DE102005007530B4

DE102005007530B4 - Priorisierte Bildvisualisierung aus skalierbaren komprimierten Daten

Info

Publication number: DE102005007530B4
Application number: DE102005007530A
Authority: DE
Inventors: Karthik Krishnan; Michael Wesley Tucson Marcellin; Mariappan S. Nadar; Arun Krishnan
Original assignee: Siemens Medical Solutions USA Inc; University of Arizona
Current assignee: Siemens Medical Solutions USA Inc; University of Arizona
Priority date: 2004-02-17
Filing date: 2005-02-17
Publication date: 2010-10-07
Anticipated expiration: 2025-02-18
Also published as: US20060031372A1; DE102005007530A1; US7324695B2

Abstract

Verfahren zur Datenübertragung von einem Server zu einem Client, wobei skalierbare komprimierte Volumendatendaten zur Bildvisualisierung priorisiert übertragen werden, umfassend:
– Aufteilen eines skalaren Bereichs der Volumendaten in Bins (Behälter), wobei jeder Bin den Identitäsbereich darstellt, auf den ein bestimmtes Gewebe begrenzt ist;
– Empfangen einer interaktiven Priorisierungsanfrage von einem Client durch den Server;
– Transcodieren der skalierbaren komprimierten Volumendaten in Größen angepasste Datenzonen;
– Neuschichten der Datenzonen in Pakete vor dem Liefern der Volumendaten, um einen oder mehrere Bins wie vom Client ausgewählt hervorzuheben;
– Übertragen der priorisierten komprimierten Volumendaten zum Client,
dadurch gekennzeichnet, dass
– bei der Volumenkomprimierung die komprimierten Volumendaten, die jedem Bin entsprechen, identifiziert werden, indem für jedes Bin eine Bin-Maske erzeugt und auf eine Code-Block-Maske abgebildet wird;
– zur Identifizierung der Bins, auf die jeder Code-Block einen Einfluss ausübt, eine Bin-Tabelle erzeugt und in einer Datei auf den...

Description

Querverweis auf zugehörige Anmeldungen
Diese Anmeldung beansprucht die Priorität der provisorischen US-Anmeldung Nr. 60/545,550 (Anwaltsaktenzeichen Nr. 2005P00467US), eingereicht am 17. Februar 2004 mit dem Titel ”Interactive Client-Server Transmission of Compressed Data with Prioritization by Scene Content”. Zusätzlich ist diese Anmeldung eine Continuation-In-Part der US-Patentanmeldung Nr. 10/100,154 (Anwaltsaktenzeichen Nr. 2002P04284US), eingereicht am 18. März 2002 mit dem Titel ”Efficient Ordering of Data for Compression and Visualization”.
Hintergrund
Medizinisch-volumetrische Online-Datenbanken wie beispielsweise die, die von der National Library of Medicine (NLM) gepflegt wird, haben mit der ansteigenden Benutzung des Internets an Beliebtheit gewonnen. Bildarchivierungs- und Kommunikationssysteme (Picture Archiving and Communication Systems, PACS) können verwendet werden, um solche Datenbanken zu unterstützen. Darüber hinaus nimmt die Verwendung von dreidimensionalen Bildgebungsverfahren zu, die volumetrische Datensätze erzeugen, einschließlich z. B. der Magnetresonanztomographie (MRI), Ultraschall (US), Computertomographie (CT), Positronemissionstomographie (PET) und die Single Photon Emission Computed Tomography (SPECT).
Im Allgemeinen sind volumetrische Datensätze sehr umfangreich. Z. B. umfasst der Datensatz des ”Visible Male” axiale Bildabtastungen des gesamten Körpers, die in 1 mm Abständen bei einer Auflösung von 512×512 Pixel durchgeführt wurden. Der gesamte Datensatz hat 1.870 Querschnitte und benötigt etwa 15 GByte an Voxel-Daten. Der Datensatz ”Visible Woman” umfasst Querschnittsbilder bei einem Drittel der Abtastabstände des ”Visible Male” entlang der Axialrichtung und benötigt etwa 40 GByte.
Wenn derartige Datensätze über Netze von geringer Bandbreite mit unterschiedlichen Lasten und Latenzbeschränkungen übertragen werden sollen, müssen effiziente Kompressionsmodelle verwendet werden. Das Kompressionsmodell sollte sowohl verlustbehaftete als auch verlustlose Kompression unterstützen. Verlustbehaftete Komprimierung ermöglicht dem Benutzer, auf Bildqualität zugunsten reduzierter Bitraten zu verzichten. Andererseits gibt es Situationen, wo eine verlustlose Rekonstruktion wichtig ist, z. B. dort, wo kleine Bilddetails die Erfassung der Pathologie beeinflussen und die Diagnose verändern könnten. Das Kompressionsmodell sollte 8, 12 und 16 Bit signierter oder unsignierter Daten unterstützen, was für medizinische Bilder typisch ist. Im Allgemeinen sollte es vorzugsweise beliebige Bit-Tiefen unterstützen.
Der Vorteil der Komprimierung kann erheblich verbessert werden, wenn der gesamte Datensatz vor der Visualisierung nicht dekomprimiert werden muss. Deshalb ist es wichtig, dass der komprimierte Bitdatenstrom skalierbar ist. Unter Berücksichtigung, dass die Clients typischerweise in der Anzeigegröße beschränkt sind, sollten die vom Server übertragenen Daten in der Auflösung skalierbar sein. Dies ermöglicht es einem Client, eine Version des Volumens mit niedriger Auflösung zu durchzusuchen und in geeigneter Weise ein Teilvolumen (volume of interest, VOI) auszuwählen. Eine Verzerrungsskalierbarkeit ist ebenfalls wünschenswert, so dass das VOI des Clients stufenweise in der Qualität verfeinert werden kann.
Darüber hinaus ist eine Skalierbarkeit hinsichtlich der Position oder räumlichen Anordnung in interaktiven Anwendungen wünschenswert, wobei interaktive Anwender beabsichtigen könn ten, einen bestimmten Unterabschnitt des Volumens anzusehen. Da die Wiedergabezeit bezüglich der Größe des Datensatzes linear ist, sollte die Komprimierungstechnik auf einem mehrfach auflösenden Rahmenwerk basieren, wobei eine Ansicht in reduzierter Auflösung es ermöglicht, sowohl über das Netz übertragene komprimierte Daten als auch Wiedergabezeit einzusparen.
Es wurden bereits zahlreiche Techniken der Bildkomprimierung vorgeschlagen, wobei viele davon einige der oben erwähnten Skalierbarkeitsbeschränkungen unterstützen. Beliebte Techniken des Standes der Technik umfassen Embedded Zero-Tree Wavelet Coding (EZW) und Set Partitioning in Hierachical Trees (SPIHT), wobei beide Wavelet-Codierungsverfahren sind. Der JPEG2000-Standard z. B. erlaubt die Sortierung von Bits im komprimierten Datenstrom, um sich für die Zielstellung zu eignen.
