基于深度去噪自编码器的X射线图像标注二进制码
计算机视觉与模式识别
2016-04-26 v1
摘要
基于内容的图像检索（CBIR）系统可根据查询图像识别相似的医学图像，从而辅助临床医生进行更准确的诊断。近期的CBIR研究趋势倾向于构建并使用二进制码来表示图像。深度架构能够自适应地学习图像像素间的非线性关系，允许从原始像素中自动学习高层特征。然而，大多数方法需要类别标签，而这类标签获取成本高昂，尤其是对于医学图像。无需类别标签的方法利用深度自编码器进行二进制哈希，但码构建涉及特定的训练算法与特殊的正则化技术。在本研究中，我们探索使用深度去噪自编码器（DDA），采用仅含反向传播与dropout的新无监督训练方案，将图像哈希为二进制码。我们在超过14,000张X射线图像上进行了实验。仅使用类别标签评估检索结果，我们独立构建了16位DDA与512位DDA。与其他无监督方法相比，我们通过使用512位码进行穷举搜索检索取得了最低的总误差，并利用16位码在保持可比总误差的同时实现了9.27倍的加速。我们发现新训练方案可通过21.9%显著减少总检索误差。为进一步提升图像检索性能，我们开发了Radon自编码器条形码（RABC），其通过去噪自编码器从图像的Radon投影中学习得到。实验结果表明，当其与DDA二进制码结合时，在检索中表现出优越性能。
引用
@article{arxiv.1604.07060,
title = {Binary Codes for Tagging X-Ray Images via Deep De-Noising Autoencoders},
author = {Antonio Sze-To and Hamid R. Tizhoosh and Andrew K. C. Wong},
journal= {arXiv preprint arXiv:1604.07060},
year = {2016}
}
备注
To appear in proceedings of The 2016 International Joint Conference on Neural Networks (IJCNN 2016), July 24-29, 2016, Vancouver, Canada