医学图像数据集中的社区检测：基于小波与谱方法
图像与视频处理
2022-04-27 v2 计算机视觉与模式识别
机器学习
摘要
医学图像数据集可包含大量代表不同健康状况患者及不同疾病严重程度的图像。在处理原始无标签图像数据集时，大量样本常使专家与非专家难以理解数据集中存在的图像多样性。监督学习方法依赖标注图像，而这需要医学专家付出大量精力以首先理解数据中存在的图像社区，随后再标注图像。在此，我们提出一种算法以促进医学图像数据集中社区的自动识别。我们进一步证明，在图像已标注的监督情形下，此类分析亦具洞察价值。此类洞察很有用，因为健康与疾病严重程度可视为连续谱，且在每一类别内通常存在值得研究的更细社区，尤其当它们与其他类别中的社区具有相似性时。在我们的方法中，我们联合使用图像的小波分解与谱方法。我们表明图 Laplacian 的特征值可揭示图像数据集中显著社区的数量。此外，分析相似性可用于推断代表疾病严重程度的谱。在我们的实验中，我们使用标注了 COVID 患者不同状况的图像数据集。我们在数据集中检测到 25 个社区，随后观察到其中仅 6 个社区包含肺炎患者。我们还研究了一个结直肠癌组织学数据集的内容。
引用
@article{arxiv.2112.12021,
title = {Community Detection in Medical Image Datasets: Using Wavelets and Spectral Methods},
author = {Roozbeh Yousefzadeh},
journal= {arXiv preprint arXiv:2112.12021},
year = {2022}
}