基于对手类别自适应间隔损失的基于内容的医学图像检索
图像与视频处理
2022-11-29 v1 计算机视觉与模式识别
摘要
带有数字存储功能的医学成像设备的广泛使用为大规模数据存储库的建立铺平了道路。快速访问与疑似病例外观相似的图像样本有助于为医疗专业人员建立咨询系统，并在减少处理延迟的同时改进诊断流程。然而，对大型数据存储库进行手动查询是劳动密集型的。基于内容的图像检索（CBIR）提供了一种基于密集嵌入向量的自动化解决方案，这些向量表示图像特征，以允许进行定量的相似性评估。三元组学习已成为 CBIR 中恢复嵌入的强大方法，尽管传统的损失函数忽略了对手图像类别之间的动态关系。在此，我们引入了一种基于新颖的对手类别自适应间隔（OCAM）损失的三元组学习方法，用于医学图像存储库的自动查询。OCAM 使用一个在训练过程中持续更新的可变间隔值，以保持最优的判别性表示。在三个公共数据库（胃肠道疾病、皮肤病变、肺部疾病）上，将 OCAM 的 CBIR 性能与用于表示学习的最先进损失函数进行了比较。每个应用领域的综合实验都证明了 OCAM 相对于基线的优越性能。
引用
@article{arxiv.2211.15371,
title = {Content-Based Medical Image Retrieval with Opponent Class Adaptive Margin Loss},
author = {Şaban Öztürk and Emin Celik and Tolga Cukur},
journal= {arXiv preprint arXiv:2211.15371},
year = {2022}
}
备注
10 pages, 6 figures