面向在线检索的医学影像多特征降维方法研究

Content-based medical image retrieval (CBMIR) continues to be a hot topic in research community in recent years. To effectively enhance performance of CBMIR, employing dimensionality reduction methods to remove redundancy contained in high dimensional visual feature vectors extracted from medical images is one of the critical issues. With the forthcoming of big data era, CBMIR enters the new stage termed online retrieval. Dimensionality reduction for medical images thus faces three critical problems: multiple features complementation, incremental update, and cross-dataset retrieval. To address these challenges, this proposal proposes an online-retrieval-oriented medical image dimensionality reduction strategy. A multiple feature spaces combination model is designed, based on which: 1) a new method for medical image multiple features dimensionality reduction based on subspaces complementation is proposed, to solve the “multiple features complementation” problem; 2) a novel approach for incremental update of low-dimensional representation of medical images based on global alignment of local neighborhood structure update is designed, to address the “incremental update” problem; and 3) a novel method for low-dimensional representation transfer of medical images based on minimization of data distribution difference among multiple subspaces is proposed, to solve the “cross-dataset retrieval” problem. This proposal will design CBMIR experiments on multiple medical image datasets to verify effectiveness of these methods.

基于内容的医学影像检索一直是近年来学术界的研究热点。使用数据降维方法对从医学影像提取的多种高维特征向量进行降维、消除其中的冗余信息，是实现高效医学影像检索的关键之一。在大数据环境下，医学影像检索呈现在线检索的新应用形态，医学影像多特征降维因而面临三个亟待解决的关键问题：特征互补问题、增量更新问题和跨库检索问题。项目针对这三个关键问题、围绕面向在线检索的医学影像多特征降维一个主题展开研究。提出多特征空间组合模型，在此基础上：1）提出基于子空间互补的医学影像多特征组合降维方法，以解决特征互补问题；2）提出基于局部近邻结构更新对齐的医学影像低维特征表达更新方法，以解决增量更新问题；3）提出基于子空间数据分布差异最小化的医学影像低维特征表达迁移方法，以解决跨库检索问题。项目将在多个医学影像数据集上，设计基于内容的医学影像检索实验，验证上述研究内容的有效性。

大数据时代，使用机器学习技术从海量医学影像中发掘有效信息，实现计算机辅助医学影像分析，对提高医疗机构服务质量、节约社会资源和提高人民生活水平具有重要意义。精确、鲁棒的医学影像多特征降维模型，是计算机辅助医学影像分析的关键要素之一。.项目围绕大数据环境下医学影像多特征降维方法一个目标进行研究。围绕该目标，项目具体研究了医学影像多特征降维方法、医学影像特征迁移方法和噪声平滑的多特征降维方法等三个研究内容。.在医学影像多特征降维方面，针对现有方法没有考虑高层语义信息的不足，项目提出了基于相关反馈的医学影像多特征降维方法(Relevance Feedback-based Kernel Supervised Hashing, RFKSH)。首先，RFKSH从初始分析结果中得到正负反馈样本。然后，基于这些反馈样本，RFKSH监督学习出有效表达用户意图的高级语义特征。最后，RFKSH通过降维技术实现图像底层视觉特征和高层语义特征的有效组合。实验结果表明，RFKSH能够从反馈样本中有效学习用户对医学影像的高层语义解释，并能有效表达医学影像的底层特征。.在医学影像特征迁移方面，针对现有多特征表达模型很难适用于所有医学影像数据集、鲁棒性差的不足，项目提出了基于深度学习的医学影像特征表达框架(Deep Learning-based Feature Transfer Framework, DLFTF)。DLFTF以深度卷积神经网络为基础，结合迁移学习理论，使用同一个深度神经网络模型、有效表达不同医学影像数据集的特征。实验结果表明，DLFTF能够有效提高医学影像多特征表达模型的鲁棒性。.在噪声平滑的多特征降维方面，针对现有方法多在纯净数据集上训练，抗噪性能不好的不足，项目提出了噪声平滑的多特征表达方法(Noise Smoothing Multiple Feature Presentation, NSMFP)。首先，NSMFP通过噪声评估算法，将训练集划分为纯净数据集和噪声数据集。然后，基于这两个数据集，NSMFP分别得到两个多特征降维模型。之后，NSMFP使用交替优化算法得到统一的、噪声最小化的多特征表达模型。实验结果表明，NSMFP能消减噪声的干扰，有效表达图像的特征。