目的评价基于矩阵计算的组织病理学图像压缩储存算法的临床应用价值,并寻求最佳图像压缩比。方法利用主成分分析法(principal component analysis,PCA)和奇异值分解法(singular value decomposition,SVD)两种经典矩阵算法,对低、中、高...目的评价基于矩阵计算的组织病理学图像压缩储存算法的临床应用价值,并寻求最佳图像压缩比。方法利用主成分分析法(principal component analysis,PCA)和奇异值分解法(singular value decomposition,SVD)两种经典矩阵算法,对低、中、高分化的宫颈癌组织免疫组化染色图像及HE染色图像进行压缩重建,并采用峰值信噪比和结构相似度针对图像重建质量进行评价。结果PCA重建图像压缩比为10.18(保留53个主成分)时,低、中、高分化宫颈癌组织免疫组化染色图像峰值信噪比均值分别为43.84±0.43、43.27±0.25、43.71±0.49,压缩图像结构相似度分别为0.964±0.004、0.963±0.006、0.965±0.005;HE染色图像峰值信噪比均值分别为43.41±0.78、42.95±1.03、43.52±0.69,压缩图像结构相似度分别为0.953±0.010、0.949±0.015、0.960±0.007。SVD重建图像压缩比为10.00(保留128个奇异值)时,低、中、高分化宫颈癌组织免疫组化染色图像峰值信噪比均值分别为39.89±1.69、38.20±2.19、40.90±0.50,压缩图像结构相似度分别为0.949±0.006、0.938±0.011、0.955±0.004;HE染色图像峰值信噪比均值分别为40.31±0.98、39.46±1.59、40.77±1.67,压缩图像结构相似度分别为0.965±0.006、0.943±0.010、0.969±0.005。结论采用PCA和SVD可实现对组织病理学图像进行压缩储存并获得较好的图像质量,为解决医院图像存储难题提供了解决方案。展开更多
文摘目的评价基于矩阵计算的组织病理学图像压缩储存算法的临床应用价值,并寻求最佳图像压缩比。方法利用主成分分析法(principal component analysis,PCA)和奇异值分解法(singular value decomposition,SVD)两种经典矩阵算法,对低、中、高分化的宫颈癌组织免疫组化染色图像及HE染色图像进行压缩重建,并采用峰值信噪比和结构相似度针对图像重建质量进行评价。结果PCA重建图像压缩比为10.18(保留53个主成分)时,低、中、高分化宫颈癌组织免疫组化染色图像峰值信噪比均值分别为43.84±0.43、43.27±0.25、43.71±0.49,压缩图像结构相似度分别为0.964±0.004、0.963±0.006、0.965±0.005;HE染色图像峰值信噪比均值分别为43.41±0.78、42.95±1.03、43.52±0.69,压缩图像结构相似度分别为0.953±0.010、0.949±0.015、0.960±0.007。SVD重建图像压缩比为10.00(保留128个奇异值)时,低、中、高分化宫颈癌组织免疫组化染色图像峰值信噪比均值分别为39.89±1.69、38.20±2.19、40.90±0.50,压缩图像结构相似度分别为0.949±0.006、0.938±0.011、0.955±0.004;HE染色图像峰值信噪比均值分别为40.31±0.98、39.46±1.59、40.77±1.67,压缩图像结构相似度分别为0.965±0.006、0.943±0.010、0.969±0.005。结论采用PCA和SVD可实现对组织病理学图像进行压缩储存并获得较好的图像质量,为解决医院图像存储难题提供了解决方案。
