Mit Hightech und künstlicher Intelligenz das Verborgene sichtbar machen

Forschung und Entwicklung im Kompetenzfeld Biosystems Engineering

Inhaltsadaptive Bildkompression

Hochdurchsatz-Screening mit bildgebenden Verfahren gewinnt zunehmend in biomedizinischen Anwendungen aber auch z. B. in den Materialwissenschaften an Bedeutung. Dabei entstehen sehr große Mengen an Bilddaten. Üblicherweise werden diese Bilder komprimiert, um Speicherplatz zu sparen. Es gibt universelle Verfahren, meist bestimmte Transformationen, die zur schnellen (on-the-fly-)Kompression (z. B. Kosinus-Transformation – enthalten in JPEG) geeignet sind, und langsamere (weniger Datenverlust oder höhere Kompression) Verfahren (Wavelet-Transformation – enthalten in JPEG2000), die eher zur Archivierung dienen. Alle diese Verfahren jedoch behandeln jedes Bild separat und de-facto unabhängig von dessen Inhalt. Setzt man an dieser Stelle an, kann man die Kompression auch abhängig vom typischen Bildinhalt eines größeren Bildbestandes durchführen. Eine Reihe von künstlichen neuronalen Netzen wird auf spezielle Bildinhalte bzw. deren Kompression antrainiert. Dieser einmalige Aufwand des Antrainierens lohnt sich immer dann, wenn später eine Vielzahl ähnlicher Bilder zu speichern ist, also z. B. Bilder (Mikroskopie, CT, NMR) von einem gleichen Gewebe oder Organ. Das ist in biologischen und medizinischen Anwendungen oft der Fall. Der Vorteil gegenüber universellen Verfahren besteht dann darin, dass durch in die Kompression einbezogene A-priori-Information über den dominierenden Bildinhalt die Kompressionsleistung höher ist. In Vergleichen mit einschlägigen Bildformaten (z. B. JPEG, JPEG2000, PNG) aber auch universellen Kompressionsalgorithmen (z. B. ZIP) hat dieses Verfahren seine Überlegenheit demonstriert. Das Verfahren ist in weiten Grenzen parametrisierbar – von nahezu verlustfrei (nearly lossless) bis zu sehr hohen Kompressionsraten. Durch die Selektion typischer Bildinhalte für das Antrainieren der Kompressoren kann die Qualität der rekonstruierten Bilder ebenfalls inhaltsabhängig gestaltet werden, d. h. relevante Strukturen werden schwächer und damit verlustfreier komprimiert als andere Bildbereiche. Diese Eigenschaft ist unabhängig vom lokalen Auftreten einzelner Strukturen im Bild. Die Integration dieses Verfahrens in entsprechende kommerzielle Anlagen zur Bildakquisition und/oder Bildspeicherung ist für die nahe Zukunft vorgesehen.

Systemdiagram der inhaltsadaptiven Bildkompression
© OVGU
Schematischer Aufbau des inhaltsadaptiven Bildkompressionssystems. Zuerst wird der Bildinhalt auf Bildblockbasis analysiert (links).
Systemdiagramm zur inhaltadaptiven Bildkompression
© OVGU
Abhängig vom Bildinhalt wird jeder Bildblock durch einen vorbereiteten Kompressor prozessiert. Diese separaten Kompressoren sind als autoassoziatives Feed-Forward-Netzwerk ausgeführt (mitte). Die einzelnen Kompressoren werden nur mit den Bildblöcken der zugehörigen Klasse (Cluster) trainiert. Die Kompression erfolgt durch die variabel wählbare Breite (Anzahl der Neuronen) der Mittelschicht. Dieses Verfahren erhielt im Jahre 2006 einen Innovationspreis des Landes Sachsen-Anhalt.
© Medizinische Hochschule Hannover
Unter anderem in der medizinischen Diagnostik entstehen Millionen ähnlicher Bilder, die zu Dokumentationszwecken archiviert werden müssen. Für derartige Anwendungen eignet sich das beschriebene Verfahren besonders gut. Die umfangreichen Datensätze, dem dieses Beispielbild entnommen wurde, stammen von der Medizinischen Hochschule Hannover.

Publikationen

Seiffert, U.: Content Adaptive Compression of Images Using Neural Maps. Proc. of the International Workshop on Self-Organizing Maps WSOM 2005, Paris, France, pp. 227-234, 2005.

Seiffert, U.: ANNIE - Artificial Neural Network-based Image Encoder, Neurocomputing, 2014, 125, 229-235