Проблемы методов сжатия медицинских изображений

Автоматизация службы лучевой диагностики существенно повысила доступность радиологических исследований для точной диагностики заболеваний и травм. Вместе с тем расширение парка рентгенологического оборудования, внедрение телемедицины и сервисов поддержки врачебных решений на основе искусственного интеллекта требуют модернизации систем хранения и обработки изображений в уже существующих системах.

В данной статье представлен обзор современных методов сжатия радиологических изображений, которые обеспечивают более высокий коэффициент сжатия, улучшенное качество изображения и меньшее время кодирова­ния/декодирования по сравнению со стандартами, предусмотренными спецификацией DICOM. Обзор научных публикаций позволяет заключить, что рентгенологические изображения обладают рядом особенностей, учет которых в алгоритмах сжатия позволяет улучшить показатели сжатия изображений. К таким особенностям от­носятся: высокая зашумленность, наличие локально симметричных областей (схожих участков), а также при­сутствие множества последовательных кадров в рамках одного исследования.

Применение современных подходов к сжатию данных способно повысить отказоустойчивость высоконагруженных медицинских систем и сократить затраты на хранение, передачу и обработку диагностических исследований.

1. Краюшкин Д. В., Чеповский А. М. Проблемы сопровождения медицинских информа­ционных систем // Инжиниринг предприятий и управление знаниями (ИП&УЗ-2024), М.: РЭУ им. Г. В. Плеханова. 2024. С. 172–177.

2. Mu L., Liu H. Noninvasive electrocardiographic imaging with low-rank and non-local total variation regularization // Pattern Recognition Letters, 2020, vol. 138, pp. 106–114. DOI 10.1016/j.patrec.2020.07.007

3. Данилкина Ю. С., Крамм М. Н., Чыонг Т. Л. Н., Бодин А. Ю., Краюшкин Д. В. Много­канальная регистрация ЭКГ с поверхности женского торса и визуализация характеристик сердца // Научная визуализация. 2024. Т. 16, № 3. С. 97–105. DOI 10.26583/sv.16.3.10

4. Gonzalez R. C., Woods R. E. Digital Image Processing. 4th ed. Pearson, 2018.

5. Amin M. S., Jabeen S., Wang C. et al. Improved Median Edge Detection (iMED) for Lossless Image Compression // Image Analysis and Stereology, 2023, vol. 42(1), pp. 25–35. DOI 10.5566/ias.2786

6. Егоров Н. Д., Новиков Д. В., Гильмутдинов М. Р. Метод сжатия изображений без потерь с помощью контекстного кодирования по двоичным уровням // Информационно-управля­ющие системы. 2017. Т. 6(91). С. 96–106. DOI: 10.15217/issn1684-8853.2017.6.96

7. Сушко Д. В., Штарьков Ю. М. О сжатии томографических данных // Информационные процессы. 2008. Т. 8(4) C. 240–255.

8. Стефанович А. И., Сушко Д. В. Обратимое сжатие данных посредством универсального арифметического кодирования // Информатика и ее применения. 2017. Т. 11(1). С. 20–45. DOI: 10.14357/19922264170103

9. Сушко Д. В. Алгоритмы сжатия данных массивов силовых кривых I: кодирова­ние ошибок предсказания // Информатика и ее применения, 2021, Т. 15(2). С. 82–88. DOI 10.14357/19922264210212

10. Сушко Д. В. Алгоритмы сжатия данных массивов силовых кривых II: кодирование ком­понент вейвлет-преобразования // Информатика и ее применения. 2021. Т. 15(3). С. 16–23. DOI: 10.14357/19922264210303

11. Садик Б. Д. С., Цветков В. Ю., Бобов М. Н. Адаптивное комбинированное кодирование изображений с прогнозированием объема арифметического кода // Доклады БГУИР. 2021. Т. 19(2). С. 31–39. DOI 10.35596/1729-7648-2021-19-2-31-39

