一个混合的多面板图像细分框架,用于改进医疗图像检索系统
Faqir Gul1, Mohsin Shah2, Mushtaq Ali1
1Department of Computer Science & IT, Hazara University, Mansehra, Pakistan.
PloS one
|February 20, 2025
概括
这项研究引入了一种混合框架,通过准确地分割多面板诊断图像来改善医疗图像检索. 新方法增强了子图像提取,以便更好地整合和分析医疗数据.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 信息检索 信息检索
背景情况:
- 多面板图像对于医学诊断至关重要,占医学文献的50%左右.
- 这些图像整合了各种患者数据 (X射线,MRI,CT扫描) 以进行全面的诊断.
- 从正规/不规则的布局中提取子图像对于当前的医疗图像检索系统来说是一个挑战.
研究的目的:
- 开发一种新的混合框架,用于从多面板医疗图像中增强子图像检索.
- 解决细分正规和不规则多面板医疗图像布局的挑战.
- 提高医疗图像检索系统的准确性和效率.
主要方法:
- 一个混合框架,结合图像分类,计算机视觉和图像处理技术.
- 利用图像投影配置文件和形态操作进行精确的细分.
- 开发了用于正规和不规则的多面板医学图像的高效细分方法.
主要成果:
- 在医学图像类型识别中实现了90.50%的准确性.
- 在对普通多面板图像进行细分时获得了91%的准确性.
- 在分割不规则的多面板图像时,获得了92%的准确性.
结论:
- 拟议的混合框架显著增强了从各种多面板医疗图像中获取子图像的功能.
- 通过正规和不规则的布局进行准确和高效的细分,可以提高医疗图像检索系统的性能.
- 这种方法在推进医学诊断和文献分析方面具有巨大的潜力.
