反混哈希:通过偏差权重和反事实推理增强放射性图像检索

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 基于内容的医学图像检索 (CBMIR) 通过找到类似的病例来帮助诊断.
• 现有的CBMIR模型与器官复杂性和成像文物等混因素作斗争,导致表面的相关性.
• 这限制了从CBMIR系统中得出的基于证据的诊断的可靠性.

研究的目的:

• 开发一种新的方法来缓解CBMIR中的混因素.
• 为了提高以病变为重点的医学图像检索的准确性.
• 通过加强CBMIR,使基于证据的诊断更加可靠.

主要方法:

• 提出了一个plug-and-play防混哈希 (ACH) 方法.
• 引入了使用后门调整来隔离损伤效应的减值样本权重 (DBW) 损失.
• 开发了一种使用反事实推理的粗细损伤定位 (C2F-LP) 模块.

主要成果:

• ACH在不同位长度的平均平均精度 (mAP) 中显著改善,从0.2%到9%不等.
• 该方法在两个真实世界的放射性数据集上胜过了六种最先进的CBMIR技术.
• 可解释的视觉分析证实了 ACH 对混因素的稳定性.

结论:

• 拟议的ACH方法有效地解决了CBMIR中的混因素.
• ACH提高了检索诊断相关医疗图像的准确性和可靠性.
• 这一进步支持更精确,基于证据的医疗决策.