基于频域自适应隐式神经表征的医学影像压缩方法

A frequency-adaptive implicit neural representation method for medical image compression

摘要

目的 为解决在医学影像数据量呈指数级增长的背景下数据存储与传输受限问题，对隐式神经网络（INR）进行优化，提出频域自适应隐式神经网络（FAINC）的医学影像压缩方法。 方法 基于KiTS19和AVT数据集的356例患者CT数据进行回顾性分析，构建由多子网络协作的FAINC压缩方法。该方法通过光谱稀疏指数（SSI）评估数据块频域复杂度，接着采用频域门控机制将其动态分配至不同容量的子网络，最终结合参数量化与熵编码实现压缩输出。为验证性能，将所提方法与主流商业压缩标准（H.265/HEVC、JPEG2000）、隐式神经表示方法NeRV以及深度学习压缩方法DVC进行系统对比。 结果 在高压缩率时FAINC在KiTS19和AVT数据集均表现出最优重建性能。当比特率分别为BPV=0.32和BPV=0.34时，FAINC分别实现最高的PSNR（47.03和50.76）、最高的SSIM指标（0.9853和0.9930）以及最低的RMSE指标（0.0045和0.0029）。主观图像质量评分亦显著优于其他方法（P<0.05）。消融实验表明，频域门控与参数动态分配机制分别贡献约2.05dB和1.87dB的PSNR提升。 结论 实验结果证明，该方法在高压缩比下能够显著提高医学影像的重建质量，并在结构保真度和压缩效率方面优于现有主流方法。为医学影像的高效存储及低带宽远程传输提供技术支撑。

Abstract

Objective To address the limitations of data storage and transfer caused by exponential growth of medical imaging data size, we propose a frequency-adaptive implicit neural compression (FAINC) method for medical images based on optimized implicit neural networks (INRs). Methods A retrospective analysis was conducted on abdominal CT data from 356 patients in the KiTS19 and AVT datasets. We developed the FAINC method, a multi-subnetwork collaborative compression framework, which first evaluates the frequency-domain complexity of image blocks using the Spectral Sparsity Index (SSI), and then dynamically allocates them to subnetworks of different capacities through a frequency-domain gating mechanism. Compression output is achieved by combining parameter quantization with entropy coding. To assess its performance, the proposed method was compared with mainstream commercial compression standards (H.265/HEVC and JPEG2000), the implicit neural representation method NeRV, and the deep-learning-based compression method DVC. Results The FAINC method achieved the best reconstruction performance on both KiTS19 and AVT datasets at high compression ratios. At bitrates of BPV=0.32 and BPV=0.34, the FAINC method obtained the highest PSNR (47.03 and 50.76), the highest SSIM (0.9853 and 0.9930), and the lowest RMSE (0.0045 and 0.0029), achieving also a significantly higher subjective image quality score than other methods. Ablation studies demonstrated that the frequency-domain gating mechanism and dynamic parameter allocation contributed approximately 2.05 dB and 1.87 dB PSNR improvements, respectively. Conclusion The proposed method substantially enhances image reconstruction quality at high compression ratios and outperforms the existing mainstream approaches in terms of structural fidelity and compression efficiency. The FAINC method provides a promising technical solution for efficient storage and low-bandwidth remote transfer of medical image data.

Graphical abstract

关键词

医学影像压缩 / 隐式神经表征 / 频域自适应建模 / 高保真重建

Key words

medical image compression / implicit neural representation / frequency-adaptive modeling / high-fidelity reconstruction

随着医学影像设备增加与成像精准度提高，医学影像数据量呈指数级攀升，给数据存储与传输带来严峻挑战^［1-4］，医学影像压缩随之成为提升影像管理与共享效率的重要研究方向。然而，经典压缩方法（如JPEG^［5］、H.264^［6］、H.265^［7］）主要针对自然图像和视频设计，其压缩策略多基于人类视觉系统特性，通过量化高频分量实现码率控制。但在医学影像中，高频信息往往承载器官边界、病灶轮廓等关键诊断特征，直接应用此类算法容易导致高频信息丢失，不仅降低影像质量，更可能影响下游分析与诊断准确性。基于频域的压缩方法可能遭受频谱截断或产生块状伪影^［8］。近年来，深度学习驱动的压缩方法^［9-11］（如自编码器、变分自编码器和生成对抗网络）通过学习低维潜在表示来消除时空冗余，并利用解码器重建原始图像，在医学影像压缩中取得了显著进展。然而此类方法在复杂解剖结构区域的拟合能力仍有局限，一方面压缩模型多依赖监督训练模式，泛化能力不足问题突出；另一方面在处理多模态医学影像数据时性能易退化，同模态数据因成像条件细微差异亦常需重新训练模型，导致数据准备与模型训练成本高昂。

