基于视觉信息与标签的肺结节CT图像高效检索

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关键作用，现有的检索方法往往在匹配精度和检索速度上存在问题。为解决这一问题，研究人员提出了一个新颖的基于视觉信息和征象标签的双概率超图哈希算法。该算法采用两阶段策略提升检索效率和精度。 首先，第一层处理过程涉及构建概率超图。通过对肺结节影像的视觉信息和标签信息进行分别建模，形成两个概率超图。然后通过最优的划分方法，从这些超图中获取独特的哈希码，这一步骤有助于提取图像的特征并减少数据冗余。 第二层则是深度学习的运用。结合结节图像的视觉特征（如纹理、形状等）、标签特征（如大小、密度等）以及第一层得到的哈希码，研究人员训练哈希函数。这种哈希函数的设计目的是将原始图像映射到一个低维的、二进制表示的哈希空间，使得相似的肺结节图像在该空间内的距离尽可能短。 在实际检索时，新算法会对待检测的肺结节图像应用训练好的哈希函数，将其转换为二进制编码。然后，通过计算与数据库中图像的汉明距离，找到最接近的匹配项。实验结果展示了当哈希码长度设置为32位时，这种方法能够达到90.18%的检索精度，相比于传统方法有显著提升，这对于医生进行客观的辅助诊断具有重要意义。 这项研究不仅提升了肺结节CT图像检索的性能，还展示了将视觉信息和征象标签相结合的潜力，为医疗领域中的图像分析和诊断提供了有效的工具。通过利用概率超图和哈希技术，该算法能够在保证准确性的同时，实现快速的图像匹配，对于提高医疗决策的效率和准确性具有实际价值。