In de evolutie van de digitale gezondheidszorg neemt de vraag naar real-time streaming van medische beelden toe. Dit is met name relevant voor geavanceerde toepassingen zoals robotchirurgie op afstand en tele-ultrasound. Omdat netwerkbandbreedte vaak beperkt is, is het gebruik van compressietechnieken waarbij data verloren gaat onvermijdelijk. Een recent onderzoek, getiteld Task-Aware Bitrate Thresholds for Codec-Robust Ultrasound Segmentation, stelt dat de focus bij deze processen verschuift: de beelden zijn niet langer primair bedoeld voor een menselijke arts, maar voor analyse door machines.
Volgens de publicatie op arxiv.org moeten de keuzes voor compressiecodecs bij AI-gestuurde analyses worden gebaseerd op de precisie van de specifieke taak die de machine uitvoert, in plaats van enkel op de visuele kwaliteit voor het menselijk oog. De onderzoekers Alireza Siyavashi, Arman Shirzad en Christian Herglotz richtten zich specifiek op de segmentatie van echobeelden van de prostaat. Om een eerlijke vergelijking tussen verschillende codecs mogelijk te maken, hanteerden zij een gelijk niveau van perceptuele kwaliteit via de Structural Similarity Index (SSIM). De effectiviteit werd vervolgens gemeten met de Dice-score voor regio-overlap en de HD95-meting voor de nauwkeurigheid van de randen.
In de studie werden drie gangbare codecs tegen elkaar afgewogen: H.264/AVC, HEVC en AV1. De resultaten laten zien dat alle drie de systemen een acceptabele segmentatiekwaliteit kunnen behouden, met een gemiddelde Dice-score van 0,84 of hoger, zolang de bitrate tussen de 0,07 en 0,20 bits per voxel (bpv) blijft. Wanneer de bitrate echter onder deze kritieke grens daalt, ontstaan er grote verschillen in prestaties.
Terwijl de nauwkeurigheid van AV1 geleidelijk afneemt, vertoont H.264 een plotselinge en scherpe daling in kwaliteit. De data wijst uit dat H.264 aanzienlijk minder efficiënt is voor deze AI-taak. Om dezelfde Dice-score te behalen als AV1, heeft H.264 82% meer bitrate nodig. Bij de HD95-meting voor randnauwkeurigheid is het verschil nog prominenter: H.264 vereist in dat scenario 104,7% meer bitrate dan AV1. Deze bevindingen zijn inmiddels geaccepteerd voor presentatie op de IEEE Visual Communications and Image Processing Conference, zoals vermeld in een x.com.
Deze resultaten passen binnen een breder theoretisch kader over zogenaamde 'embodied bitrate thresholds'. Zoals uiteengezet op emergentmind.com, betreft dit de minimale bitrate waaronder de prestaties van een autonoom systeem of de doelstellingen van een agent abrupt verslechteren. Dit concept is cruciaal voor de ontwikkeling van adaptieve streamingstrategieën in de robotica, waarbij middelen optimaal benut moeten worden zonder de functionele uitvoering van de taak in gevaar te brengen.
De bredere context van deep learning-gebaseerde segmentatie van medische beelden wordt verder toegelicht in wetenschappelijke overzichten, zoals te vinden via nlnih.gov, waar de huidige uitdagingen en technologische frontlinies van video-segmentatie in de zorgsector worden geanalyseerd. Door het vaststellen van deze bitrate-drempels kunnen medische datastromen effectiever worden geoptimaliseerd voor systemen waarbij AI-analyse centraal staat.