隐式神经表示（INR）^［12-14］作为新兴范式，利用神经网络对连续信号（如场景^［14］、图像^［15］和视频^［16］）进行参数化，其核心思想是通过拟合连续函数将空间坐标映射到像素强度来实现信号表示。由于大多数医学影像本质上是描述连续信号或场，INR在建模其空间结构特征并实现高压缩率方面展现出显著潜力^［17-20］。同时利用INR的端到端特性，数据在训练阶段即可完成表征压缩，在测试阶段可直接解压重建，有效规避了以往基于深度学习压缩方法中存在的泛化能力不足问题。并且通过调控INR网络参数，能够实现较为稳定的压缩率与压缩质量。然而，现有INR压缩技术在处理CT等结构复杂的医学影像时仍面临性能瓶颈。一方面是因为INR网络存在频谱收敛特性^［21］，当信号频谱范围广时，INR的拟合与压缩能力会明显下降。另一方面是现有基于INR的压缩方法在通过网络优化来表征数据时，需要处理大量输入坐标^［22-24］，因而训练时间较长，而且随着数据维度的增加，INR所需的网络参数呈现指数级增长，进一步导致计算复杂度上升^［25］。

针对上述问题，本文提出的频域自适应隐式神经网络的医学影像压缩方法（FAINC）。考虑到三维医学影像的频谱分布广、全局拟合难度高的问题，我们首先对三维体积数据进行区域划分，将宽频谱范围的影像划分为若干窄频谱图像块。基于混合专家模型的思想^［26］，我们设计了一个多子网络的隐式神经压缩框架，根据不同图像块的频域复杂度，自适应地将其分配至不同子网络进行隐式建模。同时，引入频域复杂度感知的参数动态分配机制，高复杂度区域采用参数更丰富的网络以增强细节重建能力，低复杂度区域则采用轻量网络以提升压缩效率。此外，我们在子网络中引入基于正弦激活的SIREN^［12］结构，以提高模型对频率变化的敏感性，使其在保留高频边缘和细节信息的同时显著降低冗余参数开销。相比传统压缩方法，FAINC能够在保证高频诊断信息完整性的前提下，实现更高压缩比和更低存储成本；同时，相较于全局统一建模的隐式神经网络方法，通过局部复杂度感知的分配策略，显著提升了三维影像的重建精度，尤其在细微病灶和器官边界表现更加优异。

1 材料和方法

1.1 实验数据

本研究使用腹部肾脏CT数据集（KiTS19）^［27］与主动脉血管树CTA数据集（AVT）^［28］评估FAINC的有效性。KiTS19数据集包含300例胸腹部CT扫描，切片厚度范围为1-5mm，影像覆盖腹部器官及肾肿瘤。AVT数据集包含56例腹部CT血管造影影像，具备更高的血管对比度、更丰富的边缘信息，并包含腹主动脉瘤病例。两类影像在结构、对比度、亮度及噪声水平等外观特征上呈现多样性，既包含器官的宏观结构，也包含病灶的微观特征。由于两个数据集来自不同中心，扫描协议及成像模态存在显著差异，且结构频谱分布各异。因此，同时在这两类数据上进行实验验证FAINC在常规CT模态下的压缩性能，检验其在高频敏感场景中的表现及跨数据库的泛化能力。

1.2 FAINC方法框架

在INR基础框架中创新性的引入四个模块：多子网络隐式表示、频域门控机制、参数动态分配策略以及参数量化与熵编码模块（图1），协同提升传统INR在医学影像上的表征能力。

1.2.1 隐式神经表示及多子网络框架

INR通过神经网络将空间坐标映射到像素值或体素强度，实现对连续信号的隐式建模。例如，对于三维医学影像V\in {\mathrm{R}}^{\mathrm{3}}中的任意坐标点v=\left(x,y,z\right)， INR的建模过程可表示为：

\widehat{I}\left(v\right)={\mathrm{F}}_{\mathrm{\theta }}\left(v\right)（1）

其中\widehat{I}\left(v\right)为3D影像对应坐标的体素强度；{\mathrm{ℱ}}_{\mathrm{\theta }}为隐式神经网络，通常为MLP架构，\mathrm{\theta }表示网络参数。网络通过拟合体积中每个空间坐标与体素值的关系，实现对整个3D体素的紧凑参数化表示。在训练过程中，网络通过最小化预测值\widehat{I}\left(v\right)与真实影像体素I\left(v\right)之间的差异，实现对连续信号的建模。

如前所述，INR的频谱收敛特性会限制其对宽频谱数据的表征能力。因此，针对三维医学影像频谱范围广，单个MLP网络难以顾全整体图像的问题，在FAINC中设计多子网络隐式表示框架，以分别建模不同频段或区域的特征，从而提升对宽频谱数据的表达能力。具体而言，该框架将单个大型MLP拆分为多个容量可调的小型子网络，每个子网络针对特定频谱宽度的区域进行建模。相应地，原始三维医学影像实施分块处理，构建局部图像块集合X≔{\left\{B_i\right\}}_{i=\mathrm{1}}^N，其中B_i表示第i个图像块，N为图像块总数。在分块过程中，在相邻块的边界区域保留可控重叠，以解决重建后出现的边缘伪影的问题。我们希望同频谱宽度的子块由同一子网来表征。

1.2.2 频域门控机制

使用光谱稀疏指数（SSI）^［19］来量化局部块的频域复杂度（即频谱宽度，单个图像块包含的频率范围），其定义为：

{\mathrm{𝒞}}_i=SSI\left(B_i\right)≔std\left(\left|FFT\left(B_i\right)\right|\right)（2）

