利用 DenseNet 和 FAISS 进行高效医学图像检索以实现 BIRADS 分类
计算机视觉与模式识别
2024-11-05 v1
摘要
当今研究使用的数据集在医学领域尤为庞大。不同类型的医学图像，如 X 射线、MRI、CT 扫描等，占用大量存储空间。随着数据库规模的持续增长，这种数据量带来了访问和检索特定图像的挑战。高效的图像检索系统至关重要，可节省时间和资源。在本文中，我们提出一种利用 DenseNet 进行特征提取并使用 FAISS 进行相似性搜索的医学图像检索方法。DenseNet 非常适合复杂医学图像的特征提取，FAISS 能够高效处理大规模数据集中的高维数据。与现有仅关注分类准确率的方法不同，我们的方法同时优先考虑检索速度和诊断相关性，解决了放射科医生进行实时病例对比的关键缺口。我们应用 BIRADS 系统进行乳腺癌图像分类。利用 DenseNet 强大的特征表示能力和 FAISS 高效的索引能力，我们在检索相关图像以辅助诊断方面实现了高精确率和召回率。我们在来自癌症影像档案（TCIA）的分类数字低能及减影对比增强光谱乳腺摄影（CDD-CESM）图像数据集上进行了实验，该数据集包含 2006 张图像。我们的方法优于传统检索技术，在 BIRADS 分类中实现了 k=5 时 80% 的精确率。该数据集包含标注的 CESM 图像和医学报告，为我们的研究提供了全面的基础。
引用
@article{arxiv.2411.01473,
title = {Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification},
author = {MD Shaikh Rahman and Feiroz Humayara and Syed Maudud E Rabbi and Muhammad Mahbubur Rashid},
journal= {arXiv preprint arXiv:2411.01473},
year = {2024}
}
备注
34 pages, 5 figures