MRIComp4Flow: Compressione di MRI Cerebrali 3D per l'Addestramento di Modelli Generativi Multimodali

Un recente articolo su arXiv (2608.10291) esplora il potenziale della compressione lossy per l'addestramento di modelli generativi 3D utilizzando dati MRI di tumori cerebrali. Intitolato 'MRIComp4Flow: Compressione di MRI Cerebrali 3D per l'Addestramento di Modelli Generativi Multimodali', la ricerca affronta gli elevati requisiti di archiviazione e I/O dei vasti dataset MRI multimodali, che ostacolano l'addestramento su infrastrutture standard. Sebbene la compressione lossy sia riconosciuta per mantenere l'accuratezza nelle reti di segmentazione discriminative, il suo impatto sui modelli generativi, che richiedono l'apprendimento dell'intera distribuzione dei dati, rimane inesplorato. Gli autori hanno utilizzato JPEG2000 o una pipeline JPEG-LS quasi lossless per comprimere ogni volume 3D e successivamente hanno addestrato un modello Wavelet Flow Matching basato su sequenze di immagini BraTS (T1n, T1c, T2, T2f). Sorprendentemente, con un rapporto di compressione di 20:1, la qualità di sintesi corrispondeva a quella dei modelli addestrati con dati non compressi, indicando che i codec immagine convenzionali possono comprimere efficientemente MRI complesse di tumori cerebrali mantenendo la fedeltà per compiti generativi. Questo articolo è accessibile su arXiv ed è stato segnalato come una sottomissione di tipo incrociato.