Ein bekanntes Verfahren zur Visualisierung des Datensatzes ist es, Volumenrendering zu verwenden. Volumenrendering verwendet eine Übertragungsfunktion, die Voxel-Intensitätswerte Farb- und Opazitätswerten zuordnet. Was derzeit benötigt wird, ist eine verbesserte Technik zur priorisierten Bildvisualisierung aus skalierbaren komprimierten Daten.
Aus der DE 102 17 886 A1 ist ein medizinisches Datensystem zum lokalen und internetbasierten Zugriff auf in einem Datenspeicher einer medizinischen Einrichtung gespeicherte medizinische Daten bekannt, das ein Server-Programm zum lokalen Zugriff auf die Daten des Datenspeichers und ein um ein Web-Applikations-Server-Programmerweitertes Web-Server-Programm zum internetbasierten Zugriff auf die Daten des Datenspeichers aufweist, wobei bei einer Anforderung von Daten aus dem Datenspeicher über das Internet das Netz-Server-Programm das Web-Applikations-Server-Programm keinen im Zusammenhang mit der Anforderung stehenden Prozesszustand über die Anforderung hinaus zwischenspeichern.
Aus der EP 1 217 556 A2 ist ein Verwaltungssystem für medizinische Bilder bekannt, das es erlaubt, einen gängigen Internetbrowser als medizinische Workstation zu verwenden, in dem medizinische Bilder aus einer Vielzahl von Bildformaten in ein browserkompatibles Format umgewandelt werden.
Die US 6 014 694 A lehrt ein System, das einen adaptiven Transport von Videodaten über ein Netzwerk, in dem die verfügbare Bandbreite zeitlich variiert, erlaubt. Dazu werden Bildrate und Bildauflösung der Videobilder an die verfügbare Netzwerkbandbreite angepasst.
Aus der US 2003/0174883 A1 ist ein Verfahren zur gewichteten Informationsübertragung bekannt, bei dem ein komplettes Datenvolumen, entweder beginnend mit Higher-Order-Daten und endend mit Lower-Order-Daten oder in umgekehrter Reihenfolge übertragen wird. Dabei wird der skalare Bereich der Volumendaten nach deren Intensitätswerten geordnet.
Aus der US 6,182,114 B1 ist ein Verfahren bekannt, bei dem durch einen Server ein Bild mit niedriger Auflösung bereitgestellt wird und eine vom Nutzer am Client ausgewählte Region dann selektiv verbessert wird.
Aus dem Artikel „Lossy to Lossless Object-Based Coding of 3-D MRI Data” von G. Menegaz, J. Thiran, IEEE Transactions an image processing, Vol. 11, No. 9, September 2002, ist es bekannt, die Voxel eines Bildes nach ihrer räumlichen Lage in Bins zusammenzufassen. Der D4 ist somit eine Objekt-basierte Codierung zu entnehmen, bei der ein vorher segmentiertes und definiertes Objekt priorisiert gegenüber anderen Objekten übertragen werden kann.
Nachteilig bei all diesen Systemen ist jedoch, dass es bei einer beschränkten Bandbreite der Verbindung zwischen Server und Client entweder sehr lange dauert, bis eine gewünschte Teilstruktur eines Bildes übertragen ist oder eine schnellere Übertragung der gewünschten Teilstruktur eines Bildes mit einem signifikant reduzierten Auflösungsgrad dieser Teilstruktur erkauft wird.
Die Aufgabe der Erfindung besteht darin, diese Nachteile des Standes der Technik durch ein Verfahren zur priorisierten Bildvisualisierung aus skalierbaren komprimierten Daten zu beheben, das zu einem verbesserten Ansichtserlebnis führt.
Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1.
Eine Ausführungsform des entsprechenden Verfahrens umfasst das Empfangen einer interaktiven Priorisierungsanfrage von einem Client, das Priorisieren der Übertragung der komprimierten Daten bezogen auf die Bin-Optimierung als Antwort auf die interaktive Priorisierungsanfrage und das Übertragen der priorisierten komprimierten Daten zum Client.
Diese und andere Aspekte, Merkmale und Vorteile der vorliegenden Offenbarung werden anhand der folgenden Beschreibung von beispielhaften Ausführungsformen deutlich, die in Verbindung mit den beigefügten Zeichnungen zu lesen ist.
Kurze Beschreibung der Zeichnungen
Die vorliegende Offenbarung lehrt die priorisierte Bildvisualisierung aus skalierbaren komprimierten Daten gemäß der folgenden beispielhaften Figuren, in denen:
1 eine schematische Darstellung eines Client-Server-Modells zeigt;
2 ein Flussdiagramm für die priorisierte Bildvisualisierung aus skalierbaren komprimierten Daten gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung zeigt;
3 eine grafische Darstellung von Bin- und Code-Block-Masken gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung zeigt;
4 eine grafische Darstellung von Vergleichsvolumenschnitten einschließlich eines Schnitts mit Bin-optimierter Ausgabe gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung zeigt;
5 eine grafische Darstellung für Spitzenwert-Signal-Geräuschverhältnisse (PSNR) als Funktion der vom Server übertragenen Daten mit und ohne Bin-optimierte Ausgabe gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung zeigt;
6 eine grafische Darstellung einer Bin-Maske und einer der Bin-Maske entsprechenden Code-Block-Maske gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung zeigt;
7 eine grafische Darstellung einer priorisierten Ausgabe unter Verwendung der Bin-Maske aus 6 zeigt;
8 eine grafische Darstellung von Knochen darstellt, der aus einem unkomprimierten Volumen wiedergegeben ist;
9 eine grafische Darstellung von Knochen zeigt, wiedergegeben nach 1,5 MB von priorisierter Übertragung für die Knochen-Bin gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung;
10 eine grafische Darstellung von Knochen zeigt, wiedergegeben nach 1,5 MB standardmäßiger nicht priorisierter Übertragung;
11 eine grafische Darstellung von Knochen zeigt, wiedergegeben nach 2 MB von priorisierter Übertragung für die Knochen-Bin gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung;
12 eine grafische Darstellung für Knochen zeigt, wiedergegeben nach 2 MB standardmäßiger nichtpriorisierter Übertragung;
13 eine grafische Differenzdarstellung zwischen den 11 und 8 zeigt; und
14 eine grafische Differenzdarstellung zwischen den 12 und 8 zeigt.
Detaillierte Beschreibung der bevorzugten Ausführungsformen
Es wird ein System und ein Verfahren zur priorisierten Bildvisualisierung aus skalierbaren komprimierten Daten vorgestellt. Eine Vielzahl von Visualisierungsmodellen kann verwendet werden, um Voxel-Daten zu visualisieren. Abhängig vom Visualisierungsmodell und den Visualisierungsparametern, wie z. B. Blickpunkt und dergleichen, kann lediglich ein gewisser Anteil der Daten letztlich zur wiedergegebenen Ausgabe beitragen. Deshalb priorisiert eine intelligente Serverausführungsform die komprimierten Datenpakete basierend auf ihren potenziellen Beiträgen zur wiedergegebenen Anzeigeausgabe.