其中，{\mathit{𝒞}}_i表示第i个块的复杂度，FFT\left(\cdot \right)表示快速傅里叶变换，将时空域信号映射到频域；|FFT\left(\cdot \right)|表示频谱振幅，表示不同频率成分的强度；std\left(\cdot \right)而用于计算标准差。该指标通过计算频谱幅值的标准差，量化频域能量的分布离散程度：高频成分丰富的解剖结构（如血管网络、器官边缘）因频谱幅值波动显著，通常呈现较高的SSI值；而低频主导的均匀区域（如肝脏实质）或背景空白区，其频谱分布相对平滑，对应较低的SSI值。

基于频域复杂度指标，对所有图像块的SSI值进行归类，并划分为K个复杂度区间\Omega =\left\{{\omega }_{\mathrm{1}},{\omega }_{\mathrm{2}},\dots ,{\omega }_K\right\}。其中，每个区间{\omega }_k定义为半开区间\left[{\mathrm{\tau }}_{k-\mathrm{1}},{\mathrm{\tau }}_k\right)，{\mathrm{\tau }}_k表示第k个区间的频域复杂度上界阈值。每个复杂度区间{\omega }_k的图像块由子网络E_k(\mathrm{k}=\mathrm{1,2},\dots ,\mathrm{K})拟合，因此共同构成子网络集合\left\{E_{\mathrm{1}},E_{\mathrm{2}},\dots ,E_K\right\}。

我们设计了门控函数G\left(\cdot \right)，该函数根据输入块B_i的复杂度{\mathit{𝒞}}_i将其分配至对应的子网络，具体映射规则为：

G\left({\mathrm{𝒞}}_i\right)=k,{\mathrm{𝒞}}_i\in {\omega }_k（3）

通过该机制，复杂度为{\mathit{𝒞}}_i的图像块B_i将被自动分配至与其频域特性相匹配的子网络E_k进行处理。

1.2.3 参数动态分配策略

基于频域复杂度量化各子网络的建模需求并自适应分配子网参数。为每个专家网络分配差异化参数规则如下：

{\theta }_k={\theta }_{total}\frac{{\Sigma }_{i,{\mathrm{C}}_i\in {\omega }_k}^N{\mathrm{𝒞}}_i}{{\Sigma }_{i=\mathrm{1}}^N{\mathrm{𝒞}}_i},（4）

其中，{\theta }_{total}为INR网络的参数总量，{\theta }_k为分配给第k个专家网络的参数。复杂度较高的区间能够获得更多建模资源，以增强其对高频细节和复杂结构的表征能力，而复杂度较低的区间则由轻量化专家负责，从而在保证重建精度的同时有效降低计算冗余。

在具体重建过程中，每个图像块B_i的体素坐标{\mathrm{p}}_i经过位置编码\mathrm{\gamma }\left(\cdot \right)映射至高维空间，随后由门控函数选定的对应子网络进行重建：

{\widehat{B}}_i={\mathrm{E}}_{G\left({\mathrm{C}}_i\right)}\left(\mathrm{\gamma }\left({\mathrm{p}}_i\right);{\theta }_{G\left({\mathrm{C}}_i\right)}\right),（5）

其中，{\widehat{B}}_i表示第i个块的重建结果；{\mathrm{E}}_{G\left({\mathit{𝒞}}_i\right)}为门控函数分配的目标子网络，{\theta }_{G\left({\mathit{𝒞}}_i\right)}为该子网络的参数集合。各压缩子网络{\mathrm{E}}_k均采用漏斗形全连接层架构，隐藏层采用正弦激活函数，其形式为：

\varphi \left(x\right)=sin\left({\omega }_{\mathrm{0}}x\right)（6）

其中{\omega }_{\mathrm{0}}为频率控制参数，用于调节激活函数的振荡频率。通过在全连接层中引入正弦激活，网络能够灵活调节对不同频率成分的响应能力，从而更有效地表征输入信号中的高频细节。

在训练过程中，一个随机批次输入图像根据频域复杂度被分配给不同子网络，其中一些子网络可能未分配到任何图像块。为了同时优化所有子网络的重建性能，系统对每个子网络计算其在分配图像块上的均方误差损失，并根据分配情况加权累加，形成总优化目标：

{\mathrm{ℒ}}_{loss}={\sum }_{i=\mathrm{1}}^K{\omega }_k{\left(B_i-{\widehat{B}}_i^{\left(k\right)}\right)}^{\mathrm{2}}（7）

其中，K表示子网络总数，B_i和{\widehat{B}}_i^{\left(k\right)}分别为原始图像块和对应第k个子网重建的结果。加权系数{\omega }_k根据子网络是否被分配图像块进行调整：对于分配到图像块的子网络，其损失按正常比例计入总损失；而对于未被分配到图像块的子网络，其损失权重为零，不对总损失产生贡献。通过最小化{\mathrm{ℒ}}_{\mathrm{1}oss}，所有被分配的子网络能够在固定参数量下拟合其负责的区域。最终，所有子块的重建结果通过拼接操作生成完整图像：

\widehat{X}=Concat\left({\left\{{\widehat{B}}_i\right\}}_{i=\mathrm{1}}^N\right)（8）

