Effiziente skalierbare Analyse und Codierung von Hypervolumendatensätzen

• Antragsteller: Professor Dr.-Ing. André Kaup
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
• Förderung: Förderung von 2010 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 175165638

• Erstellungsjahr: 2019

Zusammenfassung der Projektergebnisse

Im Rahmen des Projekts wurden umfangreiche Untersuchen durchgeführt und vielversprechende Ansätze entwickelt, die zur skalierbaren verlustlosen Codierung von medizinischen Hypervolumina beitragen. Die skalierbare Darstellung von derartigen Volumina spielt eine wichtige Rolle in telemedizinischen Anwendungen, die im Zeitalter der modernen Bild- und Videokommunikation stetig zunehmen. Die verlustlose Rekonstruktion ist dabei gesetzlich vorgegeben und darf daher nicht gefährdet werden. Dies gelingt durch die Codierung der Hypervolumendatensätze mittels Wavelets. Eine Wavelettransformation zerlegt ein Signal in einen hoch- und einen tieffrequenten Anteil und ermöglicht damit eine Analyse des Signals in mehreren Auflösungsstufen sowie eine effiziente Codierung durch die Energiekompaktierung im tieffrequenten Teilband. Dabei wird Skalierbarkeit nicht nur hinsichtlich der Qualität ermöglicht, sondern auch in Bezug auf die örtliche und zeitliche Auflösung der Hypervolumendatensätze. Durch die Faktorisierung in eine Liftingstruktur ergeben sich eine Reihe weiterer sehr interessanter Eigenschaften wie die perfekte Invertierbarkeit oder die Anpassbarkeit an das zu transformierende Signal mittels beliebiger Prädiktionsverfahren. Neben der Analyse und Optimierung von blockbasierter Bewegungskompensation für mehrdimensionales Waveletlifting medizinischer 3-D+t Volumen aus der Computertomographie konnte gezeigt werden, dass eine gitterbasierte Kompensation in t-Richtung entscheidende Vorteile bezüglich der Codiereffizienz bietet. Weitere Verbesserungen, vor allem in Bezug auf die visuelle Qualität des Tiefpassbandes, das als zeitlich herunterskalierter Repräsentant für das Originalsignal dient, konnten durch graphenbasierte Bewegungskompensation erreicht werden. Dabei hat sich gezeigt, dass sich eine graphenbasierte Bewegungskompensation sowohl für die Transformation in t- als auch z-Richtung eignet. Die Signalverarbeitung auf Graphen stellt hierbei ein noch relativ junges Forschungsgebiet dar und verspricht durch die direkte Integration der geometrischen Struktur der zugrunde liegenden Daten weiteres Potential. Durch die erfolgreiche Anwendung des Verfahrens auf CT-Datensätze konnte seine Leistungsfähigkeit im Vergleich zu aktuellen Codierstandards und sein Potential für weitere Entwicklungen gezeigt werden.

Projektbezogene Publikationen (Auswahl)

• “Analysis of displacement compensation methods for wavelet lifting of medical 3-D thorax CT volume data,” in Proc. IEEE Int. Conf. on Visual Communication and Image Processing (VCIP), San Diego, CA, USA, November 2012, pp. 1–6
  W. Schnurrer, J. Seiler, E. Wige, and A. Kaup
  
• “Analysis of mesh-based motion compensation in wavelet lifting of dynamical 3-D+t CT data,” in Proc. IEEE Int. Workshop on Multimedia Signal Processing (MMSP), Banff, Canada, September 2012, pp. 152–157
  W. Schnurrer, T. Richter, J. Seiler, and A. Kaup
  
• “On the influence of clipping in lossless predictive and wavelet coding of noisy images,” in Proc. IEEE Picture Coding Symposium (PCS), Krakau, Polen, Mai 2012, pp. 185–188
  W. Schnurrer, J. Seiler, M. Schöberl, and A. Kaup
  
• “Improving block-based compensated wavelet lifting by reconstructing unconnected pixels,” in Proc. Int. Symp. on Signals, Circuits and Systems (ISCAS), Iasi, Rumänien, Juli 2013, pp. 1–4
  W. Schnurrer, J. Seiler, and A. Kaup
  
• “3-D mesh compensated wavelet lifting for 3-D+t medical CT data,” in Proc. IEEE Int. Conf. on Image Processing (ICIP), Paris, Frankreich, Oktober 2014, pp. 3631 – 3635
  W. Schnurrer, T. Richter, J. Seiler, C. Herglotz, and A. Kaup
  
• “Efficient lossless coding of highpass bands from block-based motion compensated wavelet lifting using jpeg 2000,” in Proc. IEEE Int. Conf. on Visual Communications and Image Processing (VCIP), Valletta, Malta, Dezember 2014, pp. 398–401
  W. Schnurrer, T. Tröger, T. Richter, J. Seiler, and A. Kaup
  
• “Centroid adapted frequency selective extrapolation for reconstruction of lost image areas,” in Proc. IEEE Visual Communications and Image Processing (VCIP), Singapur, Dezember 2015, pp. 1–4
  W. Schnurrer, M. Jonscher, J. Seiler, T. Richter, M. Bätz, and A. Kaup
  
• “Graph-based compensated wavelet lifting for 3-D+t medical CT data,” in Proc. IEEE Picture Coding Symposium (PCS), Nürnberg, Deutschland, Dezember 2016, pp. 1–5
  D. Lanz and A. Kaup
  
• “Improving mesh-based motion compensation by using edge adaptive graph-based compensated waveletlifting for medical data sets,” in Proc. IEEE Int. Conf. on Acoustics, Speech, and Signal Processing (ICASSP), New Orleans, LA, USA, März 2017, pp. 1507-1511
  D. Lanz and A. Kaup
  
• “Compression of dynamic medical CT data using motion compensated wavelet lifting with denoised update,” in Proc. IEEE Picture Coding Symposium (PCS), San Francisco, CA, USA, Juni 2018, pp. 1–5
  D. Lanz, J. Seiler, K. Jaskolka, and A. Kaup
  
• “Temporal scalability of dynamic volume data using mesh compensated wavelet lifting,” IEEE Trans. on Image Processing, vol. 27, no. 1, pp. 419–431, Januar 2018
  W. Schnurrer, N. Pallast, T. Richter, and A. Kaup