Das Volumenrendering von komprimierten dreidimensionalen (3D)-Daten unter Verwendung des JPEG-Standards wurde zuvor angesprochen. Ein Nachteil des JPEG-Standards ist, dass er auf einem Modell der diskreten Cosinus-Transformation (DCT) basiert, das hinsichtlich der Skalierbarkeit einen Mangel an Fülle aufweist. JPEG2000 wurde in Teil 2 des Standards erweitert, um eine Spezifikation der diskreten Wavelet-Transformation (DWT) entlang der Komponentenrichtung bereitzustellen.
Eine beispielhafte Ausführungsform der vorliegenden Offenbarung verwendet skalierbare komprimierte Daten, die den JPEG2000-Standard erfüllen. In anderen Ausführungsformen können andere Arten von skalierbaren komprimierten Daten verwendet werden wie z. B. Daten, die dem vorgeschlagenen MPEG Scalable Video Coder (MPEG SVC) und dergleichen entsprechen.
Als Bildkomprimierungsstandard ist JPEG2000 hoch skalierbar und unterstützt die Erweiterung von zweidimensionalen (2D) Algorithmen, um Volumen zu unterstützen. Z. B. wurde eine dreidimensionale (3D) reversible ganzzahlige Wavelet-Tranformation kombiniert mit EZW vorgestellt, um eine verlustlose Komprimierung zu erzielen, wogegen ansonsten 3D-SPIHT verwendet wurde.
Eine der Anforderungen der Telemedizin ist es, Fernvisualisierung und Durchsuchen von medizinischen Volumendaten zu ermöglichen. Deshalb besteht ein Bedarf, skalierbare Komprimierungsmodelle und wirksame Client-Server-Modelle zu verwenden, um eine Interaktivität und ein verbessertes Ansichtserlebnis zu erreichen. Ausführungsformen der vorliegenden Offenbarung umfassen Modelle, die JPEG2000 und JPIP (JPEG2000 Interactive Protocol) verwenden, um Daten in einer mehrfach auflösenden und stufenweisen Art zu übertragen. Der Server wertet die räumliche Lage aus, die durch die Wavelet-Transformation und die paketindizierende Information angeboten wird, um die komprimierten Volumendaten zu übertragen, die bezüglich einer bestimmten Anfrage des Clients relevant sind. Sobald der Client sein Teilvolumen (volume of interest, VOI) identifiziert, wird das Volumen stufenweise innerhalb des Teilvolu mens von einer verlustbehafteten bis zu einer schließlich verlustlosen Darstellung verfeinert. Kontextuelle Hintergrundinformation kann ebenfalls mit einer Qualität zur Verfügung gestellt werden, die vom Teilvolumen weg abnimmt.
Eine Priorisierung ermöglicht es dem Client, schrittweise Bildinhalt aus einer komprimierten Datei zu visualisieren. In einer beispielhaften Ausführungsform stellt der Client Anfragen, um schrittweise Daten zu empfangen, die irgendeinem bestimmten Gewebetyp entsprechen. Der Server ist nun in der Lage, dieselbe komprimierte Datendatei während der Übertragung wieder zu ordnen, um priorisierte Datenpakete gemäß der Anfrage des Clients zu liefern.
Demzufolge hat der interaktive Benutzer die Freiheit, irgendeinen Unterabschnitt des Volumens bei variabler Auflösung mit unterschiedlichen Stufen der optischen Qualität zu durchsuchen und wiederzugeben, und ist ebenfalls in der Lage, jeden beliebigen Satz von Gewebetypen mit verbesserter Qualität zu visualisieren. Die sich ergebende Ausführungsform des Systems ist in idealer Weise für bandbreitenbeschränkte Systeme geeignet, die komprimierte volumetrische Daten auf einem Server aufweisen, die von einem Client durchsucht werden sollen.
Wie in 1 dargestellt ist ein Client-Server-Modell im Allgemeinen mit der Bezugsziffer 100 gekennzeichnet, der Client-Server 100 umfasst einen Server 110 und einen Client 120, der in Signalkommunikation mit dem Server steht. Der Server 110 umfasst einen Datenbankserver 112, einen Transcoder 114, der in Signalverbindung mit dem Datenbankserver steht, und ein Cache-Speicher-Modell 116, das in Signalverbindung mit dem Transcoder steht. Der Client 120 umfasst einen Entkomprimierer 122, ein Renderingmodul 124, das in Signalverbindung mit dem Entkomprimierer steht, und einen Cache-Speicher 126, der in Signalverbindung mit dem Renderingmodul steht.
Mit Blick auf 2 ist ein Verfahren zur priorisierten Bildvisualisierung aus skalierbaren komprimierten Daten allgemein mit der Bezugsziffer 200 gekennzeichnet. Das Verfahren 200 umfasst einen Anfangsblock 210, der die Steuerung an einen Eingabe-/Ausgabeblock (I/O) 212 übergibt. Beim Block 212 fordert ein Client priorisierte komprimierte Daten von einem Server an, und die Steuerung wird an einen Funktionsblock 214 übergeben. In Block 214 transcodiert der Server die komprimierten Daten zur Bin-Priorisierung, und die Steuerung wird an einen Funktionsblock 216 übergeben. Im Block 216 hält der Server sein Cache-Modell des Cache-Speichers des Clients, und die Steuerung wird an einen I/O-Block 218 übergeben. Im Block 218 überträgt der Server priorisierte komprimierte Daten an den Client, und die Steuerung wird an einen I/O-Block 220 übergeben.
Im I/O-Block 220 empfängt der Client wiederum die priorisierten komprimierten Daten vom Server, und die Steuerung wird an einen Funktionsblock 222 übergeben. Im Funktionsblock 222 dekomprimiert der Client die priorisierten Daten, und die Steuerung wird an einen Funktionsblock 224 übergeben. Im Funktionsblock 224 gibt der Client die priorisierten Daten wieder, und die Steuerung wird an einen Anzeigeblock 226 übergeben. In Block 226 zeigt der Client die priorisierten Daten an, und die Steuerung wird an einen Entscheidungsblock 228 übergeben. Der Block 228 bestimmt, ob der Client mehr Daten anfordert, und wenn ja, wird die Steuerung zurück an den Funktionsblock 214 gegeben. Andernfalls, wenn der Client keine Daten mehr anfordert, wird die Steuerung an einen Endblock 230 übergeben.
Wendet man sich nun 3 zu, sind Masken von Knochendaten von einem Schnitt eines volumetrischen Datensatzes allgemein mit der Bezugsziffer 300 gekennzeichnet. Die Masken umfassen eine Bin-Maske 310 und eine Code-Block-Maske 320, die die relevanten Code-Blöcke auf dem unteren Bandbereich darstellt.
Vier Transformationsstufen wurden entlang der x-, y- und z-Richtung angewendet, um die Masken zu ermitteln.
