通过在预训练的图像特征上对最近邻居搜索进行医学图像检索
Deepak Gupta1, Russell Loane1, Soumya Gayen1
1Lister Hill National Center for Biomedical Communications, National Library of Medicine, National Institutes of Health, Bethesda, MD, USA.
Knowledge-based systems
|October 2, 2023
概括
在高维度医疗数据中的近邻搜索 (NNS) 用DenseLinkSearch (DLS) 进行了优化. DLS提高了医疗图像分析和诊断的检索准确度和速度.
科学领域:
- 计算机科学 计算机科学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 近邻搜索 (NNS) 对于高维数据分析至关重要,在医学成像,疾病分类和诊断方面具有应用.
- 传统的粗暴力量NNS对于大型医疗数据集是无法计算的.
- 高效的NNS算法对于推进医学图像检索和分析至关重要.
研究的目的:
- 提出DenseLinkSearch (DLS),一种高效的NNS算法,用于从异构的医疗图像数据库中检索相关图像.
- 开发和评估基于变压器的特征表示技术,用于医疗图像检索.
- 为了提高基于内容的医疗图像检索的准确性和速度.
主要方法:
- 开发了DenseLinkSearch (DLS),一种NNS算法,它使用预先计算的链接索引来实现高效的数据库遍历.
- 提出了一种新的基于变压器的医疗图像特征表示方法.
- 进行了广泛的实验,比较DLS和拟议的特征表示与基准和定制数据集上的最新方法.
主要成果:
- 在检索准确性和速度方面,DLS在现有的NNS方法上表现出优越的性能.
- 在13个基准数据集中,DLS在11个基准数据集中实现了≥99%的R@10,与近似NNS方法相比,平均查询时间更短.
- 拟议的基于变压器的特征表示显著优于现有的预训练模型,在P@20中显示了高达13.33%的改进.
结论:
- 在大规模的医疗图像数据库中,DenseLinkSearch (DLS) 提供了一种有效和高效的解决方案,用于对最近邻居进行搜索.
- 新的基于变压器的特征表示增强了基于内容的医疗图像检索的能力.
- 开发的方法为医学图像分析,诊断和信息检索提供了重大进展.
