医学图像分割与压缩算法研究的中期报告.docx

医学图像分割与压缩算法研究的中期报告
一、研究进展
在医学图像分割方面，本研究采用了基于深度卷积神经网络的方法，使用U-Net网络结构进行分割。在训练过程中，我们使用了迁移学习的方法，将预训练好的ResNet网络结构作为U-Net的初始卷积层，并进行微调。在实验中，我们使用了公开数据集进行测试，分别是LungCTSegmentationChallenge数据集和BraTS数据集。
在压缩算法方面，本研究采用了基于无损压缩的方法，实现对医学图像数据的压缩。我们采用了多种压缩算法进行对比实验，包括Huffman编码、LZW算法、JPEG2000算法等。在实验中，我们使用了DICOM格式的MRI、CT图像进行压缩，并比较了不同压缩算法的压缩比、压缩时间等指标。
二、存在问题
在分割算法方面，我们发现虽然使用了迁移学习的方法，但在实验中仍存在着过拟合的问题，部分样本分割效果较差，需要进一步优化模型结构和训练参数。
在压缩算法方面，我们发现不同的医学图像数据集具有不同的数据特征，在选择压缩算法时需要考虑到数据的特点，进而选择更适合的压缩算法。同时，多数压缩算法具有较高的压缩效率，但在解压缩时需要较长的时间，这对于实际应用时需要进行综合考虑。
三、下一步工作计划
针对存在的问题，我们将进一步开展下一步工作：
在分割算法方面，我们将尝试对模型结构和训练参数进行优化，进一步提高模型的泛化能力。同时，我们还将增加数据量，增加正负样本平衡的比例，提高模型性能。
在压缩算法方面，我们将进一步研究不同压缩算法的性能差异，考虑到数据特征的差异进行对比实验。同时，我们还将尝试使用预测编码的方法进行压缩，进一步提高压缩效率。