Wie in 4 gezeigt sind die Volumenschnitte, die den Effekt der Bin-optimierten Ausgabe veranschaulichen, allgemein mit der Bezugsziffer 400 gekennzeichnet, ein Schnitt 410 ohne Bin-optimierte Ausgabe und ein weiterer Schnitt 420 mit Bin-optimierter Ausgabe sind in einer Stufe angezeigt, wenn ungefähr dieselbe Menge an komprimierten Daten, oder ungefähr 3 MB, von derselben komprimierten Datei durch den Server übertragen worden ist. Die allgemeine komprimierte Datei umfasst 256 Schnitte, die mit vier Transformationsstufen entlang der drei Dimensionen komprimiert sind. In diesem Fall wurde der Knochen vom Client angefordert. Alle Schnitte wurde vom Server übertragen und vom Client dekomprimiert, wobei die entsprechenden Zonen mit höherer Genauigkeit übertragen wurden. Im Schnitt 420 weisen die den Knochen entsprechenden Bereiche eine höhere optische Qualität auf Kosten einer niedrigeren optischen Qualität in den Bereichen in der Mitte auf.
Hinsichtlich 5 sind Spitzen-Signal-Geräusch-Verhältnisse (PSNR) allgemein mit der Bezugsziffer 500 bezeichnet. Das PSNR ist als eine Funktion der vom Server übertragenen Daten mit und ohne Bin-optimierter Ausgabe dargestellt. Das PSNR innerhalb der Bin ist erheblich höher mit Bin-optimierter Ausgabe. Das PSNR außerhalb der Bin ist ebenfalls dargestellt. Die ausgewählte Zonengröße war 16 × 16. Die ausgewählte Code-Block-Größe war 8 × 8.
Wendet man sich nun 6 zu, sind auf die linke Hälfte des Volumens begrenzte Masken allgemein mit der Bezugsziffer 600 gekennzeichnet. Eine Bin-Maske 610 entspricht den auf die linke Hälfte des Volumens begrenzten Knochen, und eine Code-Block-Maske 620 entspricht der Bin-Maske.
Wie in 7 dargestellt sind Ergebnisse für eine priorisierte Ausgabe unter Verwendung der Bin-Maske 610 von 6 allgemein mit der Bezugsziffer 700 gekennzeichnet, wobei das Ergebnis 710 den Gewichtungen wb = 2048 auf allen unteren Bändern entspricht, und wobei das Ergebnis 720 den Gewichtungen von wLL4 = 2048 und wb = 1024 auf den anderen unteren Bändern entspricht. Das Ergebnis 720 hat die Blockartigkeit aufgrund der erhöhten Betonung des gesamten LLDxy-Bandes reduziert.
Unter Bezugnahme auf 8 ist ein wiedergegebener Knochen, nachdem das vollständige unkomprimierte Volumen vom Client empfangen wurde, allgemein mit dem Bezugszeichen 800 gekennzeichnet.
Wie in 9 dargestellt ist ein wiedergegebener Knochen, nachdem 1,5 MB an priorisierter Übertragung für die Knochen-Bin vom Client empfangen wurden, allgemein mit der Bezugsziffer 900 gekennzeichnet. Hier betragen die beobachteten PSNR-Werte für den Knochen, den Hintergrund und das gesamte Volumen 40.25, 40.15 bzw. 40.15 dB.
Im Hinblick auf 10 ist ein wiedergegebener Knochen, nachdem 1,5 MB an Standard- oder nicht priorisierter Übertragung durch den Client empfangen wurden, allgemein mit der Bezugsziffer 1000 gekennzeichnet. Hier betragen die beobachteten PSNR-Werte für den Knochen, den Hintergrund und das gesamte Volumen 34.05, 40.72 bzw. 40.51 dB.
Wendet man sich nun 11 zu, ist der wiedergegebene Knochen, nachdem 2 MB an priorisierter Übertragung für die Knochenklasseneinteilung durch den Client empfangen wurden, allgemein mit der Bezugsziffer 1100 gekennzeichnet.
Hier betragen die beobachteten PSNR-Werte für den Knochen, den Hintergrund und das gesamte Volumen 41.73, 40.44 bzw. 40.46 dB.
Wie in 12 dargestellt, ist der wiedergegebene Knochen, nachdem 2 MB an Standard- oder nicht priorisierter Übertragung durch den Client empfangen wurden, allgemein mit der Bezugsziffer 1200 gekennzeichnet. Hier betragen die beobachteten PSNR-Werte für den Knochen, den Hintergrund und das gesamte Volumen 35.06, 41.16 bzw. 35.08 dB.
Unter Bezugnahme auf 13 ist ein Differenzbild zwischen den Wiedergaben 1100 der 11 und 800 der 8 allgemein mit der Bezugsziffer 1300 gekennzeichnet. Dies ist die Differenz zwischen 2 MB priorisierter Übertragung gegenüber dem gesamten unkomprimierten Datensatz.
Wendet man sich nun 14 zu, ist ein Differenzbild zwischen den Wiedergaben 1200 der 12 und 800 der 8 allgemein mit der Bezugsziffer 1400 gekennzeichnet. Dies ist die Differenz zwischen 2 MB Standard- oder nicht priorisierter Übertragung gegenüber dem vollständigen unkomprimierten Datensatz.
In Betrieb können die volumetrischen Datensätze ziemlich groß sein, deshalb werden Speicher- und Platten-Cache-Modelle verwendet, um die Leistung zu steigern. Deshalb hält der Client 120 aus 1 einen Cache-Speicher 126 der vom Server übertragenen Daten, und ist in der Lage, Elemente aus dem Cache-Speicher zu löschen, sobald sie sich außerhalb des VOI eines interaktiven Benutzers befinden. Der Server wiederum hält das Modell 116 des Cache-Speichers des Clients, um ein erneutes Senden von allen Elementen zu vermeiden, die der Client bereits in seinem Cache-Speicher hat. Das Erfordernis, dass der Server sich des Inhalts des Cache-Speichers des Clients bewusst ist, ist besonders wichtig bei Wavelet-basierten Komprimierungsmodellen, da sogar VOIs eine erhebliche Überlappung an komprimierten Daten aufweisen können. Darüber hinaus ermöglicht das Kommunikationsprotokoll, dass der Client seinen Cache-Speicherstatus dem Server mitteilt.
Das Kommunikationsprotokoll zwischen dem Client 120 und dem Server 110 verwendet vorzugsweise ein generisches Protokoll, das in einfacher Weise bei einer Auswahl von Kanälen eingesetzt wird. Das Client-Server-Protokoll ist transportneutral, und jedes vom Server zurückgelieferte Paket ist eine in sich abgeschlossene Einheit. Dieses Merkmal resultiert aus der Tatsache, dass Pakete außerhalb der Reihenfolge empfangen werden können, und der Client nicht warten müssen sollte, um seinen Cache-Speicher zu verbessern. Ein derartiges Modell wird in erhöhtem Maß wichtig, wenn Übertragungsprotokolle mit sehr wenigen Fehlerbehebungsdiensten und/oder hohen Paketlöschungskanälen versendet werden. In solchen Fällen würde das Fehlen eines derartigen in sich abgeschlossenen Modells bedeuten, dass der Client warten müsste, bis der Server verlorene Pakete erneut sendet.
