Adaptive Bitrate Selection for Medical Video Compression Balancing Bandwidth Efficiency and Segmentation Quality
Notice bibliographique
Résumé
Medical video compression is essential for reducing storage and bandwidth requirements while ensuring the preservation of diagnostic and segmentation quality, enabling efficient transmission and analysis in healthcare applications. The primary challenge in medical video compression lies in achieving significant data reduction without compromising critical visual details required for accurate diagnosis and segmentation tasks. In this work, we propose a framework for selecting the proper bitrate for medical video compression, focusing on maintaining segmentation performance with minimal impact on accuracy. By leveraging the SALI segmentation model and a diverse set of video-based and frame-based features, the framework predicts the Dice score for videos compressed at different bitrates, enabling informed decision-making. To evaluate our work, SUN-SEG dataset is used. Two approaches were evaluated: one prioritizing high compression ratios while maintaining an acceptable Dice score threshold, and the other optimizing segmentation accuracy. In the first approach, the framework achieved an average Dice score of 77.66 with a compression ratio of 37.06 and in the second approach, the Dice score improved to 81.23 with a more conservative compression ratio of 8.16. These results highlight the adaptability of the framework to varying application requirements, such as telemedicine and medical video storage. This framework ensures efficient medical video compression while preserving segmentation accuracy, optimizing bandwidth for telemedicine, storage, remote diagnostics, and surgical video analysis, ultimately enhancing AI-assisted clinical decision-making.
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 | 0,001 | 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 ».