| 面向大规模胸片图像的深度哈希检索 |
| |
| 引用本文： | 管安娜,刘骊,付晓东,刘利军,黄青松.面向大规模胸片图像的深度哈希检索[J].中国图象图形学报,2023,28(2):601-612. |
| |
| 作者姓名： | 管安娜 刘骊 付晓东 刘利军 黄青松 |
| |
| 作者单位： | 昆明理工大学信息工程与自动化学院, 昆明 650500;昆明理工大学信息工程与自动化学院, 昆明 650500;云南省计算机技术应用重点实验室, 昆明 650500 |
| |
| 基金项目： | 国家自然科学基金项目（62262036，61862036，61962030）；云南省中青年学术和技术带头人后备人才培养计划项目（202005AC160036） |
| |
| 摘 要： | 目的 医学图像检索在疾病诊断、医疗教学和辅助症状参考中发挥了重要作用,但由于医学图像类间相似度高、病灶易遗漏以及数据量较大等问题,使得现有哈希方法对病灶区域特征的关注较少,图像检索准确率较低。对此,本文以胸部X-ray图像为例,提出一种面向大规模胸片图像的深度哈希检索网络。方法 在特征学习部分,首先采用ResNet-50作为主干网络对输入图像进行特征提取得到初步特征,将该特征进行细化后获得全局特征;同时将初步特征输入构建的空间注意模块,该注意模块结合了3个描述符用于聚焦胸片图像中的显著区域,将该模块的输出进行细化得到局部特征;最后融合全局特征与局部特征用于后续哈希码优化。在哈希码优化部分,使用定义的二值交叉熵损失、对比损失和正则化损失的联合函数进行优化学习,生成高质量的哈希码用于图像检索。结果 为了验证方法的有效性,在公开的ChestX-ray8和CheXpert数据集上进行对比实验。结果显示,构建空间注意模块有助于关注病灶区域,定义特征融合模块有效避免了信息的遗漏,联合3个损失函数进行优化可以获得高质量哈希码。与当前先进的医学图像检索方法比较,本文方法能够有效提高医学图像检索的准确率...
|
| 关 键 词： | 医学图像检索 注意力机制 特征融合 深度哈希(DH) |
| 收稿时间： | 2021/10/28 0:00:00 |
| 修稿时间： | 2022/1/19 0:00:00 |
A deep hash retrieval for large-scale chest radiography images |
| |
| Guan Ann,Liu Li,Fu Xiaodong,Liu Lijun,Huang Qingsong.A deep hash retrieval for large-scale chest radiography images[J].Journal of Image and Graphics,2023,28(2):601-612. |
| |
| Authors: | Guan Ann Liu Li Fu Xiaodong Liu Lijun Huang Qingsong |
| |
| Affiliation: | Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China;Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China;Computer Technology Application Key Laboratory of Yunnan Province, Kunming 650500, China |
| |
| Abstract: | |
| |
| Keywords: | medical image retrieval attention mechanism feature fusion deep hashing (DH) |
|
| 点击此处可从《中国图象图形学报》浏览原始摘要信息 |
|
点击此处可从《中国图象图形学报》下载免费的PDF全文 |
|