In Betrieb des Client-Server-Modells 100 aus 1 können volumetrische Datensätze vom Datenbankserver 112 gespeichert und gepflegt werden, so dass einer oder mehrere dezentrale Clients 120 die Datensätze interaktiv durchsuchen können. Ein Client kann eine einfache Arbeitsstation mit begrenzter Bandbreite, Speicher und Verarbeitungsleistung sein. Eines der grundlegenden Erfordernisse eines Clients ist eine Breite hinsichtlich der Interaktivität innerhalb einer Vielfalt von Netzbedingungen. Z. B. kann ein interaktiver Benutzer die Ansicht mit reduzierter Auflösung, die Möglichkeit, einen ausgewählten Unterabschnitt des Volumens anzusehen, sowie die Möglichkeit benötigen, ausgewählte Schnitte zu schwenken, zu zoomen und anzusehen, all dies mit einem angenehmen und in Echtzeit stattfindenden Ansichtserlebnis, das eine unmittelbare und stufenweise Verfeinerung des Ansichtsvolumens aufweist. Ein Benutzer ist im Allgemeinen bereit, anfänglich auf etwas Wiedergabequalität oder Bildfeld zugunsten der Echtzeitleistung zu verzichten. Ein Benutzer wie z. B. ein Radiologe oder Krankenhausarzt könnte auch Bedarf haben, dem Datensatz Schnitt für Schnitt zu untersuchen oder das Volumen zu visualisieren, um einen Überblick zu bekommen.
In den Masken der Knochendaten 300 aus 3, die aus einem Schnitt eines volumetrischen Datensatzes sind, ergibt die Bin-Maske 310 die Code-Block-Maske 320, die wiederum die relevanten Code-Blöcke im Bereich des unteren Bandes darstellt. Vier Transformationsstufen wurden entlang der x-, y- und z-Richtungen angewendet, um die Masken zu erhalten.
Die grundlegenden Volumenvisualisierungsalgorithmen sind von zwei Arten: Direkte Volumenrendering-(DVR)-Algorithmen und Oberflächenanpass-(Surface-Fitting, SF)-Algorithmen. DVR umfasst Ansätze wie Ray-Casting und Splatting. Nachteilig an DVR ist, dass der gesamte Datensatz vor jedem wiedergegebenen Bild durchlaufen werden muss. Manchmal wird schnell ein Bild mit niedriger Auflösung erzeugt, um das Volumen zu überprüfen, und dann verfeinert, was man ”stufenweise Verfeinerung” (progressive refinement) nennt. SF-Verfahren passen ISO-Oberflächen wie z. B. planare Polygone oder Oberflächenstücke, an Konturoberflächen mit konstantem Wert an. SF-Verfahren sind gewöhnlich schneller als DVR-Verfahren, da sie den Datensatz genau einmal für einen gegebenen Grenzwert durchlaufen. Neue Ansichten der Oberfläche können schnell erzeugt werden. Die Verwendung einer neuen FS-Grenze ist jedoch zeitaufwändig, da die Zellen wieder inspiziert werden müssen, um neue Oberflächen zu extrahieren.
Die Datenklassifikation kann die Auswahl eines skalaren Grenzwertes für SF-Algorithmen oder die Auswahl von Opazitätswerten für DVR-Algorithmen umfassen. Eine Opazitätsübertragungsfunktion wird verwendet, um die relevanten Segmente herauszustellen, und die uninteressanten transparent zu machen. Für aus CT-Scannern erfasste Daten bestimmt die Pixelintensität im Allgemeinen den Gewebetyp. Deshalb können skalare Voxelwerte eine Schlüsselrolle bei der Bestimmung der komprimierten Daten spielen, die für einen interaktiven Client von Interesse sind.
Um im Codestrom skalare Werte zu identifizieren, wird der skalare Bereich der Volumendaten in Bins (Behälter) aufgeteilt, wobei jeder Bin den Intensitätsbereich darstellt, auf den ein bestimmtes Gewebe begrenzt ist. Bins sind im Allgemeinen nicht gleichmäßig beabstandet. Jedes Voxel wird einem bestimmten Bin zugeordnet, oder kann unzugeordnet bleiben. Erfindungsgemäß werden die komprimierten Volumendaten, die jedem Bin entsprechen, identifiziert. Für jeden Bin wird eine Bin-Maske erzeugt, wie z. B. die Bin-Maske 310 aus 3. Die Bin-Maske ist ein Satz von Voxeln, die zu dem Bin gehören. Aufgrund der begrenzten räumlichen Ausdehnung der DWT, ist es möglich, jedes Voxel auf einen Satz von Wavelet-Koeffizienten unter Verwendung der Basisfläche des Wavelet-Kernels zu verfolgen, der für die Transformation der Volumendaten verwendet wurde. Dies kann rekursiv von jeder Auflösung zur nächst niedrigeren Auflösung erreicht werden. Auf diese Weise wird jede Bin-Maske, die auf dem Volumendatenraster definiert ist, auf eine Maske auf dem Raster des unteren Bandes abgebildet. Diese Maske wird verwendet, um zu identifizieren, ob ein Code-Block zu einem Bin beiträgt. Der Satz von Code-Blöcken, die zu einem Bin beitragen, bildet eine Code-Block-Maske auf dem Raster des unteren Bandes, wie z. B. die Code-Block-Maske 320 aus 3.
Damit zeigen die Masken 300 aus 3 die Bin-Maske 310 und die Code-Block-Maske 320 für einen Schnitt eines Volumens. Dieses Verfahren erfordert vernachlässigbaren zusätzlichen Berechnungsaufwand. Die Code-Block-Maske wird erfindungsgemäß während der Volumenkomprimierung erzeugt und ist ein einmaliger Aufwand. Der Bin von jedem Voxel wird bestimmt, während er gelesen wird. Aufgrund der Schmiereffekte des Wavelet-Filters können die Code-Block-Masken eine gewisse Überlappung aufweisen. D. h., ein Code-Block kann mehr als einen Gewebetyp betreffen. Deshalb wird erfindungsgemäß eine Bin-Tabelle erzeugt zur Identifizierung der Bins, auf die jeder Code-Block einen Einfluss ausübt. Es ist ein Feld bi enthalten, das den Prozentsatz der Koeffizienten des Code-Blocks i anzeigt, der zum Bin b beiträgt. Diese Tabelle wird in einer Datei auf dem Server gespeichert. Diese Tabellendatei kann für jedes Bin in unkomprimierter Form als Binärvolumen dargestellt werden. Ein Bit ist für jeden Code-Block erforderlich, um zu bestimmen, ob es zu dem Bin beiträgt. Für ein 512 × 512 × 256 großes erstes Beispieltestvolumen wie z. B. eines Ausschnitts aus einem CT-Scan eines Abdomens betrug unter Verwendung einer Code-Block-Größe von 8 × 8 die Größe der Tabellendatei für einen Bin 0.051625 Bits/Voxel. Die Tabellendatei kann man sich als eine binäre Maske vorstellen und kann auf einfache Weise komprimiert werden.
