醫(yī)學(xué)圖像檢索的并行深層解決方法

李炎

（北方民族大學(xué)計算機科學(xué)與工程學(xué)院，銀川 750021)

0 引言

傳統(tǒng)的醫(yī)學(xué)圖像檢索應(yīng)用中的相關(guān)模型存在以下幾個問題：（1）該領(lǐng)域只有少數(shù)研究需要進行徹底的分析；（2）缺乏大規(guī)模藥物基準(zhǔn)數(shù)據(jù)集的獲取；（3）即使通過訪問大型醫(yī)療數(shù)據(jù)集，也可能存在與數(shù)據(jù)分布有關(guān)的不平衡問題[1]。因此，如何設(shè)計深度學(xué)習(xí)模式來解決上述問題是重要的。在本文中，提出了利用深度神經(jīng)網(wǎng)絡(luò)彌合機器學(xué)習(xí)模型與人類操作員之間的語義鴻溝的方法[2]。

在本文中提出了一個不同訓(xùn)練的并行深層網(wǎng)絡(luò)的通用方法。本方法主要有兩個方面：（1）在非常不平衡的醫(yī)學(xué)基準(zhǔn)數(shù)據(jù)集上引入健壯的檢索系統(tǒng)，該系統(tǒng)不僅效率高，而且也超越了文獻(xiàn)中的最佳準(zhǔn)確性和性能。（2）提出一個縮小的搜索空間，使用一個具有三個卷積網(wǎng)絡(luò)的集合模型，然后進行三個轉(zhuǎn)換來檢索相關(guān)信息，從而提高醫(yī)療應(yīng)用的檢索精度。

1 本地二進制模式

LBP是一個眾所周知的視覺描述符，具有較低的計算消耗，并且具有相對不變性[3]。LBP已被廣泛應(yīng)用于醫(yī)療領(lǐng)域，通常將整個圖像分成區(qū)域（稱為單元格），并在每個像素周圍考慮圓形邊界。如果鄰域的值大于中心值，則將其替換為1，否則替換為0。LBP特征向量通過計算單元格上的可能狀態(tài)的對稱圖（每個值的迭代）來獲得。設(shè)P是相鄰像素的數(shù)量，R是半徑，則LBP算子定義為：

2 定向梯度直方圖

HOG是另一種類型的視覺特征描述符[4]。它可以計算整個圖像相對于x和y的梯度，并構(gòu)建梯度方向直方圖。然后在單元的直方圖上范數(shù)正態(tài)化。該HOG特征向量定義如下：

Iy,和Ix,是圖像I相對于y和x的梯度，x是每個像素及其左側(cè)的水平區(qū)分，y是每個像素之間的差異。LBP和HOG的組合可以使檢測的性能顯著提升。

3 Radon功能

Radon通過公式（3）整體轉(zhuǎn)換來從幾個θ角度計算圖像的信息總和。Radon轉(zhuǎn)換可以從不同的角度重建原始圖像，每個角度（θ）是一個信號，角度越多就能得到更高亮度的圖像。

（ρ-xcosθ-ysinθ）指的是圖像的灰度強度，δ是三角運算符，Radon變換用來重建原始圖像。

4 提出的醫(yī)學(xué)圖像檢索

本文提出一個深度學(xué)習(xí)框架的檢索方法包含三個主要階段：（1）預(yù)處理；（2）收縮搜索空間；（3）基于內(nèi)容的圖像檢索。如圖1所示：

5 實驗結(jié)果

原始IRMA數(shù)據(jù)集的大小和分辨率各不相同，為了避免失真使用零填充，然后圖像調(diào)整到150×150像素創(chuàng)建兩個增強數(shù)據(jù)集[5]。最后對使用不同輸入的并行深層解決方案進行了實驗結(jié)果如下。

表1 每一階段的結(jié)果

表2 CNN最后一層的置信度與相應(yīng)層IRMA錯誤之間的關(guān)系

從表1可以看出已經(jīng)可以將IRMA的誤差降低到166.84，這是所提出模型的五次運行的平均值也是目前取得的最佳性能。表2顯示了不同的閾值分別導(dǎo)致不同的IRMA錯誤，隨著置信度的提高，檢出零錯誤的數(shù)量也會減少。結(jié)果證明施加高置信度閾值使得集合模型更加穩(wěn)健和準(zhǔn)確。

6 結(jié)語

本文提出由三個不同訓(xùn)練的CNN組成的并行層次解決方法。首先通過提供一個小子集來縮小搜索空間，基于LBP、HOG和Radonfeatures的多次篩選，隨后選擇最佳匹配查詢圖像。在IRMA數(shù)據(jù)集上經(jīng)過實驗，所提出的方法通過預(yù)處理和PCA改進的定制字典方法實現(xiàn)了最低的錯誤率166.84（平均值），低于169.50。