanced video coding，AVC）標準的幾個主要特征：多幀運動補償、可變塊大小的運動估計、亞像素運動矢量精度以及一種新穎的運動矢量差分編碼算法；針對fMRI、動態MRI以及PET序列的四維醫學圖像測試結果表明，所提出算法的無損壓縮性能夠達到三維JPEG2000性能的3倍，對于fMRI的壓縮增益較大，而對PET序列的壓縮增益相對較小。在文獻［17］中，針對含邊緣信息較多的灰度解剖圖像，Sanchez提出采用HEVC幀內編碼對此類圖像進行無損壓縮，并提出了可供選擇的基于全樣本DPCM的角預測與平面預測模式。對MRI、CT以及血管造影的X射線圖像序列的測試結果顯示，該方法對CT獲得了理想的壓縮增益，MRI的壓縮增益一般，X射線圖像的壓縮增益最低，這是由于此類圖像噪聲水平較高。Miaou［18］提出了一種結合JPEG-LS與幀間編碼的壓縮算法，對于幀間相關性較差的圖像直接利用JPEG-LS單獨壓縮，而幀間相關性較高的圖像采用基于運動估計的幀間編碼模式。對MRI的測試結果表明，所提出的算法性能明顯優于JPEG-LS。

醫學圖像中的目標區域存在著一定的對稱性，這是醫學圖像的一個顯著特點。如果能夠找到對稱軸，充分利用對稱性中蘊含的相關性，完全能夠進一步提高壓縮性能。Karimi提出利用三維MRI圖像中固有存在的對稱性來進行無損壓縮［19］，主要通過塊匹配的方式來利用預測殘差圖像中的對稱性。Sanchez［20］提出了基于醫學圖像對稱性的可伸縮三維無損壓縮算法，該算法充分利用了三維醫學圖像片內相關性，首先采用二維整數小波去除各片的相關性，然后采用塊預測的方法消除ROI的對稱性所帶來的冗余信息。針對MRI和CT的實驗結果表明，該算法的無損壓縮性比3D JPEG2000提高20%左右。在文獻［21］中，Bairagi也將對稱性作為一個重要的參數引入到醫學圖像的無損壓縮，所提出的算法利用尺度不變特征轉換（scale-invariant feature transform， SIFT）配準算法確定圖像的對稱軸，在此基礎上僅僅傳輸對稱軸單側信息以及兩側存在差異的信息來代替傳輸整個圖像信息，從而達到了圖像壓縮的目的。針對MRI、CT和腰椎X射線圖像的實驗結果表明，將對稱性與現有壓縮方法相結合能夠顯著提高壓縮性能。

2.2基于變換的方法

基于變換的方法是利用特定的變換將圖像從空域映射到變換域，從而使得圖像能量得以集中在少數低頻系數，而絕大部分的高頻系數幾乎趨近于零，這樣可以利用較少的碼字表示絕大部分信息，從而達到了壓縮的目的。目前，常用的變換方法主要包括卡胡南-洛維變換（karhunen-loève transform， KLT）、離散余弦變換（discrete cosine transform， DCT）和離散小波變換（discrete wavelet transform， DWT），但針對醫學圖像的壓縮，DWT是最為廣泛應用的變換方法。需要指出的是，利用基于變換的方法圖像的無損壓縮，必須利用變換的整數實現方式，即圖像在變換域的系數仍為整數形式，只有這樣在后續編碼過程中才不會引入失真，從而保證整個壓縮成果完全無損可逆。圖2給出了基于變換的無損壓縮方法示意圖。

圖2　基于變換的無損壓縮方法Fig. 2 Lossless compression method based on transform

鑒于MRI和CT同時多個方向上的相關性，因此，多維小波變換是應用較多的方法之一。Xiong［22］提出了基于三維整數小波變換的醫學圖像壓縮算法，除了提升技術外，該算法引入了三維小波包分解結構，利用基于上下文的算術編碼實現小波系數的編碼。對MRI和CT的測試結果表明，與3D SPIHT相比，所提出算法的bpp能夠降低0.3～0.5；此外，該算法能夠實現無損到有損的漸進壓縮。鑒于三維醫學圖像存在片內和片間的相關性，Cho采用三維整數小波變換獲取圖像的三維樹結構，然后利用改進的三維分層樹集合分裂（three dimensional set partitioning in hierarchical tree， 3D SPIHT）算法搜索非對稱樹［23］，針對MRI和CT的實驗結果表明該算法的性能優于二維壓縮，在諸多三維壓縮算法中也有較好的表現。Wu［24］提出了基于三維小波可伸縮性編碼的醫學圖像無損壓縮算法，該算法采用二元小波對醫學圖像進行三維分解，然后利用基于上下文的算術編碼進行熵編碼。對CT和MRI的實驗結果表明算法具有良好的壓縮性能，并能夠實現較高的解碼吞吐量、隨機存取編碼數據與漸進傳輸。面向醫學診斷應用背景，Qi［25］提出了能夠實現三維醫學圖像集漸進傳輸的壓縮算法，三維整數小波用于去除三維醫學圖像的冗余，算術編碼和游程編碼用于對變換后的數據實施編碼，其中對診斷區域中大量可辨別解剖結構信息進行漸進式無損嵌入式編碼，使得這部分對診斷至關重要的信息能夠得以最先傳輸。針對MRI的測試結果驗證了算法的有效性，并可擴展到CT以及X射線圖像的壓縮。Kassim［26］利用三維整數小波變換與三維運動補償技術實現四維醫學圖像的壓縮，為了較好地去除連續多個醫學圖像序列存在的冗余，引入了視頻編碼中的關鍵幀和殘差幀的概念，采用一種快速的三維體匹配算法用于運動估計，然后三維整數小波變換與3D SPIHT算法用于最終的關鍵幀與殘差幀的編碼。針對MR的測試結果表明，與單純的三維壓縮方法相比，所提出的算法能夠獲得25%的壓縮增益。鐘文燕等［27］在3D SPIHT編碼的基礎上提出基于不對稱小波樹的分方向4 D SPIHT編碼算法，通過構造四維不對稱小波樹結構來靈活選擇每一維上的小波分解級數。根據小波樹特點，將各頻帶按方向獨立進行SPIHT編碼。針對fMRI的實驗結果表明，該算法能在不明顯增加算法復雜度的基礎上進一步提高壓縮性能，其bpp比3D SPIHT至少降低1。

將基于變換的方法和預測的方法相結合，也是實現醫學圖像無損壓縮的一條有效途徑，其中比較典型的是將DWT和自適應預測相結合。Kumar［28］提出了一種基于分塊條件熵編碼的醫學圖像無損壓縮算法，引入條件熵的出發點是一階條件熵在理論上要低于一階熵或者二階熵；該算法利用Haar小波變換對輸入圖像進行二維小波變換，然后為每個子帶定義了一個次優的掃描順序，通過熵估計的方法確定最優的塊大小，從而實現條件熵編碼。針對CT的實驗結果表明，該算法的無損壓縮性能優于JPEG2000。Chen［29］提出了基于小波變換與自適應預測的醫學圖像無損壓縮算法，創新之處在于通過分析小波系數之間的相關性來選取合適的小波基，與以往固定模式的預測器不同，自適應預測器通過不斷的統計自適應地調整參與預測的小波系數，最終的預測殘差進行算術編碼。對CT、MRI與US的實驗結果表明，該算法性能優于JPEG2000、CALIC以及SPIHT，但該算法并未考慮圖像的片間相關性。趙麗紅等［30］提出將整數小波變換與DPCM相結合的醫學圖像無損壓縮方法，實驗結果表明該方法的bpp比單獨使用Huffman編碼與僅使用變換的方法分別提高6%與9%。

