رشد Burden of Medical Imaging Data

سیستم های مراقبت های بهداشتی مدرن به سیستم های بایگانی تصویر و ارتباطات (PACS) برای ذخیره، بازیابی و توزیع تصاویر پزشکی دیجیتال مانند اشعه ایکس، MRI، اسکن های CT و سونوگرافی متکی هستند. حجم داده های تصویربرداری همچنان به گسترش در یک بخش تصویربرداری بی سابقه و قابل توجه از #82 ادامه می دهد؛ با توجه به روش های بالاتر، افزایش استفاده از غربالگری و جمعیت پیر، یک مطالعه واحد می تواند شامل صدها نمونه از یک بخش فشرده سازی دقیق از داده های حافظه و پردازش اطلاعات باشد؛ بدون استفاده از یک نوار دیجیتال 1 گیگابایتی متوسط و متوسط.

اصول پردازش داده های PACS

فشرده سازی داده ها تعداد بیت های مورد نیاز برای نشان دادن یک تصویر را کاهش می دهد، به طور مستقیم نیازهای ذخیره سازی و زمان انتقال را کاهش می دهد.در تصویربرداری پزشکی، تکنیک های فشرده سازی به طور گسترده ای به عنوان بی ضرر یا از دست دادن طبقه بندی می شوند.

  • فشرده سازی بی حد و حصر هر پیکسل را دقیقا حفظ می کند، اجازه می دهد بازسازی کامل از تصویر اصلی. الگوریتم های معمولی شامل رمزگذاری طولانی مدت (RLE)، Lempel-Ziv-Welch (LZW)، و نسبت های فشرده سازی بی ضرر برای روش های از دست دادن، معمولا بین 2 و 3:1 برای تصاویر رادیویی است.
  • فشرده سازی از دست رفته به طور قابل ملاحظه ای یا اطلاعات غیر مهم را برای دستیابی به نسبت های بسیار بالاتر (10:1 تا 50:1 یا بیشتر) در حالی که حفظ کیفیت تصویر قابل قبول است، چالش این است که اطمینان حاصل شود که فشرده سازی غیر قابل برگشت دقت تشخیصی را به خطر نمی اندازد.

استاندارد DICOM از هر دو رویکرد پشتیبانی می کند و کالج رادیولوژی آمریکا (ACR) دستورالعمل هایی را در مورد استفاده از فشرده سازی از دست دادن برای روش های خاص و اهداف بالینی منتشر کرده است. نوآوری های اخیر مرزهای آنچه را که بدون قربانی کردن ابزار تشخیصی قابل دستیابی است، فشار می دهد.

نوآوری های اخیر در تکنیک های فشرده سازی

آموزش عمیق و #8211؛ فشرده سازی مبتنی بر

شبکه های عصبی مصنوعی، به ویژه شبکه های عصبی هم پیوسته (CNNs) و شبکه های عمومی مجاور (GANs)، آموزش دیده اند تا فشرده سازی نهایی تصاویر پزشکی را انجام دهند.این مدل ها یاد می گیرند تا تصاویر فضایی و ساختاری را شناسایی و حذف کنند و در حالی که ویژگی های بالینی مربوطه را حفظ می کنند، به عنوان مثال، مطالعه ای که در [FLT0] فشرده سازی بالینی منتشر شده است.[۱]

قابلیت سازگاری و Content-Aware Compression

تمام مناطق درون یک تصویر پزشکی وزن تشخیصی برابر ندارند. الگوریتم های فشرده سازی تطبیقی محتوای تصویر را تجزیه و تحلیل می کنند و نسبت فشرده سازی را به صورت منطقه ای تنظیم می کنند: مناطق بحرانی (به عنوان مثال، یک نوردول ریه، یک خط شکستگی یا یک هش مغزی) درمان نزدیک به حد ضرر را دریافت می کنند، در حالی که مناطق پس زمینه همگن تحت فشرده سازی بالاتر قرار می گیرند.این رویکرد به حداکثر می رسد بدون اینکه برخی از پردازش مدرن PACS استفاده کنند.

استراتژی های بدون ضرر / از دست رفته

به جای انتخاب یک حالت واحد، تکنیک های ترکیبی از فشرده سازی بی ضرر و از دست دادن در همان جریان کاری را ترکیب می کنند، به عنوان مثال، یک تصویر اولیه ممکن است در قالب فشرده ای از دست رفته برای اهداف بایگانی و قانونی ذخیره شود، در حالی که یک نسخه از دست دادن بلافاصله برای بررسی اولیه در دستگاه های تلفن همراه منتقل می شود.کد پیشرفته مانند JPEG 2000 و HEVC (H265) این معماری دوگانه را قادر می سازد تا اطلاعات کامل را از بازیابی کند.

کدک های مبتنی بر Wavelet و Learned Codecs

فشرده سازی موج (که در JPEG 2000 استفاده می شود) برای سال ها به دلیل توانایی آن برای تولید تصاویر بدون اثر هنری در نسبت فشرده سازی بالا، یک کدک آموخته شده اخیر (به عنوان مثال، بر اساس hyperLTor autoencoders) از JPEG 2000 به هر دو عملکرد و کارایی محاسباتی عملکرد سرعت در حال تحول است؛ [به عنوان مثال، یک تصویر جامع در مورد استفاده از تکنولوژی: \r2]

مزایای عملی برای سازمان های بهداشت و درمان

پیاده سازی فشرده سازی پیشرفته در استقرار PACS مزایای ملموسی را فراتر از صرفه جویی در فضای هارد دیسک ارائه می دهد.

