Advancements in Lossless and Reversible Compression of Digital Pathology Images via Auto-Recursive Set Partitioning in Hierarchical Trees and Wavelet Decomposition
Notice bibliographique
Résumé
Set Partitioning in Hierarchical Trees (SPIHT) represents a leading-edge algorithm in nearlossless image compression, leveraging the Discrete Wavelet Transform.However, its effectiveness diminishes when applied to high-resolution images such as Digital Pathology Images (DPIs).This research aims to enhance the SPIHT algorithm specifically for DPIs by investigating the impact of applying various wavelets in the wavelet decomposition process and the introduction of auto-recursion in the SPIHT algorithm.An extensive selection of wavelet types were tested within the wavelet decomposition process integral to the SPIHT algorithm.The ultimate goal was to identify the wavelet that yields the highest compression ratio and the one that maintains the highest data consistency.The proposed auto-recursion was also examined against the original n-recursive algorithm to discern differences in compression performance.The results indicated that the BIOR 5.5 wavelet is more apt for achieving a high compression ratio, while the BIOR 3.9 wavelet is more suitable for securing high compression quality in the compression of high-resolution DPIs.The newly introduced auto-recursion feature contributes significantly to optimizing the quality of the compressed image.Visual verification of the compressed image's quality, for any potential loss of detail, was carried out through expert validation in a clinical setting.This expert validation confirmed that the proposed algorithm can produce higher quality compressed images with negligible loss of quality.Thus, this research offers a partial solution to current challenges in digital pathology related to storage, transfer, and archiving of high-resolution DPIs, by providing a more effective compression algorithm.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».