除了DWT之外，許多新穎的改進的變換方法也被引入到醫學圖像的無損壓縮算法。Anusuya［31］采用二維固定小波變換（stationary wavelet transform， SWT）去除片內相關性，對小波系數進行最優截斷的嵌入式塊編碼（embedded block coding with optimized truncation， EBCOT）編碼，該算法可以提供良好的壓縮數據隨機存取功能，并能夠保證圖像分辨率和質量的可伸縮性，針對MRI的測試結果表明該算法可以獲得優于JPEG2000和EBCOT的壓縮性能。結合哈達瑪變換和哈夫曼編碼，Venugopal［32］提出了基于塊的低復雜度無損壓縮算法，首先對醫學圖像進行二維整數小波變換，對于低頻子帶，利用哈達瑪變換去除塊內部的相關性，直流分量預測能夠進一步消除塊與塊之間的相關性，對于其它子帶，采用基于閾值的方法來驗證是否需要進行變換，最終所有系數都將進行哈夫曼編碼形成碼流，針對CT的實驗結果表明該算法性能優于JPEG2000。

2.3實現方法分析

現有的醫學圖像無損壓縮主要采用基于預測和變換的方法進行實現，并且關于這兩種方法的研究都比較多。實際上，針對無損壓縮而言，基于預測的方法往往能夠獲得優于變換方法的去相關效果，其原因是由于基于變換的方法（例如DWT）往往通過固定的基函數進行醫學圖像的三維去相關，這種固定基函數難以達到與圖像統計特性的最優匹配，這使得圖像變換后的系數之間仍殘留一定的相關性。基于預測的方法通常是在最小二乘準則下，根據圖像的局部上下文內容來計算最優預測系數，從而獲得理想的去相關效果。因此，單純從提高醫學圖像無損壓縮比的角度來講，基于預測的方法是較好的選擇。但基于變換的方法能夠提供一些預測方法無法提供的特性，例如隨機存取、圖像分辨率和質量的分級、壓縮碼率的可伸縮性等，這些特性對于醫學圖像的壓縮系統來講又是非常實用的。從這一點來講，基于變換的方法又是較好的選擇。此外，基于預測的方法復雜度較低，對內存的需求量比較低。而基于變換的方法往往需要對整個三維圖像序列同時進行變換，這使得此類方法對內存需求量較高，并且計算復雜度也通常高于基于預測的方法。因此，兩種方法在實現醫學圖像壓縮上各有千秋，需要根據實際應用需求進行合理選取。

針對US等二維醫學圖像的無損壓縮，JPEGLS、CALIC以及JPEG2000（無損）已經能夠提供較為理想的壓縮性能，其中JPEG-LS的性能相對突出一些。若要在上述算法上進一步提高性能，需要引入一些有效的技術手段，在壓縮之前對圖像進行預處理，例如希爾伯特填充曲線［10］、對稱性的利用［19-21］等，或者采用更為有效的變換方法，例如SWT［31］等。針對MRI、CT、PET以及X射線等三維圖像的無損壓縮，通常采用片間與片內的三維預測模式，并與熵編碼相結合，其中片間的預測模式多通過運動估計與運動補償來實現。或者采用三維整數小波變換去除圖像在各個方向的相關性，并與合理的編碼方法相結合，其中比較常用的變換方法是整數小波變換。針對fMRI與4D MRI等多個三維序列圖像，需要設計相應的四維圖像壓縮算法，文獻［16］與［27］在這方面進行了研究，前者借鑒先進的視頻壓縮標準，針對每一組序列分別進行片間的運動估計與補償，對于序列之間運用差分矢量編碼與熵編碼聯合對序列之間的運動矢量進行壓縮編碼；后者對圖像的4個方向分別進行不對稱的整數小波變換，以去除各方向的相關性。在具體的熵編碼方法上，哈夫曼與游程編碼的結合以及算術編碼使用頻率較高。一般來講，算術編碼的性能要相對高一些。需要指出的是，針對相同維數但模態不同的醫學圖像，現有的各種無損壓縮方法均具有一定的普適性，只不過壓縮性能上存在著一定的差異，這也是由不同模態圖像的成像原理和圖像特性所造成的。

