医学图像检索相关性的自编码

基于内容的医学图像检索 (CBIR) 是一项关键任务，如果应用于大数据，可以有助于更可靠的诊断。特征提取和分类方面的最新进展极大地改善了数字图像的 CBIR 结果。然而，考虑到医学成像中大数据可访问性的日益增加，我们仍然需要减少图像检索系统的内存需求和计算开销。本工作提出排除那些在被 $n/p/n$ 自编码器 ($p\!<\!n$) 学习时表现出低编码误差的图像块的特征。我们检查每个图像类别的图像块自编码误差直方图，以帮助决定哪些图像区域，或大致图像的多少百分比，应被声明为与检索任务相关。这导致了特征维度的降低并加快了检索过程。为了验证所提出的方案，我们采用局部二值模式 (LBP) 和支持向量机 (SVM)，这两者都是 CBIR 研究界中公认的方法。同时，我们使用包含 14,410 张 X 射线图像的 IRMA 数据集作为测试数据。结果表明，标注特征向量的维度最多可降低 50%，在验证前 20 个命中结果的精确率和召回率时，检索准确率下降不到 1%，而加速比超过 27%。