کاهش هزینه های ذخیره سازی

بیمارستان هایی که فشرده سازی از دست دادن را در نسبت های 8:1 به 15:1 برای مطالعات بایگانی می توانند کل نیازهای ذخیره سازی خود را تا 80– کاهش دهند؛ 90٪ این هزینه ها را برای سیستم های SAN / NAS، ذخیره سازی اشیاء ابر و زیرساخت های پشتیبان گیری در حدود 5 سال کاهش می دهد، پس انداز می تواند به صدها هزار دلار برای یک موسسه متوسط کاهش یابد.

سریع تر تصویر انتقال

تصاویر فشرده سریعتر در سراسر شبکه ها سفر می کنند، و رادیولوژیست ها را قادر می سازد تا مطالعات را در ثانیه به جای چند دقیقه بارگیری کنند، این به ویژه برای TeleRadiology، مشاوره های از راه دور و بخش های اضطراری که در آن زمان مهم است، کاهش مصرف پهنای باند نیز به امکانات با اتصال اینترنت محدود، مانند کلینیک های روستایی یا واحدهای تصویربرداری تلفن همراه کمک می کند.

مدیریت بهبود عمر Data Lifecycle Management

با اندازه فایل های کوچکتر، مدیران PACS می توانند ذخیره سازی را به طور موثر تر انجام دهند: اغلب به مطالعات اخیر در ذخیره سازی فلش با سرعت بالا و امتحانات قدیمی تر یا کمتر دسترسی در رسانه های آهسته تر و ارزان تر دسترسی پیدا می کنند. فشرده سازی همچنین آرشیو طولانی مدت، بازیابی فاجعه و مهاجرت ابر را ساده می کند زیرا بایت های کمتری باید منتقل یا تکرار شوند.

اعتماد تشخیصی حفظ شده

مطالعات گسترده ای در زمینه ی اعتبار بالینی نشان داده اند که الگوریتم های فشرده سازی مدرن که در نسبت های توصیه شده استفاده می شوند، عملکرد تشخیصی را برای کارهای رایج مانند تشخیص شکستگی، نوdules ریه یا حبس ابدال تشخیص نمی دهند.سازمان هایی مانند جامعه ی اروپایی رادیولوژی به طور منظم دستورالعمل هایی برای فشرده سازی قابل قبول را با تعدیل به روز می آورند.

تنظیم مقررات و ملاحظات کیفیت

فشرده سازی از دست دادن در محیط بالینی نیاز به توجه دقیق به انطباق قانونی دارد.در ایالات متحده، اداره غذا و دارو (FDA) تنظیم PACS و الگوریتم های فشرده سازی به عنوان دستگاه های پزشکی است که تغییرات غیر قابل برگشت را معرفی می کند باید از طریق تست دقیق، فروشندگان غیر عفونی کننده را نشان دهد.

شیوه های رادیولوژی باید مطالعات اعتبار سایت را قبل از اتخاذ یک کد فشرده سازی جدید انجام دهند، مستندسازی کیفیت تصویر برای مخلوط پرونده بالینی آنها کافی است. بسیاری از سیستم های PACS در حال حاضر شامل ابزارهای اطمینان کیفیت داخلی هستند که آمار تصویر فشرده و اصلی را مقایسه می کنند و یک شبکه ایمنی اضافی ارائه می دهند.

نقش AI در سیستم های آینده فشرده سازی

هوش مصنوعی نه تنها الگوریتم های فشرده سازی را بهبود می بخشد، بلکه همچنین جریان کار گسترده تر PACS را نیز پیش بینی می کند که کدام مطالعات احتمالا نیاز به بازسازی با کیفیت بهترین و پیش از آن دارند، سیستم های آینده می توانند فشرده سازی را به طور مستقیم به خط لوله بازسازی CT و اسکنرهای MRI ادغام کنند، استفاده از الگوریتم های طراحی شده در طول شکل گیری تصویر. Edge محاسبات خرید دستگاه ها می تواند فشرده سازی واقعی را قبل از رسیدن به تصاویر ذخیره سازی، کاهش ذخیره سازی منبع در حافظه ذخیره سازی، در حافظه ذخیره سازی، امکان پذیر کند.

چالش های Ahead

علی رغم پیشرفت، چندین مانع باقی مانده است.هزینه محاسباتی فشرده سازی پیشرفته AI می تواند بالا باشد، به ویژه هنگامی که پردازش هزاران مطالعه در روز در سخت افزار های موجود است. - نهادهای استاندارد باید پروفایل های DICOM را به روز کنند تا بدون تقسیم بندی، علاوه بر این، رادیولوژیست ها باید نسبت به پتانسیل سوگیری های الگوریتم که می تواند بر جمعیت های بیمار یا یک اختلال در تحقیقات، و جوامع حرفه ای تاثیر بگذارد، هوشیار بمانند.

نتیجه گیری

نوآوری در فشرده سازی داده های PACS در حال تغییر است که چگونه سازمان های بهداشتی سیل همیشه در حال رشد از داده های تصویربرداری را مدیریت می کنند، با ترکیب یکپارچگی بی ضرر برای مناطق بحرانی با کاهش شدید از دست دادن تهاجمی برای پس زمینه غیر ضروری، تکنیک های مدرن صرفه جویی در هزینه های ذخیره سازی قابل توجه، جریان های تصویربرداری سریع تر و دقت تشخیصی را به عنوان یادگیری عمیق و استراتژی های سازگار با بلوغ، احتمالا نسبت فشرده سازی دقیق و ساده سازی را مشاهده می کنند، در حالی که رهبران مراقبت های معتبر امروز، و انطباق با اطمینان، و بهبود می کنند.