基于内容的X射线图像检索,使用局部邻近模式和深度特征的融合来检测肺部疾病
Ankur Prakash1, Vibhav Prakash Singh2
1Department of Computer Science and Engineering, Motilal Nehru National Institute of Technology Allahabad, Prayagraj, Uttar Pradesh, 211004, India. ankurprakash777@gmail.com.
Radiological physics and technology
|July 3, 2025
概括
本研究介绍了一个基于内容的医学图像检索 (CBMIR) 系统,使用纹理和深度学习功能来改善肺部疾病的检测. 综合方法实现了高精度,帮助放射科医生进行临床决策.
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:
- 准确检测COVID-19和肺炎等肺部疾病对于及时的临床干预至关重要.
- 现有的医疗图像检索系统往往难以提供全面的特征表示.
- 需要增强的系统,可以有效地检索相关的肺病病例,以提供诊断支持.
研究的目的:
- 开发和评估基于内容的医疗图像检索 (CBMIR) 系统,用于肺部疾病的检测.
- 研究基于纹理的特征 (局部二进制模式 - LBP) 和深度学习特征 (CNNs) 的最佳融合,以提高检索性能.
- 为了比较CBMIR系统中不同相似度的有效性.
主要方法:
- 实施了CBMIR系统,集成本地二进制模式 (LBP) 来进行纹理分析.
- 使用预训练的卷积神经网络 (CNN) 模型提取了深度学习特征:VGG-16,DenseNet121和InceptionV3.
- 评估了各种相似度措施,包括欧几里德式,曼哈顿式和等边相似度,用于图像检索.
- 评估了单个特征提取器及其融合组合在肺病数据集上的性能.
主要成果:
- 同位数相似性产生了最好的整体性能,平均精度为65.5%.
- VGG-16在COVID-19病例中获得了52.5%的精度,而LBP在正常病例中取得了卓越的成绩 (85%的精度).
- 在肺炎病例中,LBP,VGG-16和DenseNet121的融合显示出高精度 (93.5%).
- 结合的纹理和深度特征在检索前10个相关图像时实现了86%的准确性.
结论:
- 拟议的CBMIR系统有效地整合了纹理和深度学习功能,以增强肺部疾病的图像检索.
- 将LBP与CNN模型中的深度特征融合,显著提高了检索准确性,特别是在肺炎等特定疾病中.
- 该系统提供了一个有价值的工具,以支持放射科医生和临床医生做出更明智的诊断决策.