完成所有优化后，系统为每个子网保存关键参数与元信息，包括：网络的深度与宽度、数据块的空间位置与几何形状、通道数、原始值范围，以及所采用的归一化方法。

1.2.4 参数量化与熵编码

在完成模型训练后，我们进一步对网络参数进行量化表示。需要指出的是，不同于在训练过程中引入量化机制^［29］，我们仅在训练结束后对参数进行离线量化，以避免训练稳定性受到干扰。具体而言，对于给定的参数张量\theta，量化过程定义为：

Q\left(\theta \right)=round\left(\frac{\theta -{\theta }_{min}}{scale}\right),scale=\frac{{\theta }_{max}-{\theta }_{min}}{{\mathrm{2}}^{bit}}（9）

其中round\left(\cdot \right)表示将值四舍五入至最接近的整数，bit为量化位宽，{\theta }_{max}和{\theta }_{min}分别是参数张量\theta的最大值和最小值，scale为缩放因子。通过该式，所有参数可被映射到对应的整数表示。鉴于参数张量\theta的规模通常十分庞大，存储辅助参数scale和{\theta }_{min}几乎可以忽略不计。例如，对于单个专家定义为8层、每层128个神经元的模型，总参数量约为1，048，576，而这两项额外存储仅占约0.001%。

在量化完成后，我们进一步引入熵编码以压缩模型大小。具体而言，利用量化权重的分布特性，我们采用无损的Huffman^［30］进行编码。该方法能够有效降低存储开销，并保证解码后参数与量化值完全一致，不会引入额外误差，将模型存储开销减少约8~15%。

1.3 实验设置

实验数据被切分为尺寸为32×32×32（边长32）、重叠区域为4像素的三维子块。FAINC的主体架构由8个并行子网络构成，各子网络均采用漏斗形多层感知机结构。激活函数选用正弦函数，其频率控制参数{\omega }_{\mathrm{0}}设为30。训练配置方面，批量大小为8，总训练轮次为2000轮。优化器采用Adam，初始学习率设为1×10^-4，设置步长为200、衰减系数为0.5的学习率调度策略。模型权重与偏置最终以二进制格式序列化存储；解压所需元数据（含网络结构、原始数据位深、图像尺寸及逆归一化参数）则封装于轻量级YAML文件。模型基于PyTorch框架实现，并在全精度（FP32）模式下完成训练。所有实验均在NVIDIA RTX 4090 GPU平台上执行。

1.4 对比方法

为全面评估FAINC的性能，我们将其与当前领域内先进且具代表性方法进行了系统比较。涵盖三类代表性方法：广泛使用的商业压缩技术（JPEG、JPEG 2000^［31］、H.264和H.265）、基于深度学习的数据驱动方法（DVC）以及基于隐式神经表示的压缩方法（NeRV^［16］）。具体实现与参数配置如下：JPEG与JPEG 2000通过OpenCV库实现，其中JPEG的质量由质量因子（取值范围1-95）调控，而JPEG2000则通过cv2.IMWRITE_JPEG2000_COMPRESSION_X1000参数设定目标压缩率（该值需乘以1000）。H.264和H.265在FFmpeg^［32］平台上测试，压缩水平由恒定速率因子“crf”参数调节（范围0~51，其中0表示无损模式）。DVC^［33］采用PyTorch实现，其中I帧采用JPEG压缩（质量参数设为50）。对于基于INR的压缩方法，NeRV通过调整全连接层的数量与宽度来控制压缩率。需要注意的是，对于JPEG和JPEG2000等二维压缩方法，我们在压缩前将三维影像数据拆分成多个二维数据进行压缩。所有方法均在相近压缩比下进行评估，而对于INR类方法，可以通过设置{\theta }_{total}精确调控压缩比。

1.5 评估标准

1.5.1 定量评估

为定量衡量不同方法的压缩性能，本研究从图像保真度和压缩率两个角度进行评估。图像保真度方面，采用峰值信噪比（PSNR）与结构相似性指数（SSIM）两项广泛使用的指标，其中PSNR反映重建图像与原始图像在像素层面的误差程度，数值与均方误差（MSE）呈反比关系；而SSIM则更贴合人眼感知，用于评估结构与纹理信息的相似性。压缩率方面，采用体素比特数（BPV）表示，即每个体素所需的比特数。与传统压缩比表示方式相比，BPV不依赖于具体图像大小和分辨率，能够在不同数据集和成像模态之间提供更具可比性的统一衡量标准，从而便于公平地比较各类压缩方法的性能。

1.5.2 主观图像质量评估

本研究邀请6位临床影像科专业医师对KiTS19和AVT数据集的图像质量进行双盲主观评分。评分采用1~5分制，其中5分表示最佳、1分表示最差。总体评分由医师根据图像清晰度、噪声与伪影抑制程度以及结构完整性等因素综合给出。统计显著性通过Wilcoxon符号秩检验进行评估，P<0.05表示差异具有统计学意义，用于判断本方法与对比方法在总体评分上是否存在显著差异。

