面向基于跨模态检索的计算机辅助诊断的深度监督信息瓶颈哈希
机器学习
2022-05-18 v1 人工智能
计算机视觉与模式识别
图像与视频处理
摘要
将X射线图像、放射学报告和其他医疗数据映射为公共空间中的二进制编码，可以辅助临床医生从异构模态中检索病理相关数据（即基于哈希的跨模态医疗数据检索），这为促进计算机辅助诊断提供了新视角。然而，在提升医学检索准确性方面仍存在一个障碍：如何在不被冗余信息干扰的情况下揭示医学数据的模糊语义。为了克服这一缺点，我们提出了深度监督信息瓶颈哈希(DSIBH)，它有效地增强了哈希编码的判别能力。具体而言，我们将单模态的深度确定性信息瓶颈(Yu, Yu, and Principe 2021)扩展到了跨模态场景。得益于此，冗余信息得以减少，从而促进了哈希编码的判别性。实验结果表明，在跨模态医学数据检索任务中，所提出的DSIBH相比现有最先进方法具有更高的准确性。
引用
@article{arxiv.2205.08365,
title = {Deep Supervised Information Bottleneck Hashing for Cross-modal Retrieval based Computer-aided Diagnosis},
author = {Yufeng Shi and Shuhuang Chen and Xinge You and Qinmu Peng and Weihua Ou and Yue Zhao},
journal= {arXiv preprint arXiv:2205.08365},
year = {2022}
}
备注
7 pages, 1 figure