Растущее бремя медицинских данных визуализации

Современные системы здравоохранения полагаются на системы архивирования изображений и связи (PACS) для хранения, извлечения и распространения цифровых медицинских изображений, таких как рентгеновские лучи, МРТ, КТ-сканирование и ультразвук. Объем данных визуализации продолжает расширяться с беспрецедентной скоростью & #8212; обусловленный модальностями более высокого разрешения, увеличением использования скрининга и старением населения. Одно исследование КТ может содержать сотни изображений; полный цифровой маммографический экзамен может превышать 1 ГБ; и средняя больница генерирует несколько терабайтов данных визуализации каждый год. Без эффективных стратегий сжатия стоимость инфраструктуры хранения может потреблять значительную часть ИТ-бюджета отделения & #8217, отвлекая ресурсы от ухода за пациентами.

Основы сжатия данных PACS

Сжатие данных уменьшает количество битов, необходимых для представления изображения, непосредственно снижая потребности в хранении и время передачи.В медицинской визуализации методы сжатия широко классифицируются как без потерь или с потерями.

  • Безубыточная компрессия сохраняет каждый пиксель точно, позволяя идеальную реконструкцию исходного изображения. Типичные алгоритмы включают кодирование длины пробега (RLE), Lempel-Ziv-Welch (LZW) и JPEG без потерь. Соотношение сжатия для методов без потерь скромное, обычно между 2:1 и 3:1 для радиографических изображений.
  • Лассивное сжатие отбрасывает перцептивно или диагностическое несущественное значение информации для достижения гораздо более высоких соотношений (10:1 — 50:1 и более) при сохранении приемлемого качества изображения.Задача состоит в том, чтобы гарантировать, что необратимое сжатие не ставит под угрозу диагностическую точность.

Стандарт DICOM поддерживает оба подхода, и Американский колледж радиологии (ACR) опубликовал руководящие принципы по использованию сжатия с потерями для конкретных модальностей и клинических целей. Недавние инновации раздвигают границы того, что достижимо, не жертвуя диагностической полезностью.

Последние инновации в технологиях сжатия

Глубокое обучение–Основное сжатие

Искусственные нейронные сети, в частности сверточные нейронные сети (CNN) и генеративные состязательные сети (GAN), были обучены выполнять сквозное сжатие медицинских изображений. Эти модели учатся выявлять и устранять пространственные и структурные избыточности при сохранении клинически значимых особенностей. Например, исследование, опубликованное в Радиология , продемонстрировало, что алгоритм сжатия на основе GAN может достигать коэффициентов сжатия 10:1 на рентгенограммах грудной клетки без статистически значимой разницы в диагностической точности для обнаружения легочных конкреций по сравнению с оригинальными изображениями. Исследуйте это исследование здесь .

Адаптивное и контент-сознательное сжатие

Не все области в медицинском изображении несут равный диагностический вес. Адаптивные алгоритмы сжатия анализируют содержание изображения и корректируют коэффициенты сжатия на региональном уровне: критические области (например, узелок легкого, линия перелома или кровоизлияние в мозг) получают лечение практически без потерь, в то время как однородные фоновые области подвергаются более высокому сжатию. Этот подход максимизирует общую экономию без ухудшения диагностической производительности. Некоторые современные платформы PACS теперь встраивают адаптивное сжатие в качестве настраиваемого параметра во время приема изображения.

Гибридные стратегии без потерь / Lossy

Вместо выбора одного режима гибридные методы сочетают в себе сжатие без потерь и сжатие с потерями в рамках одного и того же рабочего процесса. Например, первичное изображение может храниться в сжатом без потерь формате для архивных и медицинских целей, в то время как версия с потерями передается немедленно для предварительного просмотра на мобильных устройствах. Расширенные кодеки, такие как JPEG 2000 и HEVC (H.265), поддерживают эту двухслойную архитектуру изначально, позволяя эффективно извлекать из облачного хранилища без загрузки полных исходных данных.

Вейвлет-основанные и изученные кодеки

Сжатие волн (используется в JPEG 2000) было основным продуктом в медицинской визуализации в течение многих лет из-за его способности производить гладкие, свободные от артефактов изображения при высоких коэффициентах сжатия. Более поздние изученные кодеки (например, на основе гиперприорных автокодировщиков) превосходят JPEG 2000 как по производительности искажения скорости, так и по вычислительной эффективности. Поле быстро развивается; см. всеобъемлющий технический обзор по сжатию изученных изображений в IEEE .

Практические преимущества для организаций здравоохранения

Внедрение расширенного сжатия в развертываниях PACS обеспечивает ощутимые преимущества, помимо простого экономии места на жестком диске.