2 结果

2.1 KITS19数据集结果分析

图像压缩领域中，率失真曲线用于描述在不同压缩比下，压缩算法的性能与失真（图像质量下降程度）之间的关系。图2为KiTS19数据集中一例尺寸为64×512×512、原始BPV为16 bit/voxel的三维CT数据采用不同方法压缩后的率失真对比。横坐标为每体素比特数（BPV），指压缩后每个像素平均占用的比特数，其值越低表示压缩比越高；纵轴为SSIM与PSNR，数值越大说明重建失真越小。从图2A和图2B可以看出，与经典的基于变换或预测的压缩算法（JPEG、JPEG2000、H.264和H.265）相比，FAINC在0.1~0.36 BPV范围内的平均PSNR分别提升约8.17dB、1.56 dB、3.07 dB和2.89 dB，对应的相对提升幅度约为22.29%、3.61%、7.37%和6.78%；在平均SSIM指标上，分别提升约0.0637、0.0123、0.0285和0.0279，相对提升幅度为6.81%、1.14%、2.89%和2.86%（图A、B）。与基于隐式神经表示的压缩方法NeRV相比，FAINC在PSNR上平均提升约7.01 dB，在SSIM上提升约0.05。特别是在高压缩比情况下（BPV<0.2），FAINC的性能优势更加显著，如当BPV仅为0.09时，其PSNR仍能达到44.96 dB。表1进一步给出了在BPV约在0.32~0.34范围内，对20例三维CT影像（平均尺寸为84×512×512， 原始BPV为16 bit/voxel）进行压缩重建后的平均PSNR、SSIM和RMSE指标，以及不同方法的重建效果对比。结果显示FAINC在PSNR、SSIM和RMSE上均达到47.03±0.73、0.9853±0.0015和0.0045±0.0004，均值最高且方差最小，显著优于JPEG2000（45.73±0.49、0.9800±0.0016、0.0052±0.0003）及其他方法，体现了其优异的重建精度与稳健性。

本文所提出的FAINC方法与对比方法H.265、H.264、NeRV及JPEG方法分别在相似压缩比下（BPV分别为0.341、0.347、0.358、0.354、0.359）的重建效果如图3所示。在高压缩比时，对比方法均出现显著失真，NeRV在脊髓等多数关键解剖区域产生明显的模糊伪影；JPEG，H.264和H.265虽能保留整体结构轮廓，但在肝门区血管结构和皮下脂肪（图3C2和图3D2）等纹理丰富区域出现典型的棋盘格状伪影，影响局部细节的真实性；相比之下，FAINC方法展现出显著优势，不仅能有效保留原始图像中软组织的纹理细节和器官边界的边缘锐度，更在整体清晰度上保持最佳水平，重建数据的失真程度最小，视觉效果与原始数据最为接近。

不同压缩方法重建图像的主观质量评分统计结果如表2所示。本文提出的FAINC在整体评分上表现最佳，其均值为4.72±0.45。与评分第二高的JPEG2000方法（4.62±0.58）相比，FAINC平均分略高，提升约2.16%；与评分最低的NeRV方法（2.35±0.61）相比，则表现出明显提升，差异具有统计学意义（P均<0.05）。

2.2 AVT数据集结果分析

本文所提出的FAINC方法与对比方法在AVT数据集上的率失真曲线结果如图4所示。图4A和图4B分别展示了FAINC与JPEG、JPEG2000、H.264、H.265及NeRV方法压缩三维CT影像（尺寸为64×512×512，原始BPV为16 bit/voxel）上的率失真对比。结果显示，FAINC 相比于其他方法在PSNR指标上分别平均提升了4.82 dB、1.59 dB、4.05 dB、3.92 dB和8.10 dB，相对提升幅度约为11.02%、3.38%、9.10%、8.78%和20.02%。在SSIM 指标上，FAINC分别提升了0.0642、0.0019、0.0345、0.0328和0.0445，对应的相对提升幅度为 6.93%、0.19%、3.61%、3.42%和4.70%。其中，FAINC在低压缩率下的PSNR略低于JPEG2000，但高压缩率下保持更高的重建性能，且其SSIM表现更佳，保持更高的结构相似性。从整体趋势来看，FAINC在宽范围压缩比下表现出稳定且优越的率失真性能，在低比特率区域（BPV<0.15）时仍保持图像的结构。这一特性对于医学影像压缩具有重要意义，因为在实际临床应用中，常常需要在受限的存储与传输条件下尽可能保留诊断相关信息^［34］。表3展示对20例影像（平均尺寸为84×512×512，原始BPV为16 bit/voxel）进行压缩重建后的平均PSNR、SSIM和RMSE指标（BPV约在0.33~0.35），以及不同方法的重建效果对比。从统计结果来看，FAINC在PSNR、SSIM和RMSE上分别达到50.76±0.68、0.9930±0.0010和0.0029±0.0004，在均值上整体处于最优水平且方差最小。尽管JPEG2000的PSNR略高（50.98±1.25），其方差几乎为FAINC的两倍，表明稳定性显著不足；在SSIM和RMSE上亦均低于FAINC。其他方法（H.265、H.264、JPEG、NeRV）在3项指标中的均值均明显偏低且波动更大，进一步凸显了FAINC在重建精度和稳定性上的优势。因此，FAINC在保证高压缩率的同时，能够提供更高保真度和结构完整性的图像重建。