2.4醫學圖像無損壓縮質量評價

醫學圖像的無損壓縮在壓縮前后不存在任何圖像信息的損失，因此，無損壓縮不存在主觀質量評價的內容，而主要采用客觀評價指標來實現質量評價。客觀評價指標主要包括壓縮比（compression ratio，CR）和編解碼復雜度，在涉及到圖像傳輸的情況下還需要引入抗誤碼性這一指標。壓縮比是通過原始圖像大小除以壓縮后圖像數據流的大小獲得的，在有些情況下，每個像素的比特數（bit per pixel，Bpp）也是常用的衡量無損壓縮程度的客觀指標，對于一個N比特的原始圖像，Bpp和CR的關系為Bpp=N/CR。此外，文獻［32］采用壓縮百分比（compression percentage，CP）這個指標來衡量無損壓縮性能，其表達式為：

顯然，CP值越大，無損壓縮性能就越好。

3　醫學圖像無損壓縮技術發展趨勢

從以上關于醫學圖像壓縮研究進展的介紹可以看出，針對醫學圖像的無損壓縮，現有的壓縮主要目標是提高壓縮比（或者降低壓縮后的bpp）；同時，部分算法注重提供部分有實際應用價值的功能，例如壓縮圖像的隨機存取、分辨率和圖像質量的可伸縮性等。此外，部分無損壓縮算法中也引入了ROI的分割，在碼流設計上，ROI的無損壓縮碼流在整體碼流結構中處于前列，這樣能夠使得用戶能夠率先解碼ROI數據，有利于實現漸進傳輸。在醫學圖像壓縮算法的設計中，為了降低醫學壓縮系統的實現難度，通常要求算法具有較低的編解碼復雜度，這使得編解碼復雜度也成為需要考慮的一個因素。此外，圖像碼流在傳輸過程中極易發生誤碼，現有的壓縮算法基本不具備抗誤碼能力，碼流中一個比特的錯誤就有可能造成整個碼流的解碼錯誤，因此，算法的抗誤碼性能需要重點考慮。此外，為了進一步提高無損壓縮性能，根據不同維數與不同模態醫學圖像的成像特征，有針對性地設計壓縮算法也是一個行之有效的途徑。隨著信號處理技術的不斷發展，壓縮感知成像逐漸被應用于醫學成像領域［33］，壓縮感知是直接感知壓縮之后的信號，有選擇性地采集少量重要數據并采用有效的重構算法實現原始信號的重構，實現縮短信號采集時間，減少計算量，并在一定程度上保持原始信號的重建質量的要求，從而達到了一定的壓縮效果，在醫學MRI上具有較大的應用潛力，但該項技術仍處理理論研究階段，仍有諸多技術性難題有待研究解決。綜上所述，未來理想的醫學圖像無損壓縮算法應具備較好的壓縮性能、較低的編解碼復雜度以及良好的抗誤碼能力，但這幾方面往往是相互制約的，需要在實際中根據具體的應用背景加以側重。

隨著遠程放射學和遠程醫療的興起和不斷發展，對醫學圖像實時傳輸的需求與日俱增，但有限的傳輸帶寬難以實現如此大量圖像的實時傳輸，同時，海量圖像數據對本地存儲以及數據的安全管理也帶來了極大的挑戰。醫學圖像壓縮已經成為解決這一問題的關鍵技術，無損壓縮不會對醫學圖像造成任何信息的損失，這對醫生的影像學診斷至關重要。

參考文獻［References］

［1］Castiglione A， Pizzolante R， Santis AD， et al. Cloud-based adaptive compression and secure management services for 3D healthcare data. Future Generation Computer Systems， 2015，43-44: 120-134.

［2］Wan JW， Nian YJ， Su LH， et al. Progress on compression technique for hyperspectral images. Signal Processing， 2010，26（9）: 1397-1407.萬建偉， 粘永健， 蘇令華， 等. 高光譜圖像壓縮技術研究進展.信號處理， 2010， 26（9）: 1397-1407.

［3］Weinberger MJ， Seroussi G， Sapiro G. The LOCO-I losslessimage compressionalgorithm: principles and standardization into JPEG-LS. IEEE Transactions on ImageProcessing， 2000， 9（8）: 1309-1324.

［4］Wu X， Memon ND. Context-based adaptive lossless image coding. IEEE Transactions on Communication， 1997， 45（4）: 437-444.

