医学实例检索中对抗哈希码学习模糊性的方法
信息检索
2021-05-20 v1
摘要
当遇到可疑诊断病例时，医学实例检索可通过从大型图像数据库中查找包含与查询病例相似实例的图像，帮助放射科医生做出循证诊断。查询病例与检索到的相似病例之间的相似性由从病理异常区域提取的视觉特征决定。然而，这些区域的表现往往缺乏特异性，即不同疾病可具有相同表现，而同一疾病的不同表现可能出现在不同阶段。为应对医学实例检索中的表现模糊性，我们提出一种称为Y-Net的新型深度框架，通过特征聚合将图像编码为由卷积特征生成的紧凑哈希码。Y-Net可通过统一像素级分割损失与分类损失来学习高度判别性的卷积特征。分割损失可探索细微空间差异以获得良好的空间判别性，而分类损失利用类感知语义信息以获得良好的语义可分性。因此，Y-Net能在模型训练期间增强病理异常区域的视觉特征并抑制背景干扰，从而可在检索阶段将判别性特征有效嵌入哈希码中。在两个医学图像数据集上的大量实验表明，Y-Net能缓解病理异常区域的模糊性，其检索性能在返回的前10个列表中平均优于最先进方法（SOTA）9.27%。
引用
@article{arxiv.2105.08872,
title = {Combating Ambiguity for Hash-code Learning in Medical Instance Retrieval},
author = {Jiansheng Fang and Huazhu Fu and Dan Zeng and Xiao Yan and Yuguang Yan and Jiang Liu},
journal= {arXiv preprint arXiv:2105.08872},
year = {2021}
}
备注
11 pages,8 figures, JBHI Journal