Сжатие фМРТ-данных с помощью WTT-преобразования

Авторы

  • П.В. Харюк
  • И.В. Оселедец
  • В.Л. Ушаков

Ключевые слова:

вычислительные тензорные методы
вейвлет-преобразование Добеши
Wavelet Tensor Train (WTT) разложение
фМРТ данные
сжатие данных

Аннотация

Рассмотрено применение Wavelet Tensor Train (WTT) разложения к наборам данных функциональной магнитно-резонасной томографии (фМРТ) для их сжатия. В отличие от популярных вейвлет-преобразований, это WTT-разложение обладает свойством адаптивности и, в то же время, необходимостью хранения фильтров разложения для каждого отдельного массива. Проведено сравнение с преобразованиями Добеши в применении к реальным фМРТ-данным. Полученные результаты свидетельствуют о возможности успешного использования WTT-преобразования для сжатия с потерями.

Новые вычислительные технологии

Загрузки

Опубликован

2014-12-07

Выпуск

Том 15 (2014): Выпуск 4.

Раздел

Раздел 1. Вычислительные методы и приложения

Авторы

П.В. Харюк

Московский государственный университет имени М.В. Ломоносова,
факультет вычислительной математики и кибернетики
Ленинские горы, 119992, Москва
• аспирант

И.В. Оселедец

Институт вычислительной математики имени Г.И. Марчука РАН (ИВМ РАН)
ул. Губкина, 8, 119333, Москва
• старший научный сотрудник

В.Л. Ушаков

Национальный исследовательский центр «Курчатовский институт»
пл. Академика Курчатова, 1, 123182, Москва
• начальник лаборатории

Библиографические ссылки

  1. Liu Y., Pearlman W.A. Four-dimensional wavelet compression of 4-D medical images using scalable 4-D SBHP // Proc. Data Compression Conference. Washington DC: IEEE Press, 2007. 233-242.
  2. Lalgudi H.G., Bilgin A., Marcellin M.W., et al. Four-dimensional compression of fMRI using JPEG2000 // SPIE Proc. 2005. 5747. 1028-1037.
  3. Rajeswari R., Rajesh R. Efficient compression of 4D fMRI images using bandelet transform and fuzzy thresholding // Proc. World Congress on Nature and Biologically Inspired Computing. New York: IEEE Press, 2009. 543-547.
  4. Knezovic J., Kovavc M., vZagar M., et al. Novel prediction based technique for efficient compression of medical imaging data // Telemedicine Techniques and Applications. Rijeka: InTech Press, 2011. 169-184.
  5. Ruchika M., Singh M., Singh A.R. Compression of medical images using wavelet transforms // Int. J. of Soft Computing and Engineering. 2012. 2, N 2. 339-343.
  6. Brechet L., Lucas M.-F., Doncarli C., Farina D. Compression of biomedical signals with mother wavelet optimization and best-basis wavelet packet selection // IEEE Trans. on Biomedical Engineering. 2007. 54, N 12. 2186-2192.
  7. Nielsen M., Kamavuako E.N., Andersen M.M., et al. Optimal wavelets for biomedical signal compression // Medical and Biological Engineering and Computing. 2006. 44, N 7. 561-568.
  8. Nguyen B.P., Chui C.-K., Ong S.-H., Chang S. An efficient compression scheme for 4-D medical images using hierarchical vector quantization and motion compensation // Computers in Biology and Medicine. 2011. 41, N 9. 843-856.
  9. Anusuya V., Raghavan V.S., Kavitha G. Lossless compression on MRI images using SWT // Journal of Digital Imaging. 2014. 27, N 5. 594-600.
  10. Taquet J., Labit C. Hierarchical oriented predictions for resolution scalable lossless and near-lossless compression of CT and MRI biomedical images // IEEE Trans. on Image Processing. 2012. 21, N 5. 2641-2652.
  11. Pizzolante R., Carpentieri B. Lossless, low-complexity, compression of three-dimensional volumetric medical images via linear prediction // Proc. 18th Int. Conf. on Digital Signal Processing. New York: IEEE Press, 2013. 1-6.
  12. Ogawa S., Lee T.M., Kay A.R., Tank D.W. Brain magnetic resonance imaging with contrast dependent on blood oxygenation // Proc. of the National Academy of Sciences of USA. 1990. 87, N 24. 9868-9872.
  13. Mulert C., Lemieux L. EEG - fMRI: physiological basis, technique, and applications. Heidelberg: Springer, 2010.
  14. Daubechies I. Ten lectures on wavelets. Philadelphia: SIAM, 1992.
  15. Oseledets I.V., Tyrtyshnikov E.E. Algebraic wavelet transform via quantics tensor train decomposition // SIAM J. Sci. Comput. 2011. 33, N 3. 1315-1328.
  16. Kazeev V.A., Oseledets I.V. The tensor structure of a class of adaptive algebraic wavelet transforms. Preprint N 2013-28. Zürich: Swiss Federal Inst. of Technology, 2013.
  17. Oseledets I.V. Tensor-train decomposition // SIAM J. Sci. Comput. 2011. 33, N 5. 2295-2317.
  18. Oseledets I.V. Approximation of 2^d imes 2^d matrices using tensor decomposition // SIAM J. Matrix Anal. Appl. 2010. 31, N 4. 2130-2145.
  19. Khoromskij B.N. O(d log N)-quantics approximation of N-d tensors in high-dimensional numerical modeling // Constr. Appr. 2011. 34, N 2. 257-280.
  20. Харюк П.В., Оселедец И.В. WTT-разложение для семейств массивов и его применение для сжатия изображений // Вычислительные методы и программирование. 2014. 15. 229-238.
  21. Theis F.J., Tanaka T. A fast and efficient method for compressing fMRI data sets // Lecture Notes in Computer Science. Vol. 3697. Heidelberg: Springer, 2005. 769-777.
  22. Taswell C. Wavelet transform compression of functional magnetic resonance image sequences // Proc. Int. Conf. on Signal and Image Processing. 1998. http://www.toolsmiths.com/docs/sip98.pdf.