[计算视觉与生物力学讲义] 2018年计算视觉与生物工程国际会议（ISMAC-CVB）论文集 第30卷 || 基于高效编码技术与BPN的医学图像压缩新方法

1：实验设计与方法选择：

整体设计采用混合方法，结合反向传播神经网络（BPN）进行初始压缩和算术编码进一步压缩。其原理是利用BPN无损压缩能力及算术编码高效降低冗余、提升压缩比的优势。理论模型包括使用激活函数（隐藏层采用'tansig'，输出层采用'purelin'）的神经网络训练，以及基于概率区间的算术编码。

2：样本选择与数据来源：

输入医学图像（具体为MRI图像）。筛选标准包括统一图像尺寸并进行标准化处理。数据采集自医学图像源，但未详细说明具体数据集。

3：实验设备与材料清单：

未列明具体设备或材料；该方法依赖计算工具实现神经网络训练及算术编码。

4：实验流程与操作步骤：

步骤包括：读取输入医学图像；调整至标准尺寸并标准化；分割为不重叠区块；将区块作为输入输入神经网络；初始化权重与目标值；设置训练参数（学习率、目标值）；训练神经网络；对输出图像应用算术编码；保存算术编码；通过逆算术编码转换编码；获取重建图像；计算压缩比；测算PSNR值；记录执行时间。

5：数据分析方法：

性能评估采用均方误差（MSE）和峰值信噪比（PSNR）。MSE计算原始与重建图像像素间平均平方差，PSNR由MSE推导以评估图像质量。统计技术涉及比较现有方法与本方法的PSNR值及执行时间。