各方法在相似压缩率（BPV约为0.34~0.35）下的重建效果如图5所示，原始图像分辨率均为512×512。可以观察到，各对比方法在不同程度上出现结构与纹理的失真：NeRV在整体器官轮廓处表现出明显模糊，导致局部解剖细节难以识别；JPEG和H.264在主动脉壁与血液腔交界处的灰度缓变区域引入明显的伪影（图5D3和图5F3）；H.265虽然在结构保持方面优于上述方法，但在骨性结构等高对比度边缘仍出现块状伪影（图5C1），破坏了图像的连续性与诊断可读性。相比之下，FAINC方法展现出显著优势，能够在相同压缩比下实现最高的重建保真度。特别是在灰度过渡区域中，FAINC能保持更加精确的强度分布与清晰的边缘定义。这一优势得益于其多子网络结构对不同频率复杂度的差异化建模能力，以及自适应参数分配策略对高复杂度区域的优化，使得该方法在实现高压缩率的同时，仍能有效保留医学影像中关键的诊断信息。

FAINC方法与对比方法的主观质量评分结果如表4所示。FAINC的评分最高（4.77±0.43），显著优于各对比方法。与表现最接近的JPEG2000（4.55±0.50）相比，FAINC的差异具有统计学意义（P=0.005）。其余方法与FAINC的评分差异更为显著，均呈下降趋势（P≤0.002）。总体来看，FAINC在主观视觉质量方面表现出明确的领先优势。

2.3 消融实验结果

为定量评估本文提出的关键机制在压缩性能与重建保真度中的作用，设计了两组对照模型。第1组将频域门控机制更换为随机划分门控，以评估频域划分对结构建模与高频细节恢复的贡献，记为w/o Frequency-Guided Partition。为确保公平性，仍保留参数动态分配机制。第2组将复杂度感知的参数分配机制替换为参数平均分配，以分析参数自适应调度对模型容量利用与局部细节表达的影响，记为w/o Adaptive Allocation。为避免频谱偏移，频域门控机制在该实验中保持各专家接收的频域总能量一致。所有消融实验均在KiTS19肾脏CT数据集上完成。

从图6展示可视化结果来看，消融实验w/o Frequency-Guided Partition在肾盂区域的解剖边界出现明显模糊，高频纹理与灰质细节被过度平滑；消融实验w/o Adaptive Allocation，腰椎椎体周围的肌肉纹理灰度过渡不连续，复杂结构区域出现细节塌陷。相比之下，本文提出的完整模型在细纹理保留、边缘锐度及噪声抑制等方面均表现最佳，能够准确还原肾盂的空间形态与肌肉组织的密度层次，视觉效果最接近原始影像。图7展示的率失真曲线进一步量化了不同模型的压缩效能。在0.1~0.5 BPV内，FAINC方法的平均PSNR为46.05 dB，较其他2种模型的PSNR分别提升1.4 dB和2.7 dB；SSIM分别提升0.009和0.015。这表明，频域引导模型通过光谱稀疏指数建立了“复杂度-容量”的物理关联，使边缘及细节纹理相关的高频成分能够由高容量子网络重点建模；而随机分配破坏了这一关联，导致关键频率成分被低容量子网络粗糙拟合。固定参数模型虽保留了频域路由机制，但由于缺乏动态参数调度，子网络拟合质量不均匀，部分参数在低频区域被过度消耗。

FAINC与两种消融模型在八个子网络上的PSNR与参数占用内存（MB）对比结果如图8所示。其中，FAINC在所有样本上的平均PSNR相较于两种消融模型分别提升2.05 dB和1.87 dB，验证了所提出频域门控与自适应分配机制在提升压缩保真度方面的有效性。进一步分析发现，本文模型在子网络1~3中以更少的参数量获得了更高的PSNR，而在子网络4与8中以更低复杂度达到了与两种对照模型相近的性能。除此之外，模型通过在子网络6和7中适度增加参数分配，使整体重建精度进一步提升。相较之下，w/o Frequency-Guided Partition在多个专家样本上出现显著性能退化，说明频域划分对于结构建模与高频纹理恢复至关重要；而采用w/o Adaptive Allocation表现出较大的性能波动，表明自适应分配机制能有效提升模型容量利用率与局部细节表达能力。

3 讨论

本文针对高压缩比条件下医学影像压缩中普遍存在的细节损失和结构不连续问题，提出了基于频域自适应隐式神经网络的医学影像压缩方法（FAINC）。该方法通过引入频域门控机制和参数自适应分配策略，实现了局部区域频域感知和建模容量的自适应分配，在不增加冗余参数的前提下有效提升了高频结构区域的细节重建。结果表明，与传统变换域压缩方法及现有隐式神经表示压缩方法相比，FAINC在高压缩比条件下能够更好地保持组织边界和纹理细节，兼顾压缩效率与重建质量。进一步的消融实验结果验证了频域门控机制和参数自适应分配模块在增强模型表征能力、降低参数冗余方面的有效性。

