Os esforços para criação de um padrão propiciaram a criação do DICOM (Digital Imaging and Communications in Medicine), caracterizando-se como um protocolo não só de informações em geral, mas também de imagens por meio físico e de rede. Com o passar dos anos a quantidade de dados produzidos em hospitais vem aumentando exponencialmente. No Brasil, o conselho federal de medicina, por meio da resolução nº 1.821/2007, artigo 7, determina que dados de prontuário digitalizados ou microfilmados devem ser permanentemente armazenados. Além do fator armazenamento, há também um grande desafio para transmissão e disponibilidade por parte dos profissionais de saúde, que muita das vezes necessitam de acesso instantâneo as imagens. Essa dificuldade pode ser suprimida por meio de técnicas de compressão de imagens capazes de preservar as informações clinicamente importantes, podendo também haver alguma perda de informação no processo. Esse trabalho avalia um método combinado para compressão e descompressão de imagens DICOM baseado em um processo que combina uma técnica de normalização e codecs de vídeo, compatível com o padrão DICOM. Para construção do trabalho foi aplicado tecnologias como Python, Cython e a ferramenta FFMPEG, as imagens utilizadas estão presentes na base de dados online livre The Cancer Imaging Archive (TCIA). A avaliação de desempenho do método se deu pelas metricas seguintes: PSNR (Peak Signal-to-Noise Ratio), MSE (Mean Square Error), TC (taxa de compressão), SSIM (Structural Similarity Index Measure) e CC (Correlation Coefficient), nessa ordem de importancia. Os resultados encontrados sugerem que é possível a aplicação do método com a combinação bitrate(Mbps) 120, FPS 60, codec H264 e imagem PNG. Essa combinação trouxe os melhores resultados quando aplicado às duas modalidades de imagem testadas, ressonancia magnética(MRI) e tomografia computadorizada(CT), a saber, para a MRI foi obtido PSNR 77.02, MSE 144.65, além disso, foi obtido uma TC 5.46 contra uma TC 2.43 quando aplicado JPEG-LS e TC 2.51 quando aplicado J2K a mesma MRI. Já para CT foi obtido PSNR 82.10, MSE 27.75, foi também obtido uma TC 8.14 contra uma TC do método JPEG-LS 3.36 e o método J2k 3.2, quando aplicados à mesma série de imagem.

Efforts to create a standard led to the creation of DICOM (Digital Imaging and Communications in Medicine), characterized as a protocol for information in general and images through physical and network media. Over the years, the amount of data produced in hospitals has increased exponentially. In Brazil, through Resolution No. 1,821/2007, article 7, the Federal Council of Medicine determines that digitized or microfilmed medical record data must be permanently stored. In addition to the storage factor, there is also an excellent challenge for transmission and availability by health professionals, who often need instant access to images. This difficulty can be suppressed through image compression techniques capable of preserving clinically significant information, and there may also be some loss of information in the process. This work evaluates a combined method for compression and decompression of DICOM images based on a process that combines a normalization technique and video codecs, compatible with the DICOM standard and capable of preserving important structures in the image. Different programming languages and technologies such as Python, Cython and the FFMPEG tool were used, the images used were found in the free online database The Cancer Imaging Archive (TCIA). The following metrics provides the method's performance evaluation: PSNR (Peak Signal-to-Noise Ratio), MSE (Mean Square Error), CR (Compression Rate), SSIM (Structural Similarity Index Measure), and CC (Correlation Coefficient), in that order of importance. The results suggest that it is possible to apply the method with the combination of bitrate(Mbps) 120, FPS 60, codec H264 and PNG image. This combination brought the best results when applied to the two imaging modalities tested, MRI and CT, namely, for MRI it was obtained PSNR 77.02, MSE 144.65, in addition, it was obtained a CR 5.46 against a CR 2.43 when applied JPEG-LS and 2.51 CR when applied J2K to the same MRI. For CT, PSNR 82.10, MSE 27.75 was obtained, CR 8.14 was also obtained against a CR of the JPEG-LS method 3.36 and the J2k method 3.2 when applied to the same series of images.