基于视觉信息与标签的肺结节CT图像高效检索算法

本研究论文关注于肺结节CT图像检索在计算机辅助诊断系统中的重要性，当前存在的问题是检索方法通常在匹配精度和速度上表现不佳。为解决这个问题，作者提出了一种创新的基于视觉信息与征象标签的双概率超图哈希算法。这个算法采用两层结构来提升检索效率和精度。 首先，算法在第一层构建了概率超图，将肺结节影像的视觉信息和标签信息分别表示，通过优化划分概率超图，获得了哈希码，这是提高图像检索准确性的关键步骤。这种处理方式能够捕捉到图像特征的多维度信息，并且通过概率模型更好地整合了视觉和标签特征。 在第二层，该方法利用结节图像的视觉特征、标签特征以及第一层得到的哈希码来训练哈希函数。这一过程是深度学习的一部分，通过训练，哈希函数能够将输入图像映射到一个低维的哈希空间，保持原始数据的相似性关系，同时减小存储和计算复杂度。 检索阶段，通过训练好的哈希函数对待检图像进行0,1编码，这种方法称为散列编码或哈希映射，它将图像转化为固定长度的二进制代码。然后，通过计算与数据集中其他图像的汉明距离（衡量两个二进制代码差异的度量），找到最接近的相似肺结节图像。汉明距离的高效计算使得整个检索过程变得快速。 作者在实验中使用了9种不同征象类型的3422张肺结节CT图像，对比了所提出的双概率超图哈希算法与其他常见的哈希方法。实验结果显示，当哈希码长度为32位时，该方法能够达到高达90.18%的检索精度，显著优于传统方法，这表明该算法在提高检索精度方面表现出色。 这项工作提出了一种新颖的策略，有效地结合了视觉信息和征象标签，通过双概率超图哈希技术改进了肺结节CT图像的检索性能，对于医学影像分析和计算机辅助诊断系统的实际应用具有重要的推动作用。其优势在于提高了匹配精度，加快了检索速度，有助于医生做出更客观的诊断决策。