Learned Image Compression for HE-stained Histopathological Images via Stain Deconvolution

本文研究了对全切片组织病理图像（WSI）进行处理会导致全球诊所存储需求的巨大增长。即使在图像获取过程中进行了有损压缩，通常仍然可以进行额外的有损压缩，而不会对基于深度学习的下游任务的性能产生实质性影响。本文表明，常用的JPEG算法并不适合进行进一步的压缩，因此提出了一种新颖的基于深度学习的组织病理学数据压缩方法——染色量化潜在压缩（SQLC）。SQLC在通过压缩自编码器（CAE）之前，先对染色和RGB通道进行压缩，以获得量化的潜在表示，以最大化压缩效果。本文表明，相比于传统方法（如JPEG），我们的方法在分类下游任务中表现出更好的性能，而图像质量度量指标（如多尺度结构相似性指数（MS-SSIM））基本保持不变。我们的方法已经在线上提供。

论文提出了一种新的数字病理学数据压缩方法，旨在解决WSI图像存储量大的问题。

论文提出了Stain Quantized Latent Compression (SQLC)方法，通过压缩染色和RGB通道，并使用压缩自编码器（CAE）获得量化潜在表示，从而最大限度地提高压缩效率。

该方法在分类下游任务中表现优异，相比传统方法如JPEG，图像质量评估指标如MS-SSIM得到了很好的保留。研究使用了开放数据集，并提供了在线可用的代码。

最近的相关研究包括：'Deep learning-based compression of hyperspectral images using end-to-end autoencoder'和'Study of image compression for digital pathology'等。