基于无偏浅层关键点与深度CNN特征的大规模通用医学图像数据索引
计算机视觉与模式识别
2020-10-22 v2
摘要
我们提出了一种统一的表观模型，该模型考虑了传统的浅层（即3D SIFT关键点）和深层（即CNN输出层）图像特征表示，将分别特定的、局部化的神经解剖学模式和丰富的全局信息编码到单一的索引与分类框架中。一种新颖的贝叶斯模型基于条件独立性假设结合了浅层和深层特征，并通过在来自人类连接组计划（Human Connectome Project）的1010名受试者（包括双胞胎和非双胞胎兄弟姐妹）的3D MRI神经影像数据中对特定家庭成员和一般群体类别进行索引的实验得到验证。我们提出了一种新颖的域适应策略，将深层CNN向量的元素转换为二值类别信息描述符。提供了所有处理的基于GPU的实现。在大规模神经影像索引中，无论是在计算复杂度、识别家庭成员的准确性还是性别分类方面，均达到了最先进的性能。
引用
@article{arxiv.2010.04283,
title = {Large Scale Indexing of Generic Medical Image Data using Unbiased Shallow Keypoints and Deep CNN Features},
author = {L. Chauvin and M. Ben Lazreg and J. B. Carluer and W. Wells and M. Toews},
journal= {arXiv preprint arXiv:2010.04283},
year = {2020}
}
备注
11 pages, 3 figures