19、医疗领域的图像压缩与大数据分析技术

医疗领域的图像压缩与大数据分析技术

1. 堆叠去噪自动编码器压缩采样方法（SDA - CS）

在医疗领域，随着人工智能研究的进步，高分辨率图像的获取产生了大量数据，这使得数据的获取、存储、传输和处理成本居高不下。压缩感知（CS）技术在医学成像等实时应用中得到了广泛关注，而堆叠去噪自动编码器压缩采样（SDA - CS）方法则是在此基础上的进一步发展。

1.1 研究背景与任务

传统的SDA - CS方法通过将有用特征总结为单个值（如均值和方差）进行压缩，并将这些封装值输入到SDA分类器中确定疾病故障状态。然而，这种方法常导致疾病检测关键特征的丢失，且医疗数据中存在相机照明和显微镜调整等带来的噪声。因此，该研究的主要任务包括：
- 优化压缩采样过程，引入去噪自动编码器的误差反馈概念，并将其特征融入CS。
- 提出与传统CS不同的恢复算法，将堆叠去噪自动编码器和压缩采样作为一个整体，提高压缩效率。
- 提出改进方法，在减少计算时间的同时提高噪声图像的质量和压缩比。

1.2 相关工作回顾

信息压缩是图像分类的主要关注点之一，深度学习（DL）中的自动编码器因能在保留关键信息的同时获取输入的紧凑表示而受到研究关注。例如，Han等人提出的稀疏自动编码器压缩采样方法可自动选择合适的稀疏性，Majumdar引入的新自动编码器框架在图像重建方面效果优于其他广泛使用的方法。

1.3 SDA - CS方法原理

SDA - CS框架由结构化堆叠去噪自动编码器（SDA）和压缩采样（CS）组成。其工作流程如下：
1. 数据输入 ：将肠道、疟疾、