本研究基于KiTS19和AVT数据集进行评估。从图3和图5可以观察到，传统基于变换的压缩方法（如JPEG、JPEG2000、H.264和H.265）依赖固定的频域变换和量化策略，主要针对自然图像设计，通过对高频分量进行量化以换取高压缩比，在医学影像中容易导致组织边缘模糊和病灶细节缺失。隐式神经表示在连续信号建模方面具有一定优势，但传统的SIREN方法采用单一网络对全局进行拟合，忽略了医学影像频谱范围广以及不同区域频域特性的差异，导致对高频结构丰富区域的表征能力有限。近期提出的NeRV方法在图像和视频压缩任务中展现了较好的性能，其多尺度特征融合机制在大规模数据压缩中具有一定优势，但针对单个小体积医学影像重建效果不理想。然而，本文提出的FAINC并未通过牺牲高频信息来换取更高压缩率，而是依据局部频域特征分配不同建模容量，充分保证INR对高频区域的表征能力。其次，相较于现有INR方法普遍采用固定容量网络的做法，FAINC将图像划分为频域特性不同的子块，通过缩小单个子块的频谱范围来降低INR对高频分量的拟合压力，并进一步引入多子网络结构，根据区域复杂度实现容量的自适应分配。该机制弥补了现有INR研究中缺乏“局部容量调度”的不足，使隐式表示在建模宽频谱医学影像时表现更加稳健，尤其在血管、器官边界等结构复杂区域具有更好的重建一致性。此外，基于INR压缩方法普遍训练阶段耗时较长、难以在临床部署；而本研究方法虽然在压缩阶段仍需逐像素优化，但解压阶段仅依赖一次前向推理，避免了传统编解码器复杂的解码流程，具有明显的解压速度优势。对于远程诊断、云端阅片和大规模影像归档等场景，具有实际应用价值。

本研究存在一定的局限性与不足之处。首先，频域划分阈值在当前实现中仍需人工设定，缺乏完全自动化的自适应策略；其次，本研究主要针对静态三维影像进行验证，对于动态或时序影像（如4D-MRI或心脏CT）尚未充分考虑时空相关性建模；此外，当前验证主要基于公开CT数据集，后续仍需在多中心、多设备、多病种的真实临床数据上进行大规模测试，以全面评估模型的鲁棒性与跨域适应性。未来工作需进一步探索自动化频谱划分、时空联合压缩与多模态泛化，以推动该方法在临床与多中心医学影像系统中的应用。

参考文献

[1] Minopoulou I, Kleyer A, Yalcin-Mutlu M, et al. Imaging in inflammatory arthritis: progress towards precision medicine[J]. Nat Rev Rheumatol, 2023, 19(10): 650-65. doi：10.1038/s41584-023-01016-1

[2] Moore J, Allan C, Besson S, et al. OME-NGFF: a next-generation file format for expanding bioimaging data-access strategies[J]. Nat Methods, 2021, 18(12): 1496-8. doi：10.1038/s41592-021-01326-w

[3] Wiseman S. A FAIR platform for data-sharing[J]. Nat Neurosci, 2021, 24(12): 1640. doi：10.1038/s41593-021-00976-5

[4] Boergens KM, Berning M, Bocklisch T, et al. webKnossos: efficient online 3D data annotation for connectomics[J]. Nat Methods, 2017, 14(7): 691-4. doi：10.1038/nmeth.4331

[5] Wallace GK. The JPEG still picture compression standard[J]. Commun ACM, 1991, 34(4): 30-44. doi：10.1145/103085.103089

[6] Wiegand T, Sullivan GJ, Bjontegaard G, et al. Overview of the H.264/AVC video coding standard[J]. IEEE Trans Circuits Syst Video Technol, 2003, 13(7): 560-76. doi：10.1109/tcsvt.2003.815165

[7] Wien M. High efficiency video coding[J]. Coding Tools and specification, 2015, 24: 1. doi：10.1007/978-3-662-44276-0

[8] Dong C, Deng YB, Loy CC, et al. Compression artifacts reduction by a deep convolutional network[C]//2015 IEEE International Conference on Computer Vision (ICCV). December 7-13, 2015. Santiago, Chile. IEEE, 2015: 576-84. doi：10.1109/iccv.2015.73

[9] Rufai AM, Anbarjafari G, Demirel H. Lossy medical image compression using Huffman coding and singular value deco-mposition[C]//2013 21st Signal Processing and Communications Applications Conference (SIU). April 24-26, 2013, Haspolat, Turkey. IEEE, 2013: 1-4. doi：10.1109/siu.2013.6531592

[10] Song CY, Hui C, Lin Q, et al. LVPNet: a latent-variable-based prediction-driven end-to-end framework for lossless compression of medical images[C]//2025 Medical Image Computing and Computer Assisted Intervention(MICCAI). Sept 23-27, 2025, Daejeon, Republic of Korea. Springer Nature Switzerland, 2025: 288-98. doi：10.1007/978-3-032-04984-1_28

[11] Duan XT, Liu JJ, Zhang E. Efficient image encryption and compression based on a VAE generative model[J]. J Real Time Image Process, 2019, 16(3): 765-73. doi：10.1007/s11554-018-0826-4

[12] Sitzmann V, Martel JNP, Bergman AW, et al. Implicit neural representations with periodic activation functions[C]//2020 Neural Information Processing Systems Conference (NeurIPS). Dec 6-12, 2020, San Diego, USA. Curran Associates, Inc, 2020: 7462-7473. doi：10.48550/arXiv.2006.09661