Ein Ansatz, um eine skalierbare Darstellung zu erzeugen, wäre, einfach die Verzerrungsratensteigerungen des betreffenden skalaren Bins, b, mit einer Gewichtung wb vor der Ratenzuweisung während der Komprimierung zu multiplizieren. Dies ergäbe sicherlich ein verbessertes Ansichtserlebnis für zum Bin b gehörende Voxels. Dies erzeugt jedoch eine vordefinierte Bin-Präferenz in der komprimierten Datei. Wenn der Client einen anderen Bin wiedergeben möchte, würde dies ein erneute Komprimierung des Bitstroms erfordern. Deshalb werden erfindungsgemäß durch den Server die dazugehörigen Daten direkt (on the fly) aus einem einzigen komprimierten Codestrom bestimmt und übertragen, um in jedem Bin für ein verbessertes Ansichtserlebnis zu sorgen.
Deshalb werden Packet-Length Tile-part (PLT) Markiersegmente im Codestrom verwendet, um für einen Zufallszugriff auf Pakete aus dem Codestrom zu sorgen. Da die Zonengrößen willkürlich ausgewählt sein können und manchmal groß genug sind, dass sie das gesamte untere Band belegen, transcodiert der Server optional das Eingabevolumen direkt (on the fly) in eines mit kleineren oder in der Größe angepassten Zonen, die so klein wie die Größe des Code-Blocks sein können. Das Transcodieren verbraucht keine wesentlichen Ressourcen, da das Transcodieren einfach existierende Codeblöcke neu verpackt, um kleineren Zonengrößen zu entsprechen, ohne sie tatsächlich zu decodieren. Ein Transcoder wie z. B. der Transcoder 114 aus 1 bietet dadurch eine für eine interaktive Visualisierung geeignete Granularität.
Vor dem Liefern der Daten werden die Zonen neu in Pakete geschichtet, um einen oder mehrere Daten-Bins wie vom Client ausgewählt hervor zu heben. Vor dem erneuten Schichten bestimmt erfindungsgemäß der Server aus der Bin-Tabelle den Grad, mit dem jede Zone P zur Code-Block-Maske Bb für den Bin b beiträgt. Dies wird die Bin-Relevanz abp der Zone P genannt, wie durch die Gleichung 1 von Tabelle 1 definiert, wobei N die Anzahl der Code-Blöcke ist, die die Zone P bilden. Das Feld bi wird aus der Bin-Tabelle ermittelt. Die Steigungen der Verzerrungsrate jedes Pakets aus der Zone P werden anschließend mit 1 + (abp)(wb) gewichtet. Die Gewichtung wb bestimmt die Wichtigkeitsstufe, die mit dem Empfang der Voxel-Daten verbunden ist, die dem Bin b entsprechen, vor dem Rest des Volumens. Eine Gewichtung von Null hat ein Fehlen der Gewichtung zur Folge. Eine Gewichtung wb entspricht grob einer Bit-Ebenenverschiebung der relevanten Koeffizienten des Code-Blocks im unteren Band um log2wb Bit-Ebenen. Die ersichtlichen oder gewichteten Steigungen der Verzerrungsrate des Pakets aus der Zone P bei der Schicht l sind durch Gleichung 2 aus Tabelle 1 gegeben. Folglich wird den Paketen eine obere Schicht l' < l neu zugeordnet, so dass Gleichung 3 der Tabelle 1 erfüllt ist.
In den Volumenschnitten 400 aus 4, die die Wirkung einer Bin-optimierten Ausgabe veranschaulichen, werden ein Schnitt 410 ohne Bin-optimierte Ausgabe und ein weiterer Schnitt 420 mit Bin-optimierter Ausgabe in einer Stufe angezeigt, wobei annähernd dieselbe Menge an komprimierten Daten aus derselben komprimierten Datei durch den Server übertragen wurde. Die Bereiche im anderen Schnitt 420, die dem interaktiv ausgewählten Gewebetyp von diesem Fall Knochen entsprechen, weisen eine höhere optische Qualität als die Bereiche im Schnitt 410 auf. Obwohl die JPIP-Anfragesyntax selbst die Extraktion von einigen Bereichen von Interesse im Bild unterstützt, sind sie darauf beschränkt, rechteckig zu sein und wären in solch einem Fall nicht anwendbar, da der Bin über das Volumen verstreut ist.
Die Schnitte 410 und 420 sind aus einem beispielhaften CT-Scan eines Abdomens, nachdem drei MBytes an komprimierten Daten vom Server übertragen wurden. Die gemeinsame komprimierte Datei enthält 256 Schnitte, komprimiert mit vier Transformationsstufen entlang der drei Dimensionen. In diesem Fall wurde der Knochen vom Client angefordert. Alle Schnitte wurden vom Server übertragen und vom Client dekomprimiert, wobei die relevanten Zonen mit größerer Genauigkeit übertragen wurden. Wie dargestellt haben die weißen Bereiche aus 420, die dem Knochen von 3 entsprechen, eine höhere optische Qualität zulasten einer geringeren optischen Qualität in den Bereichen in der Mitte, die keine Knochen darstellen.
Die Spitzen-Signal-Geräusch-Verhältnisse (PSNR) 500 aus 5 vergleichen den schrittweisen Anstieg im PSNR der Bin, wenn Daten vom Client empfangen werden, mit und ohne Bin-optimierte Zuführung. Aus der Figur ist ersichtlich, dass die Bin-optimierte Zuführung etwa 5 MB Datentransfer erfordert, um ein PSNR von 46 dB für die Daten innerhalb des Bins zu erzielen, wohingegen 11 MB an Daten übertragen werden müssen, um die gleiche Rekonstruktionsqualität zu erzielen, wenn eine Bin-optimierte Zuführung nicht verwendet wird. Durch Variieren der Gewichtung wb ist es möglich, einen Bereich von Priorisierungen innerhalb des Bins zu erhalten.
Die PSNRs sind eine Funktion der vom Server mit und ohne Bin-optimierte Zuführung übertragenen Daten. Das PSNR innerhalb des Bins ist erheblich höher mit Bin-optimierter Zuführung. Das PSNR außerhalb des Bins ist ebenfalls dargestellt. Die ausgewählte Zonengröße war 16 × 16. Die gewählte Code-Block-Größe war 8 × 8.
Damit zeigt 5 die Gewinne, die man mit zwei unterschiedlichen Gewichtungen, 1024 und 8, erhält. Höhere Gewichtungen führen zu höheren Gewinnen. Es ist hier zu betonen, dass die Datenzuführung basierend auf den Bildinhalt optimiert wird. Wenn a priori bekannt ist, dass Knochen das einzige Gewebe von Interesse war, hätte der Server Knochen heraus segmentieren und in einer separaten Datei komprimieren können, und dies würde weit weniger Datenübertragung erfordern als die hier erwähnten Modelle. Die vorliegende beispielhafte Anwendung erfordert jedoch, dass der Client die Flexibilität besitzt, um jede Art von Gewebe oder Segmentierung auszuwählen.
