یک روش مبتنی بر شبکه عصبی عمیق بهینه شده با الگوریتم هافمن و الگوریتم های فرا ابتکاری برای فشرده سازی و بازسازی تصویر پزشکی

این تحقیق از دو رویکرد مختلف برای فشرده سازی عکس های پزشکی برای اهداف بلندمدت استفاده می کند. در روش اول، تصاویر با استفاده از رمز هافمن فشرده شده و سپس با استفاده از مدل سازی سلسله مراتبی بر اساس طبقه بندی طراحی شده توسط شبکه عصبی ساده سازی می شوند. در روش دوم از یک استراتژی پیش بینی مبتنی بر آموزش شبکه عصبی عمیق استفاده شده است. این روش از یک شبکه عصبی آموزش دیده برای استنتاج مکان های پیکسل های منفرد استفاده می کند و از این رو، مقدار داده های مورد نیاز برای توصیف یک تصویر را کاهش می دهد. رمزگذاری فشرده سازی هافمن روی داده های باقی مانده استفاده می شود. یک روش فیلتر فضایی پیشرفته برای رمزگشایی داده های تصویر استفاده می شود و سپس الگوریتم های فراابتکاری بهینه سازی اسب وحشی و بهینه سازی گرگ خاکستری برای تولید یک تصویر بازسازی شده استفاده می شوند. رویکردهای پیشنهادی امکان ساده سازی تصویر را فراهم می کنند که منجر به رمزگشایی سریع تر شده است. مدولاسیون شاخص تشابه ساختاری، زمان و نسبت سیگنال به نویز پیک به ترتیب به طور متوسط 2، 30.1 و 15.15 درصد نسبت به سایر روش ها بهبود یافته است. الگوریتم های پیشنهادی می توانند عکس های پزشکی را با کیفیت بسیار بالایی در مقایسه با روش های مبتنی بر یادگیری عمیق فعلی فشرده کنند.

a method based on deep neural network optimized with huffman algorithm and meta-heuristic algorithms for medical image compression and reconstruction

this research makes use of two different approaches to compress medical images for long-term purposes. in the first method, images are compressed using the huffman cipher and then simplified using a hierarchical modeling based on a neural network-designed categorization. a prediction strategy based on deep neural network training is employed in the second method. this technique uses a trained neural network to infer the locations of individual pixels, hence reducing the amount of data required to describe a picture. huffman compression encryption is used on the leftover data. an enhanced spatial filtering technique is used to decode the picture data, and the wild horse optimization and gray wolf optimization meta-heuristic algorithms are then used to produce a rebuilt image. without compromising compression efficiency, this allows for a more realistic application of the suggested solutions in non-deterministic contexts. the suggested approaches allow for picture simplification, which has resulted in faster decoding. structural similarity index modulation, time and peak signal-to-noise ratio have been improved by an average of 2, 30.1 and 15.15%, respectively. the suggested algorithms were able to compress medical photos with very high quality level, as compared to the current deep learning-based methods.