12. Karimi N., Samavi S., Amraee S. et al. Use of symmetry in prediction-error field for lossless compression of 3D MRI images // Multimedia Tools and Applications, 2014, vol. 74. DOI 10.1007/s11042-014-2214-9

13. Bhalerao A., Wilson R. Warplets: an image-dependent wavelet representation // IEEE ICIP, 2005. DOI 10.1109/ICIP.2005.1530099

14. Pathak K. C., Sarvaiya J. N. Lossless medical image compression using transform domain adaptive prediction for telemedicine // IEEE WiSPNET, 2017. DOI 10.1109/WiSPNET.2017.8299918

15. Nagoor O. H., Whittle J., Deng J. et al. Sampling strategies for learning-based 3D medical image compression // Machine Learning with Applications, 2022, vol. 8, pp. 100273. DOI 10.1016/j.mlwa.2022.100273

16. Antonini M., Barlaud M., Mathieu P. et al. Image coding using wavelet transform // IEEE Transactions on Image Processing, 1992, vol. 1(2), pp. 205–220.

17. Chaudhary A. K., Mehrotra R., Ansari M. A. et al. A Novel Scheme for Medical Image Compression Using Huffman and DCT Techniques // Advances in Smart Communication and Imaging Systems, 2021. DOI: 10.1007/978-981-15-9938-5_28

18. Agrawal R., Singh K., Goyal A. Advances in Smart Communication and Imaging Systems // Lecture Notes in Electrical Engineering, 2021, vol. 721. DOI 10.1007/978-981-15-9938-5

19. Ammah P. N. T., Owusu E. Robust medical image compression based on wavelet transform and vector quantization // Informatics in Medicine Unlocked, 2019, vol. 15, pp. 100183. DOI 10.1016/j.imu.2019.100183

20. Bairagi V. Lossless Medical Image Compression by Integer Wavelet and Predictive Coding // Biomedical Engineering, 2013. DOI 10.1155/2013/832527

21. Abo-Zahhad M., Gharieb R., Ahmed S., Abd-Ellah M. Huffman Image Compression Incorporating DPCM and DWT // Journal of Signal and Information Processing, 2015, vol. 6. pp. 123–135. DOI 10.4236/jsip.2015.62012.

22. Richter T., Bruylants T., Schelkens P. et al. The JPEG XT suite of standards: status and future plans // Proc. SPIE, 2015. DOI 10.1117/12.2189873

23. Li Z., Ramos A., Li Z. et al. An optimized JPEG-XT-based algorithm for the lossy and lossless compression of 16-bit depth medical image // Biomedical Signal Processing and Control, 2021, vol. 64. DOI 10.1016/j.bspc.2020.102306

24. Karthikeyan T., Thirumoorthi C. A Hybrid Medical Image Compression Techniques for Lung Cancer // Indian Journal of Science and Technology, 2016, vol. 9(39), pp. 1–6. DOI 10.17485/ijst/2016/v9i39/91500

25. Илюшин С. В. Разработка алгоритмов быстрого фрактального сжатия цифровых изобра­жений: дис. … канд. техн. наук, М., 2012.

26. Bhavani S., Thanushkodi K. G. Comparison of fractal coding methods for medical image compression // IET Image Process, 2013, vol. 7(7), pp. 686–693. DOI 10.1049/iet-ipr.2012.0041

27. Liu S., Bai W., Zeng N. et al. A fast fractal based compression for MRI images // IEEE Access, 2019, vol. 7 pp. 62412–62420. DOI 10.1109/ACCESS.2019.2916934

28. Srimal A., Peters J. F., Ramanna S. et al. Quaternionic views of rs-fMRI hierarchical brain activation regions // Chaos, Solitons & Fractals, 2021, vol. 152, pp. 111351. DOI 10.1016/j.chaos.2021.111351

29. Miras J. R., Posadas M. A., Ibañez-Molina A. J. et al. Fast Computation of Fractal Dimension for 2D, 3D and 4D Data // Journal of Computational Science, 2023, vol. 66, pp. 101908. DOI 10.1016/j.jocs.2022.101908

