基于稀疏表示技术的大规模医学图像检索新方法研究

Current large-scale medical image retrieval methods do not meet the requirements of precision and speed for practical applications. In this project, a novel idea is proposed to explore the adoption of sparse representation techniques for large-scale medical image retrieval, so as to break through the bottleneck of retrieval precision and speed. It provides the new method and theoretical basis for enhancing the practicability of medical image retrieval system. .Firstly, a bag-of-feature algorithm is used to combine different types of medical image features. An over-completed dictionary is trained and used for the sparse representation of the bag-of-features. The feature fusion performance is better than current methods so that the retrieval precision can be increased. Besides, the data volume of the sparse dictionary and coefficients is far less than the one of normal features, so that the storage space can be saved efficiently. Secondly, the similarities between the sparse features are measured and indexed, in order to give the retrieval results. The computation of similarity measure for sparse feature is smaller than the one for normal features, so that the retrieval is accelerated. Finally, the relevance feedback technique is used to improve the algorithms in order to achieve the best overall performance. In all, the novel sparse-based method is expected to outperform current methods in the indicators of precision, speed, and storage. It has the significance for improving the performance of large-scale medical image retrieval system.

现有的大规模医学图像检索方法在精度和速度方面无法满足实际应用的需求。本项目提出一种新思路，探索最新的稀疏表示技术在大规模医学图像检索中的应用，以突破检索精度和速度的瓶颈，为医学图像检索系统实用性的增强提供新方法和理论基础。.首先采用特征包技术综合医学图像的各类特征，通过训练产生过完备的特征字典，并对特征包进行稀疏投影以得到稀疏特征，获得比现有方法更好的特征融合效果，从而提高检索精度；此外，稀疏字典和稀疏表示系数的数据量远小于传统特征的数据量，可显著降低特征存储空间。然后利用稀疏特征相似性度量和索引算法进行检索，计算量低于传统特征的相似性度量和索引，提高了检索速度。最后利用相关反馈技术对系统各部分的算法进行修改，获取最好的总体性能。总之，基于稀疏表示技术的新方法有望在检索精度、速度和存储空间等性能上超越现有方法，对大规模医学图像检索系统综合性能的提高具有重要意义。

随着信息技术的发展，医学图像检索技术在医疗信息系统、远程诊断、远程医疗服务、医学教学等各种不同的应用中起着越来越重要的作用。由于医学图像数量增加的速度非常快，图像数据库的规模都非常大。现有的大规模医学图像检索方法在精度和速度方面无法满足实际应用的需求。本项目探索了最新的稀疏表示技术在大规模医学图像检索中的应用，通过对医学图像特征的稀疏表示、稀疏特征的相似性度量和稀疏特征的相似性索引等新技术的研究，有效提高医学图像检索的精度和速度，为医学图像检索系统实用性的增强提供新方法和理论基础。. 研究中建立了用于研究的大规模医学图像数据库，对所有图像建立了索引和人工标注，对图像进行了特征提取，将这些特征组合成特征包，比较了对图像直接进行稀疏表示和对特征包进行稀疏表示的效果；研究了大规模医学图像特征稀疏表示的字典学习方法，对传统的方法进行了改进，提出了采用动态字典策略的字典学习方法，优化了生成字典的尺度；针对医学图像中包含文本信息的特点，提出了一种医学图像文本区域自动检测方法，挖掘内嵌在医学图像中的文本信息，为检索提供更多的参考条件；研究了稀疏特征的相似性度量方法，提出了一种基于多尺度近邻搜索的特征相似度快速计算方法，降低了相似性度量的计算量和稀疏特征的存储空间；将最新的基于哈希的最近邻搜索方法应用于特征索引中，提高了稀疏特征最近邻搜索的效率；设计了基于稀疏表示的大规模医学图像检索系统，并采用相关反馈技术对采用的新算法进行了改进和优化。. 本课题所探索的基于稀疏表示技术的各种新方法有望提升医学图像检索在检索精度、速度和存储空间等方面的性能，对很多稀疏表示技术进行比较的结果也将有助于后续研究的开展，对大规模医学图像检索系统综合性能的提高具有重要意义。