改进的非对称袋反馈策略提升医学图像检索精度与效率

在社交计算的智能计算领域，尤其是内容为基础的医学图像检索，近年来已引起广泛关注。这些检索方法旨在通过分析图像内容来增强搜索结果的相关性，以提高用户体验。微信等社交媒体平台上，基于内容的医疗辅助服务对于缩小高语义图像和低语义图像之间的语义差距至关重要。然而，现有的支持向量机（SVM）相关反馈方法在实际应用中面临挑战，如样本量不足、正负样本分布不均衡以及反馈过程周期较长等问题。 为解决这些问题，本文提出了一种改进的不对称袋（Asymmetric Bagging，IAB）相关信息反馈策略。不对称袋方法是一种集成学习技术，它通过构建多个弱分类器并结合其预测结果来提升整体性能，特别适用于处理类别不平衡的问题。IAB在此场景下能够有效应对正负样本数量差异，提升反馈效率。 作者们采用了一种新的模糊支持向量机（Fuzzy Support Vector Machine，FSVM），它能够处理不确定性和模糊性，增强了模型的泛化能力。FSVM与IAB相结合，进一步优化了图像检索的性能，减少了过度拟合的风险，并且提高了实时性。在特征提取阶段，他们引入了经过修改的局部二进制模式（Modified Local Binary Pattern，MLBP），这是一种常用的纹理特征表示方法，能有效地捕捉图像的局部结构信息，增强特征的区分度。 实验结果显示，这种改进的IAB相关反馈策略在提高检索精度和速度上表现优于传统的SVM方法，尤其是在处理医学图像时，能够更准确地找到与查询图像语义相近的结果。通过优化样本利用和反馈机制，该方法为基于内容的医学图像检索提供了一种有效的解决方案，为医疗辅助平台的智能化和个性化服务奠定了坚实基础。未来的研究可能进一步探索如何将深度学习或其他机器学习技术融合到这个框架中，以实现更高级别的图像理解和检索。