《面向線上檢索的醫學影像多特徵降維方法研究》是依託河南師範大學，由申華磊擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：面向線上檢索的醫學影像多特徵降維方法研究
- 項目類別：青年科學基金項目
- 項目負責人：申華磊
- 依託單位：河南師範大學
項目摘要,結題摘要,
項目摘要
基於內容的醫學影像檢索一直是近年來學術界的研究熱點。使用數據降維方法對從醫學影像提取的多種高維特徵向量進行降維、消除其中的冗餘信息，是實現高效醫學影像檢索的關鍵之一。在大數據環境下，醫學影像檢索呈現線上檢索的新套用形態，醫學影像多特徵降維因而面臨三個亟待解決的關鍵問題：特徵互補問題、增量更新問題和跨庫檢索問題。項目針對這三個關鍵問題、圍繞面向線上檢索的醫學影像多特徵降維一個主鑽擊頁碑題展開研究。提出多特徵空間組合模型，在此基礎上：（1）提出基於子空間互補的醫學影像多特徵組合降維方法，以解決特徵互補問題；（2）提出基於局部近鄰結構更新對齊的醫學影像低維特徵表達更新方法，以解決增量更新問題；（3）提出基於子空間數據分布差異最小化的醫學影像低維特徵表達遷移方法，以解決跨庫檢索問題。項目將在多個醫學影像數據集上，設計基於內容的醫學影像檢索實驗，驗證上述研究內容的有效性。
結題摘要
大數據時代，使用機器學習技術從海量醫學影像中發掘有效信息，實現計算機輔助醫學影像分析，對提她駝說高醫療機構服務質量、節約社會資源和提高人民生活水平具有重要意義。精確、魯棒的醫學悼汗艱影像多特徵降維模型，是計算機輔助醫學影像分析的關鍵要素之一。 項目圍繞大數據簽禁環境下醫學影像多特徵降維方法一個目標進行研究。圍繞該目標，項目具體研究了醫學影像多特徵降維方法、醫學影像特徵遷移方法和噪聲平滑的多特徵降維方法等三個研究內容。 在醫學影像多特徵降維方面，針對現有方法沒有考慮高層語義信息的不足，項目提出了基於相關反饋的醫學影像多特徵降維方法(Relevance Feedback-based Kernel Supervised Hashing, RFKSH)。首先，RFKSH從初始分析結果中得到正負反饋樣本。然後，基於這些反饋樣本，RFKSH監督學探鍵記習出有效表達用戶意圖的高級語義特徵。最後，RFKSH通過降維技術實現圖像底層視覺特徵和高層語義特徵的有效組合。實驗結果表明，RFKSH能夠從反饋樣本中有效學習用戶對醫學影像的高層語義解釋，並能有效表達醫學影像的底層特徵。 在醫學影像特徵遷移方面，針對現有多特徵表達模型很難適用於所有醫學影像數據集、魯棒性差的不足，項目提出了基於深度學習的醫學影像特徵表達框架(Deep Learning-based Feature Transfer Framework, DLFTF)。DLFTF以深度卷積神經網路為基礎，結合遷移學鞏嫌姜宙習理論，使用同一個深度神經網路模型、有效表達不同醫學影像數據集的特徵。實驗結果表明，DLFTF能夠有效提高醫學影像多特徵表達模型的魯棒性。 在噪聲平滑的多特徵降維方面，針對現有方法多在純淨數據集上訓練，抗噪性能不好的不足，項目提出了噪聲平滑的多特徵表達方法(Noise Smoothing Multiple Feature Presentation, NSMFP)。首先，NSMFP通過噪聲評估算法，將訓練集劃分為純淨數據集和噪聲數據戶腿探集。然後，基於這兩個數據集，NSMFP分別得到兩個多特徵降維模型。之後，NSMFP使用交替最佳化算法得到統一的、噪聲最小化的多特徵表達模型。實驗結果表明，NSMFP能消減噪聲的干擾，有效表達圖像的特徵。