30. Li S., Lu J., Hu Y. et al. Towards scalable medical image compression using hybrid model analysis // Journal of Big Data, 2025, vol. 12. DOI: 10.1186/s40537-025-01073-1

31. Гильмутдинов М. Р., Веселов А. И. Способ устранения межкадровой избыточности при сжатии медицинских 3D-изображений // сб. докладов 18-й Междунар. конф. «Цифровая обработка сигналов и ее применение – DSPA-2016». С. 832–838.

32. Vamsikrishna M., Sudhakar O., Bugge B.P. et al. Region based lossless compression for digital images using entropy coding // Indonesian Journal of Electrical Engineering and Computer Science. 2025, vol. 38(3), pp. 1870–1879. DOI 10.11591/ijeecs.v38.i3

33. Kim K., Pak M., Ri Y.-W. et al. An image compression method for improving noise robustness of ultrasonic medical image compression in wavelet domain // Multimedia Tools and Applications, 2025. DOI 10.1007/s11042-025-20943-7

34. Anusuya V., Stency V., Srividhya G. et al. Performance Comparison of Wavelet Transforms based Medical Image Compression // Journal of Cybersecurity and Information Management, 2025, vol. 16, pp. 1–12. DOI 10.54216/JCIM.160201

35. Mofreh A., Barakat T. M., Refaat A. M. A New Lossless Medical Image Compression Technique using Hybrid Prediction Model // SPIJ, 2016, vol. 10(3).

36. Reddy M. R., Ravichandran K. S. et al. Improved pharma education system in the field of medical images using compression techniques // Cluster Computing, 2019, vol. 22(2). DOI 10.1007/s10586-018-2496-1

37. Pandey A., Yadav P., Chaudhary J. et al. Compression of 99mTc Methylene Diphosphonate Bone Scan Images using Discrete Cosine Transformation // Indian Journal of Nuclear Medicine, 2022, vol. 37(4), pp. 337. DOI 10.4103/ijnm.ijnm_45

38. Кашин В. С., Темляков В. Н. Замечание о задаче сжатого измерения // Математические заметки. 2007. Т. 82, № 6. С. 829–837.

39. Kosov E., Temlyakov V. Sampling discretization of the uniform norm and applications // Journal of Mathematical Analysis and Applications, 2024, vol. 538(2), pp. 128431. DOI 10.1016/j.jmaa.2024.128431

40. Гаврилов А. В., Куликов И. В., Краюшкин Д. В. Программа графического пользователь­ского интерфейса для сопровождения информационной системы PACS/RIS. Свидетель­ство о гос. регистрации программы для ЭВМ № 2025615636, 2025.

41. Гаврилов А. В., Краюшкин Д. В., Куликов И. В., Соломинов M. В., Чеповский А. М. Современные подходы к сопровождению медицинских информационных систем при внедрении новых технологий // Вопросы кибербезопасности. 2025. Т. 2(66). С. 41–51. DOI 10.21681/2311-3456-2025-2-41-51

42. Гаврилов А. В., Долотова Д. Д., Парусников А. В., Благосклонова Е. Р., Соломино­ва Т. А., Акимова Е. А., Краюшкин Д. В. Программа комплексного анализа DICOM-изо­бражений компьютерной томографии головного мозга при острых нарушениях мозгового кровообращения «Multivox AI Stroke». Свидетельство о гос. регистрации программы для ЭВМ № 2024690602, 2024.

43. Сандриков В. А., Кулагина Т. Ю., Гаврилов А. В., Благосклонова Е. Р., Соломи­нов М. А., Краюшкин Д. В. Программа регистрации, визуализации, обработки и архиви­рования ультразвуковых исследований движения стенок аорты методом спекл-трекинга. Свидетельство о гос. регистрации программы для ЭВМ № 2025668216, 2025.