［5］Zhang XL， Shen LS. An efficient lossless medical image compression method based on adaptive prediction. Acta Electronica Sinica， 2001， 29（12A）: 1914-1916.張曉玲， 沈蘭蓀. 一種基于自適應預測的醫學圖像高效無損壓縮方法. 電子學報， 2001， 29（12A）: 1914-1916.

［6］Yang L， Rao NN， Du XC， et al. A lossless compression algorithm based on correlation between pixels of medical MRI image. Space Medicine&Medical Engineering， 2012， 25（3）: 202-206.楊玲， 饒妮妮， 杜曉川 等. 基于像素間相關性的醫學MRI圖像無損壓縮方法. 航天醫學與醫學工程， 2012， 25（3）: 202-206.

［7］Thangavelu K， Krishnan T. Lossless color medical image compression using adaptive block-based encoding for human computed tomographic images. International Journal of Image Systems and Technology， 2013， 23（3）: 227-234.

［8］Puthooran E， Anand RS， Mukherjee S. Lossless compression of medical images using a dual level DPCM with context adaptive switching neural network predictor. International Journal of Computational Intelligence Systems， 2013， 6（6）: 1082-1093.

［9］Rizzo F， Carpentieri B， Motta G， et al. Low-complexity lossless compression of hyperspectral imagery via linear prediction. IEEE Signal Processing Letter， 2005， 12（2）: 138-141.

［10］Liang JY， Chen CS， Huang CH. Lossless compression of medical images using Hilbert space-filling curves. Computerized Medical Imaging and Graphics， 2008， 32（3）: 174-182.

［11］Arif AS， Mansor S， Logeswaran R， et al. Auto-shape lossless compression of pharynx and esophagus fluoroscopic images. Journal of Medical Systems， 2015， 39（2）: 1-7.

［12］Lim CE， Kim GD， Yoon CH， et al. Context modeling based lossless compression of radio-frequency data for software-based ultrasound beamforming. Biomedical Signal Processing and Control， 2013， 8（6）: 682-687.

［13］Pizzolante R， Castiglione A， Carpentieri B， et al. Parallel lowcomplexity lossless coding of three-dimensional medical images. International Conference on Network-Based Information Systems， Salerno， Italy， 2014: 91-98.

［14］Philips W， Assche SV， Rycke DD， et al. State-of-the-art techniques for lossless compression of 3D medical image sets. Computerized Medical Imaging and Graphics， 2001， 25（2）: 173-185.

［15］Spelic D， Zalik B. Lossless compression of threshold-segmented medical images. Journal of Medical Systems， 2012， 36（4）: 2349-2357.

［16］Sanchez V， Nasiopoulos P， Abugharbieh R. Efficient lossless compression of 4-D medical images based on the advanced video coding scheme. IEEE Transactions on Information Technology in Biomedicine， 2008， 12（4）: 442-445.

［17］Sanchez V， Bartrina-Rapesta J. Lossless compression of medical images based on HEVC intracoding. IEEE International Conference on Acoustic， Speech and Signal Processing，Florence， Italy， 2013: 6622-6626.

［18］Miaou SG， Ke FS， Chen SC. A lossless compression method for medical image. IEEE Transactions on Information Technology in Biomedicine， 2009， 13（5）: 818-821.

［19］Karimi N， Samavi S， Amraee S， et al. Use of symmetry in prediction-error field for losslesscompression of 3D MRI images. Multimedia Tools and Applications， 2015， 74（24）: 11007-11022.

［20］Sanchez V， Abugharbieh R， Nasiopoulos P. Symmetry-based scalable lossless compression of 3D medical image data. IEEE Transactions on Medical Imaging， 2009， 28（7）: 1062-1072.

［21］Bairagi VK. Symmetry-based biomedical image compression. Journal of Digital Imaging， 2015， 28（6）: 718-726.

［22］Xiong ZX， Wu XL， Cheng S， et al. Lossy-to-lossless compression of medical volumetric data using threedimensional integer wavelet transforms. IEEE Transactions on Medical Imaging， 2003， 22（3）: 459-470.

