通过知识整合重新审视医学图像检索
计算机视觉与模式识别
2025-06-30 v1 人工智能
摘要
随着人工智能和数字医学越来越多地渗透医疗系统，健全的治理框架对于确保伦理、安全和有效的实施至关重要。在这一背景下，医学图像检索成为临床数据管理的关键组成部分，在决策制定和保护患者信息方面发挥着重要作用。现有方法通常使用瓶颈特征学习哈希函数，无法从混合嵌入中产生代表性的哈希码。虽然对比哈希已显示出优越的性能，但当前方法通常将图像检索视为分类任务，使用类别标签来创建正/负样本对。此外，许多方法未能解决当模型遇到外部分布外查询或对抗攻击时的分布外问题。在这项工作中，我们提出了一种整合层次特征和优化函数知识的新方法。我们通过引入深度感知表示融合和结构感知对比哈希来构建知识整合。DaRF 自适应地将浅层和深层表示整合为混合特征，SCH 纳入图像指纹以增强正/负样本对的适应性。这些混合特征进一步促进了分布外检测和内容推荐，有助于构建安全的 AI 驱动医疗环境。此外，我们提出了一种内容引导排序以提高检索结果的鲁棒性和可重复性。我们的综合评估表明，所提出的方法能够有效识别分布外样本，并在医学图像检索方面显著优于现有方法（p<0.05）。特别地，我们的方法在解剖放射学数据集上实现了 5.6-38.9% 的平均精度提升。
引用
@article{arxiv.2503.09370,
title = {Revisiting Medical Image Retrieval via Knowledge Consolidation},
author = {Yang Nan and Huichi Zhou and Xiaodan Xing and Giorgos Papanastasiou and Lei Zhu and Zhifan Gao and Alejandro F Fangi and Guang Yang},
journal= {arXiv preprint arXiv:2503.09370},
year = {2025}
}