Снижение затрат на хранение

Больницы, которые принимают сжатие потерь в соотношении 8:1 к 15:1 для архивных исследований, могут снизить свои общие требования к хранению на 80–90%. Это напрямую снижает затраты на локальные системы SAN/NAS, облачные объекты хранения и резервную инфраструктуру. За пятилетний горизонт экономия может составить сотни тысяч долларов для учреждения среднего размера.

Быстрая передача изображений

Сжатые изображения быстрее перемещаются по сетям, что позволяет радиологам загружать исследования за секунды, а не минуты. Это особенно ценно для телерадиологии, удаленных консультаций и отделений неотложной помощи, где время имеет решающее значение. Снижение потребления пропускной способности также помогает объектам с ограниченным подключением к Интернету, таким как сельские клиники или мобильные устройства визуализации.

Улучшенное управление жизненным циклом данных

С меньшими размерами файлов администраторы PACS могут более эффективно распределять объемы хранения: часто доступны недавние исследования высокоскоростного флэш-хранилища и более старые или менее доступные экзамены на более медленные и дешевые носители.Сжатие также упрощает долгосрочное архивирование, аварийное восстановление и миграцию в облако, поскольку необходимо перемещать или копировать меньшее количество байтов.

Диагностическая уверенность сохраняется

Обширные клинические исследования показали, что современные алгоритмы сжатия, используемые в рекомендуемых соотношениях, не ухудшают диагностику для общих задач, таких как обнаружение переломов, узелков легких или внутричерепного кровоизлияния.Такие организации, как Европейское общество радиологии, регулярно обновляют руководящие принципы приемлемых уровней сжатия по модальности.

Нормативно-правовые аспекты и вопросы качества

В США Управление по контролю за продуктами и лекарствами (FDA) регулирует PACS и алгоритмы сжатия в качестве медицинских устройств. Любой метод сжатия, который вносит необратимые изменения, должен демонстрировать неуязвимость посредством тщательного тестирования. Закон о переносимости и подотчетности медицинского страхования (HIPAA) также предписывает, чтобы сжатые данные оставались доступными в течение того же периода хранения, что и оригиналы. DICOM Part 14 определяет синтаксисы передачи, которые регулируют параметры сжатия, обеспечивая совместимость между поставщиками.

Радиологические практики должны проводить исследования по валидации на конкретных участках перед принятием нового кодека сжатия, документируя, что качество изображения остается достаточным для их клинического сочетания. Многие системы PACS теперь включают встроенные инструменты обеспечения качества, которые сравнивают сжатую и оригинальную статистику изображений, предлагая дополнительную систему безопасности.

Роль ИИ в будущих системах сжатия

Искусственный интеллект не только улучшает сами алгоритмы сжатия, но и более широкий рабочий процесс PACS. Модели машинного обучения могут предсказать, какие исследования, вероятно, потребуют наилучшего качества реконструкции и предварительного кэширования их соответственно. Будущие системы могут интегрировать сжатие непосредственно в конвейер реконструкции КТ и МРТ-сканеров, применяя адаптированные алгоритмы во время формирования изображений. Краевые вычисления на устройствах получения могут обеспечить сжатие в реальном времени до того, как изображения когда-либо достигнут архива PACS, уменьшая объем хранилища в источнике.

Впереди вызовы

Несмотря на прогресс, остаются несколько препятствий. Вычислительная стоимость передового сжатия ИИ может быть высокой, особенно при обработке тысяч исследований в день на существующем оборудовании. Органы по стандартизации должны обновлять профили DICOM для размещения новых кодеков без фрагментации. Кроме того, радиологи должны сохранять бдительность в отношении потенциала алгоритмических смещений, которые могут непропорционально влиять на определенные популяции пациентов или анатомии. Текущее сотрудничество в области исследований между научными кругами, промышленностью и профессиональными обществами направлено на решение этих проблем совместно.

Заключение

Инновации в сжатии данных PACS трансформируют то, как организации здравоохранения управляют постоянно растущим потоком данных визуализации. Благодаря сочетанию целостности без потерь для критических регионов с агрессивным снижением потерь для несущественного фона современные методы обеспечивают значительную экономию затрат на хранение, более быстрые рабочие процессы и сохраняемую диагностическую точность. По мере созревания глубокого обучения и адаптивных стратегий, в следующем десятилетии, вероятно, будут наблюдаться коэффициенты сжатия, которые когда-то считались невозможными, одновременно упрощая соблюдение и улучшая уход за пациентами. ИТ-лидеры здравоохранения, которые инвестируют в проверенные, отвечающие стандартам решения для сжатия сегодня, будут хорошо позиционированы для эффективного и экономичного удовлетворения потребностей в визуализации завтра & # 8217.