基于深度度量学习的三维脑 MRI 图像高效特征嵌入用于内容图像检索
图像与视频处理
2019-12-05 v1 计算机视觉与模式识别
摘要
MRI 脑扫描数量的增加、图像分辨率的提升以及 MRI 采集技术的进步,正显著加剧对放射科医生阅读和解读脑 MRI 的需求与负担。基于内容的图像检索(CBIR)是一项新兴技术,可通过辅助医学图像阅读来减轻该负担。高维性是开发适用于三维脑 MRI 的 CBIR 系统的主要挑战。在本研究中,我们提出一种称为基于度量学习的疾病导向数据聚集(DDCML)的系统。在 DDCML 中,我们将深度度量学习引入三维卷积自编码器(CAE)。我们提出的 DDCML 方案实现了高维压缩率(4096:1),同时保留了对于医学图像分类重要的疾病相关解剖特征。与朴素三维 CAE 相比,DDCML 获得的低维表示在区分阿尔茨海默病患者与健康受试者方面将聚类性能提升了 29.1%,并成功复现了未包含在训练中的疾病类别严重度之间的关系。
引用
@article{arxiv.1912.01824,
title = {Efficient feature embedding of 3D brain MRI images for content-based image retrieval with deep metric learning},
author = {Yuto Onga and Shingo Fujiyama and Hayato Arai and Yusuke Chayama and Hitoshi Iyatomi and Kenichi Oishi},
journal= {arXiv preprint arXiv:1912.01824},
year = {2019}
}
备注
To appear in the IEEE BigData 2019 Workshop on Advances in High Dimensional (AdHD) Big Data