[13] Dai GL, Zhang RY, Wuwu Q, et al. Implicit neural image field for biological microscopy image compression[J]. Nat Comput Sci, 2025, 5(11): 1041-50. doi：10.1038/s43588-025-00889-4

[14] Mildenhall B, Srinivasan PP, Tancik M, et al. NeRF: representing scenes as neural radiance fields for view synthesis[J]. Commun ACM, 2022, 65(1): 99-106. doi：10.1145/3503250

[15] Dupont E, Goliński A, Alizadeh M, et al. Coin: Compression with implicit neural representations[EB/OL]. 2021: arXiv:2103.03123. doi：10.48550/arXiv.2103.03123

[16] Chen H, He B, Wang H, et al. Nerv: Neural representations for videos［C］//2021 Neural Information Processing Systems Conference (NeurIPS). Dec 6-14, 2021, San Diego, USA. Curran Associates, Inc, 2021: 21557-68. doi：10.48550/arXiv.2110.13903

[17] Lu Y, Jiang K, Levine JA, et al. Compressive neural representations of volumetric scalar fields[J]. Comput Graph Forum, 2021, 40(3): 135-46. doi：10.1111/cgf.14295

[18] Bird T, Ballé J, Singh S, et al. 3D scene compression through entropy penalized neural representation functions[C]//2021 Picture Coding Symposium (PCS). June 29-July 2, 2021, Bristol, United Kingdom. IEEE, 2021: 1-5. doi：10.1109/PCS50896.2021.9477505

[19] Yang RZ, Xiao TX, Cheng YX, et al. Sharing massive biomedical data at magnitudes lower bandwidth using implicit neural function[J]. Proc Natl Acad Sci USA, 2024, 121(28): e2320870121. doi：10.1073/pnas.2320870121

[20] Ma Y, Yi C, Zhou Y, et al. Semantic redundancy-aware implicit neural compression for multidimensional biomedical image data[J]. Communications Biology, 2024, 7(1): 1081. doi：10.1038/s42003-024-06788-0

[21] Yang RZ, Xiao TX, Cheng YX, et al. SCI: a spectrum concentrated implicit neural compression for biomedical data[J]. Proc AAAI Conf Artif Intell, 2023, 37(4): 4774-82. doi：10.1609/aaai.v37i4.25602

[22] Dupont E, Loya H, Alizadeh M, et al. Coin++: Neural compression across modalities[EB/OL]. 2022: arXiv: 2201.12904. doi：10.48550/arXiv.2201.12904

[23] Sheibanifard A, Yu HC. A novel implicit neural representation for volume data[J]. Appl Sci, 2023, 13(5): 3242. doi：10.3390/app13053242

[24] Liang R, Sun H, Vijaykumar N. Coordx: Accelerating implicit neural representation with a split mlp architecture[EB/OL]. 2022: arXiv:2201.12425. doi：10.48550/arXiv.2201.12425

[25] Xu JS, Moyer D, Gagoski B, et al. NeSVoR: implicit neural representation for slice-to-volume reconstruction in MRI[J]. IEEE Trans Med Imag, 2023, 42(6): 1707-19. doi：10.1109/tmi.2023.3236216

[26] Jacobs RA, Jordan MI, Nowlan SJ, et al. Adaptive mixtures of local experts[J]. Neural Comput, 1991, 3(1): 79-87. doi：10.1162/neco.1991.3.1.79

[27] Heller N, Sathianathen N, Kalapara A, et al. The KiTS19 challenge data: 300 kidney tumor cases with clinical context, CT semantic segmentations, and surgical outcomes[EB/OL]. 2019: arXiv: 1904.00445. doi：10.48550/arXiv.1904.00445

[28] Radl L, Jin Y, Pepe A, et al. AVT: Multicenter aortic vessel tree CTA dataset collection with ground truth segmentation masks[J]. Data Brief, 2022, 40: 107801. doi：10.1016/j.dib.2022.107801

[29] Gong YC, Liu L, Yang M, et al. Compressing deep convolutional networks using vector quantization[EB/OL]. 2014: arXiv: 1412.6115.

[30] Moffat A. Huffman coding[J]. ACM Comput Surv, 2020, 52(4): 1-35. doi：10.1145/3342555

[31] Skodras A, Christopoulos C, Ebrahimi T. The JPEG 2000 still image compression standard[J]. IEEE Signal Process Mag, 2001, 18(5): 36-58. doi：10.1109/79.952804

[32] SJLjTomar. Converting video formats with FFmpeg[J]. Linux journal, 2006, 2006(146):10.

[33] Lu G, Ouyang WL, Xu D, et al. DVC: an end-to-end deep video compression framework[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). June 15-20, 2019. Long Beach, CA, USA. IEEE, 2019: 10998-1007. doi：10.1109/cvpr.2019.01126

[34] McDole K, Guignard L, Amat F, et al. In toto imaging and reconstruction of post-implantation mouse development at the single-cell level[J]. Cell, 2018, 175(3): 859-76. e33. doi：10.1016/j.cell.2018.09.031

基金资助

国家自然科学基金区域创新发展联合基金(U21A6005)

国家重点研发计划(2024YFA1012003)

广东省基础与应用基础研究基金(2024A1515140146)

RIGHTS & PERMISSIONS

版权所有©《南方医科大学学报》编辑部2021