A novel way of lossless compression of digital mammograms using grammar codes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Breast cancer is the most common cancer among women in Canada. Despite slight declines in mortality rates over the past decade for women with breast cancer, one in nine Canadian women will develop breast cancer in her lifetime; one in 25 Canadian women will die from this disease. Digital mammograms (X-rays of the breast) may allow better cancer diagnosis and has the ability to be transmitted electronically around the world. The problem is mammograms are large size images and have less correlation details. Therefore, for a physician to diagnose diseases correctly even through the communication networks, gaining higher compression to save bandwidth without any data loss becomes a challenging issue. Among the traditional lossless compression algorithms such as Huffman, Lempel-Ziv and arithmetic, Lempel-Ziv and arithmetic source coding techniques have better performance than Huffman on digital mammograms. In order to achieve better compression ratios we investigate the newly developed grammar-based source code for medical image compression such as mammograms. In this grammar-based code, the original data (image) is first transformed into a context free grammar, from which the original data sequence can be fully reconstructed by performing parallel and recursive substitutions, and then using an arithmetic coding algorithm to compress the context free grammar or the corresponding sequence of parsed phrases. We tested the grammar-based coding technique on digital mammograms obtained from the Mammographic Image Analysis Society (MIAS). The result shows the newly developed grammar code performs better than the traditional lossless coding schemes. In general, the grammar-based lossless compression algorithm seems to be a promising technique for teleradiology applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle