通过UMLS集成的CNN基于文本索引来增强医疗图像检索
Karim Gasmi1, Hajer Ayadi2, Mouna Torjmen3
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|June 19, 2024
概括
这项研究引入了与医疗依赖特征 (MDF) 的深度匹配模型 (DMM),以改进基于文本的医疗图像检索. 这种新的方法通过将TBMIR视为图像检索任务来提高检索准确性.
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:
- 卷积神经网络 (CNN) 模型在图像分类和自然语言处理 (NLP) 中取得了成功.
- 在基于文本的医疗图像检索 (TBMIR) 中,CNN的应用由于排名复杂性和任务模两可,仍未得到充分探索.
- 现有的方法经常将TBMIR错误地归类为传统的信息检索或NLP任务,从而限制了其潜力.
研究的目的:
- 在TBMIR任务中提出重新排序医疗图像的新方法.
- 解决有效地将TBMIR视为图像检索问题的挑战.
- 为了提高医疗图像检索系统的性能.
主要方法:
- 开发了一个深度匹配模型 (DMM),利用个性化的卷积神经网络 (CNN).
- 集成的医疗依赖特征 (MDF),包括医疗术语和成像方式.
- 采用基于统一医学语言系统 (UMLS) 的元词典和个性化过器的语义相似性矩阵.
主要成果:
- 拟议的DMM与MDF显著改善了医疗图像检索性能.
- 在ImageCLEF数据集 (2009-2012) 上的实验结果表明,与基线和最先进的方法相比,性能优越.
- 该模型有效地处理TBMIR,将其视为图像检索任务.
结论:
- 小说"深度匹配模型与医疗依赖特征"在基于文本的医疗图像检索方面取得了重大进展.
- 这种方法成功地弥合了NLP/IR和用于医疗应用的图像检索之间的差距.
- 这些发现表明了未来医学图像检索系统研究的有希望的方向.
