NeuroPack：面向超高压缩比体积神经影像的高级可学习打包工具包

高通量三维显微成像会产生从太字节到拍字节规模的大脑体积数据集，这给大规模神经影像数据带来了显著的存储挑战。在本研究中，我们提出了 NeuroPack，这是一个由超先验驱动的、基于三维深度学习的打包工具包，专门用于压缩介观尺度的三维显微体积。NeuroPack 编码一个紧凑的超先验流，该流以其熵模型为条件，基于局部体素级方差进行调节，自适应地分配比特以保留介观解剖细节，从而实现最优的率失真平衡。为确保在异构显微数据集和计算环境中的可复现部署，NeuroPack 对超先验边信息通路实现了模型整数化，其超解码器预测算术编码器所使用的高斯均值和尺度参数。通过用确定性的定点整数卷积替代依赖平台的浮点超解码，NeuroPack 在 CPU、GPU、本地工作站和云服务器上产生比特精确的熵模型，从而防止由浮点舍入、融合乘加顺序或特定库内核引起的解码漂移。这种整数化设计在保持率失真行为的同时，维持了对大型各向异性三维显微体积的高效编码和解码。我们的方法能够在多种模态和物种上实现 100 至 1000 倍压缩的高保真显微重建。定量而言，NeuroPack 在 BD-PSNR 和 BD-MSSSIM 两项指标上均提供了最强的整体率失真性能，相较于最佳竞争编解码器，平均相对增益分别为 73.4% 和 50.8%。重要的是，NeuroPack 保留了下游形态学重建和分析所需的图像保真度，这一点已通过对原始和经解压缩的共聚焦全脑斑马鱼显微图像进行同步人工标注得到验证。总之，NeuroPack 提供了一个明确针对显微数据的基于学习的压缩框架，为数据密集型神经影像和 AI 赋能的生物学发现建立了可扩展的存储解决方案。

中文由 AI 翻译，仅供参考，以原文为准。