［23］Cho SD， Kim DY， Pearlman WA. Lossless compression of volumetric medical images with improved three-dimensional SPIHT algorithm. Journal of Digital Imaging， 2004， 17（1）: 57-63.

［24］Wu XL， Qiu T. Wavelet coding of volumetric medical images for high throughput and operability. IEEE Transactions on Medical Imaging， 2005， 24（6）: 719-727.

［25］Qi XJ， Tyler JM. A progressive transmission capable diagnostically lossless compression scheme for 3D medical image sets. Information Sciences， 2005， 175（3）: 217-243.

［26］Kassim AA， Yan PK， Lee WS， et al. Motion compensated lossyto-lossless compression of 4-D medical images using integer wavelet transforms. IEEE Transactions on Information Technology in Biomedicine， 2005， 9（1）: 132-138.

［27］Zhong WY， Yang F， Chen YP. Medical image compression based on improved 4D-SPIHT algorithm. Computer Engineering and Applications， 2010， 46（32）: 147-151.鐘文燕， 楊豐， 陳燕萍. 改進的4D-SPIHT醫學圖像無損壓縮.計算機工程與應用， 2010， 46（32）: 147-151.

［28］Kumar SVB， Nagaraj N， Mukhopadhyay S， et al. Block-based conditional entropy coding for medical image. Proceedings of SPIE， 2003， 5033: 375-381.

［29］Chen YT， Tseng DC. Wavelet-based medical image compression with adaptive prediction. Computerized Medical Imaging and Graphics， 2007， 31（1）: 1-8.

［30］Zhao LH， Tian YN， Sha YG， et al. Lossless compression of medical images by combining integer wavelet transform with DPCM. Journal of Northeastern University（Natural Science），2007， 28（10）: 1454-1457.趙麗紅， 田亞男， 沙永剛， 等. DPCM與小波變換結合的醫學圖像無損壓縮. 東北大學學報， 2007， 28（10）: 1454-1457.

［31］Anusuya V， Srinivasa Raghavan V， Kavitha G. Lossless compression on MRI images using SWT. Journal of Digital Imaging， 2014， 27（5）: 594-600.

［32］Venugopal D， Mohan S， Raja S. An efficient block based lossless compression of medical images. International Journal for Light and Electron Optics， 2016， 127（2）: 754-758.

［33］Zhang GS， Xiao G， Dai ZZ， et al. Compressed sensing technology and its application in MRI. Chin J Magn Reson Imaging， 2013， 4（4）: 314-320.張桂珊， 肖剛， 戴卓智， 等. 壓縮感知技術及其在MRI上的應用. 磁共振成像， 2013， 4（4）: 314-320.

Research progress on lossless compression technology for medical images

LIU Yu1， CUI Hao-ran2， NIAN Yong-jian3*， QIU Ming-guo31The Second Squad of the 4-th Platoon， the 19-th Student Battalion， Third Military Medical University， Chongqing 400038， China2The Second Squad of the 5-th Platoon， the 19-th Student Battalion， Third Military Medical University， Chongqing 400038， China3Department of Medical Images， School of Biomedical Engineering， Third Military Medical University， Chongqing 400038， China

Key wordsMedical image； Lossless compression； Region of interest； Magnetic resonance imaging； Wavelet transform

AbstractMedical imaging technique has been the central supported technique for modern clinical medicine diagnosis and treatment. However， for the images obtained by various medical imaging devices， so huge dataset creates heavy burden for image storage and transmission and restricts the following application of medical images. Therefore， it is necessary to exploit efficient compression technique to compress various medical images. Lossless compression can completely keep the total information of original medical images， which has been widely accepted in the practical application. In this paper， the research progress on lossless compression for medical images is summarized and analyzed； finally， its development trend is expected.

基金項目：國家自然科學基金青年科學基金項目（編號：41201363）

通訊作者：粘永健，E-mail: yjnian@126.com

收稿日期：2015-11-30

中圖分類號：R445.2

文獻標識碼：A

DOI:10.12015/issn.1674-8034.2016.02.013