Der Server kann größere Zonengrößen in kleinere Abmessungen transcodieren, um die Granularität für eine interaktive Bin-Zuführung zu erhöhen. Diese Granularität ist jedoch mit einem leichten Paketierzusatzaufwand verbunden. Ein Paket ist die Basiseinheit der Übertragung. Jedem Paket geht ein Paket-Header voraus, der dazu dient, den Beitrag des Pakets zum Codestrom zu identifizieren. Für ein Volumen mit einer großen Anzahl von Schnitten kann die Nettogröße der Paket-Header ebenfalls eine geringfügige Rolle spielen. Wenn beabsichtigt ist, das gesamte Volumen zu übertragen, ist es klar, dass größere Zonengrößen effektiver wären. Kleinere Zonengrößen haben mehr Pakete und damit eine größere Gesamtgröße von Paket-Headern zur Folge. Um die Datenzuführung innerhalb des Bins zu optimieren, ergeben kleinere Zonenabmessungen höhere PSNR-Werte innerhalb des Bins, da kleinere Zonen eine kompaktere Darstellung des Bins bilden. Tabelle 2 zeigt den Effekt des Transcodierens in kleinere Zonengrößen. Die ausgewählte Code-Block-Größe war 8 × 8. Die PSNRs sind tabellarisch für Zonengrößen von 16, 32 und 64 in zwei beispielhaften Fällen dargestellt.
Das PSNR mit Bin-optimierter Zuführung ist in dem interessierenden Bin höher, auf kalkulierten Kosten einer Reduzierung des PSNR in von dem Bin-entfernten Bereichen. Wenn der Bin auf einen kleinen räumlichen Bereich beschränkt ist, könnte der Client blockartige Artefakte während der Anfangsphasen der Durchsuchungssitzung sehen. Dies geschieht bei den Ergebnissen 400 aus 4 nicht, da die Schmiereffekte des Filters darin resultieren, dass nahezu das gesamte LLDxy-Band gewichtet ist.
Die Bin-Maske des Knochens 610, beschränkt auf die linke Hälfte des Volumens, und die Code-Block-Maske 620, die der Bin-Maske entsprechen, wurden mit Bezug auf 6 eingeführt. Wenn ein Bin auf der linken Hälfte des Volumens aus Knochengewebe besteht, wie in 6, könnte man am Ende bei blockartigen Artefakten wie in 710 aus 7 dargestellt landen. Deshalb könnte ein angenehmeres Durchsuchungserlebnis durch Reduzieren der Gewichtung wb auf einen geeigneten Wert erzielt werden. Darüber hinaus kann eine Gewichtungsfunktion wb(cbi) angewendet werden, die stufenweise von den relevantesten zu den am wenigsten relevanten Bins abklingt. Alternativ wäre es eine einfachere Lösung, alle Code-Blöcke im LLDxy-Band mit w LLDxy > max(wb) zu gewichten oder ein paar Bänder mit geringer Auflösung zu gewichten. 700 aus 7 zeigt die Reduktion der Blockartigkeit, die durch Gewichtung des gesamten LLDxy-Bandes erhalten wurde.
Die wiedergegebenen Bilder werden durch Anwendung des Priorisierungsmodells auf Knochen in der beispielhaften Ausführungsform verglichen. 8 ist aus einem unkomprimierten 512 × 512 × 256 (xyz)-Bereich des Abdomens wiedergegeben. 9 bis 12 vergleichen die Wiedergaben von 1,5 MB und 2 MB priorisierter und gleichmäßiger Übertragungen. Die Qualitätsunterschiede der wiedergegebenen Ausgabe sieht man in Form einer grobkörnigeren Struktur und durch das Vorhandensein von zusätzlichen Löchern bei fehlender Priorisierung. 13 und 14 zeigen die Differenzbilder der priorisierten und Standardmodelle gegenüber den Originalwiedergaben. Es lässt sich ersehen, dass die Differenzabbildung im priorisierten Fall viel weniger dicht ist als im nicht priorisierten Fall, wodurch die erhaltene Verbesserung bei den Wiedergaben für den Client veranschaulicht wird.
Das oben beschriebene Modell kann für Volumenrendering verwendet werden und erzielt eine gute Leistung für eine schnittbasierte Ansicht. Im Falle des Volumenrenderings können jedoch noch weitere Verbesserung erzielt werden. Um eine derartige Verbesserung zu erreichen, wird die Bin-Tabelle nicht mehr während der Komprimierung erzeugt, da die verbesserte Bin-Tabelle vom Blickpunkt des interaktiven Benutzers abhängig sein wird, der variieren kann. Ein generischer Ray-Caster verfolgt Strahlen durch das Volumen, wobei die skalaren Voxel-Werte entlang des Strahls gemäß einer Strahlenfunktion verarbeitet werden. Die meisten Strahlenfunktionen verwenden eine Alpha-Zusammenfügungstechnik (alpha compositing technique), die die Werte entlang des Strahls als pro Abstandseinheit angesammelte Opazitätsabtastwerte behandelt. Die Relevanzmessung abp sollte dann eine Funktion der angesammelten Opazität entlang des Strahls sein, wobei er durch jeden Code-Block läuft. Der Server kann sich außerdem die frühe Strahlenabbrechung (early ray termination) zunutze machen.
Sobald die Opazität den Okklusionsschwellwert erreicht, können nachfolgende Bin-relevante Werte entlang des Strahls auf Null gesetzt werden. Die Priorisierung wird in diesem Fall sowohl durch den Client als auch durch den Server durchgeführt. Der Server priorisiert Bereiche des Volumens basierend auf der Opazität für Bin-optimierte Zuführung, während der Client Bereiche des Volumens basierend auf der Sichtbarkeit priorisiert. Die Sichtbarkeitsrelevanzmessungen können durch den Client berechnet werden, sobald die niedrigste Auflösung dekomprimiert worden ist. Eine ratenverzerrungsoptimierte Zuführung für die Bins kann dann auf die nachfolgenden unteren Bänder mit höherer Auflösung angewendet werden. Da die Daten mit höherer Auflösung im Client verfügbar werden, kann die Bin-Tabelle weiter verfeinert werden. Es wurde ein Wavelet- basiertes Visualisierungsmodell vorgeschlagen, wobei die Priorisierung vollständig vom Client durchgeführt wird und bezüglich verfeinerter Clientanfragen ausgedrückt wird, basierend auf Sichtbarkeitsschätzungen einer geringeren Auflösung.
Die offenbarten Techniken können auf viele Erscheinungsbild-basierte Bildübertragungs- und Speicherprobleme über medizinische Bilder hinaus angewendet werden. Alternative Beispiele umfassen automatische Objekterfassung auf Fließbändern durch Maschinensicht, Personengesichtserfassung bei der Sicherheitskontrolle und dergleichen. Wie vom einschlägigen Durchschnittsfachmann erkannt wird, kann der wie hierin verwendete Begriff ”Bild” auch dreidimensionale, vierdimensionale und höherdimensionale Datensätze in alternativen Ausführungsformen bedeuten.
Es versteht sich, dass die Lehre der vorliegenden Offenbarung in verschiedenen Formen von Hardware, Software, Firmware, Prozessoren für besondere Zwecke oder deren Kombinationen implementiert werden kann. Weiterhin ist die Software vorzugsweise als Anwendungsprogramm implementiert, das konkret auf einer Programmspeichereinheit enthalten ist. Das Anwendungsprogramm kann hochgeladen und von einer Maschine ausgeführt werden, die eine geeignete Architektur aufweist. Vorzugsweise ist die Maschine auf einer Computerplattform implementiert, die Hardware wie z. B. ein oder mehrere zentrale Verarbeitungseinheiten (”CPU”), einen Direktzugriffsspeicher (”RAM”) und Eingabe-/Ausgabe-(”I/O”) Schnittstellen aufweist. Die Computerplattform kann ebenfalls ein Betriebssystem und Mikrobefehlscode umfassen. Die verschiedenen hierin beschriebenen Prozesse und Funktionen können entweder Teil des Mikrobefehlscodes oder Teil des Anwendungsprogramms oder einer beliebigen Kombination davon sein, die von einer CPU ausgeführt werden. Darüber hinaus können verschiedene andere Peripheriegeräte mit der Computerplattform verbunden sein wie z. B. eine zusätzliche Datenspeichereinheit und eine Druckeinheit.
Weiterhin versteht sich, dass, da einige der einzelnen Systembestandteile und Verfahren, die in beigefügten Zeichnungen dargestellt sind, vorzugsweise in Software implementiert sind, die tatsächlichen Verbindungen zwischen den Systemkomponenten oder den Prozessfunktionsblöcken unterschiedlich sein können je nach Art und Weise, wie die vorliegende Offenbarung programmiert ist. Mit der hierin angegebenen Lehre ist der einschlägige Durchschnittsfachmann in der Lage, diese und ähnliche Implementierungen oder Konfigurationen der vorliegenden Offenbarung zu betrachten.
Obwohl die veranschaulichenden Ausführungsformen hierin unter Bezugnahme auf die beigefügten Zeichnungen beschrieben wurden, versteht es sich, dass die vorliegende Offenbarung nicht auf genau diese Ausführungsformen beschränkt ist, und dass verschiedene Änderungen und Modifikationen durch den einschlägigen Durchschnittsfachmann darin bewirkt werden können, ohne vom Umfang oder Geist der vorliegenden Offenbarung abzuweichen. All solche Veränderungen und Modifikationen sind absichtlich innerhalb des Umfangs der vorliegenden Offenbarung umfasst, wie sie in den beigefügten Ansprüchen dargelegt ist.

Claims

Verfahren zur Datenübertragung von einem Server zu einem Client, wobei skalierbare komprimierte Volumendatendaten zur Bildvisualisierung priorisiert übertragen werden, umfassend: – Aufteilen eines skalaren Bereichs der Volumendaten in Bins (Behälter), wobei jeder Bin den Identitäsbereich darstellt, auf den ein bestimmtes Gewebe begrenzt ist; – Empfangen einer interaktiven Priorisierungsanfrage von einem Client durch den Server; – Transcodieren der skalierbaren komprimierten Volumendaten in Größen angepasste Datenzonen; – Neuschichten der Datenzonen in Pakete vor dem Liefern der Volumendaten, um einen oder mehrere Bins wie vom Client ausgewählt hervorzuheben; – Übertragen der priorisierten komprimierten Volumendaten zum Client, dadurch gekennzeichnet, dass – bei der Volumenkomprimierung die komprimierten Volumendaten, die jedem Bin entsprechen, identifiziert werden, indem für jedes Bin eine Bin-Maske erzeugt und auf eine Code-Block-Maske abgebildet wird; – zur Identifizierung der Bins, auf die jeder Code-Block einen Einfluss ausübt, eine Bin-Tabelle erzeugt und in einer Datei auf den Server gespeichert wird und – das Priorisieren ein erneutes Ordnen derselben komprimierten Datendatei während der Übertragung (on the fly) aufweist, um die Datenpakete priorisiert pro Anfrage zu liefern, wobei der Grad, zu dem jede Datenzone zur Code-Block-Maske für das Bin beiträgt, aus der Bin-Tabelle durch den Server bestimmt wird.
Verfahren nach Anspruch 1, das weiterhin das Transcodieren der skalierbaren komprimierten Daten in Größen angepasste Zonen umfasst.
Verfahren nach Anspruch 1, das weiterhin aufweist: – Bereitstellen einer interaktiven Priorisierungsanfrage an einen Server; – Empfangen von priorisierten komprimierten Daten vom Server; – Dekomprimieren der priorisierten Daten; und – Wiedergeben (Rendering) der dekomprimierten Daten.
Verfahren nach Anspruch 3, wobei die komprimierten Daten auf eine diskrete Wavelet-Transformation ansprechen, und wobei das Verfahren weiterhin das Halten eines Cache-Speichers umfasst, der auf die empfangenen priorisierten komprimierten Daten anspricht.
Verfahren nach Anspruch 4, das weiterhin das Halten eines Cache-Speicher-Modells am Server aufweist, das auf den Cache-Speicher hinweist, der auf die empfangenen priorisierten komprimierten Daten anspricht.
Verfahren nach Anspruch 3, das weiterhin aufweist: – Identifizieren eines Teilvolumens (volume of interest, VOI); und – stufenweises Verfeinern des Volumens innerhalb des VOI in Richtung einer zunehmend verlustlosen Darstellung.
Verfahren nach Anspruch 6, wobei kontextuelle Hintergrundinformation mit einer vom VOI weg abnehmenden Qualität bereitgestellt wird.
Verfahren nach Anspruch 1, wobei die interaktive Priorisierungsanfrage eine Anfrage umfasst, um stufenweise Daten anzufordern, die einer oder einer Vielzahl von Gewebearten entsprechen.
Verfahren nach Anspruch 3, wobei es weiterhin mindestens einen der folgenden Schritte umfasst: – Durchsuchen und Wiedergeben eines Unterabschnitts des Volumens bei einer variablen Auflösung mit verschiedenen optischen Qualitätsstufen; und – Visualisieren eines beliebigen Satzes von Gewebearten mit verbesserter Qualität.
Verfahren nach Anspruch 3, wobei das Kommunikationsprotokoll dem Client erlaubt, den Zustand seines Cache-Speichers an den Server zu übermitteln.
Verfahren nach Anspruch 1, wobei die Code-Block-Maske auf mindestens eine Transformationsstufe anspricht, die entlang der x-, y- und z-Richtungen angewendet wird.
Verfahren nach Anspruch 1, das weiterhin aufweist: – Anpassen der Größe der Zonen auf eine Größe, die nicht kleiner als ein einzelner Code-Block ist; und – neu Umschichten der Größen angepassten Zonen in Pakete, um einen oder mehrere Daten-Bins wie vom Client ausgewählt hervor zu heben.
Programmspeichervorrichtung, die von einer Maschine lesbar ist, die konkret ein Programm von Befehlen enthält, die durch die Maschine ausführbar sind, um das Verfahren nach einem der Ansprüche 1 bis 12 durchzuführen.