圖像特征是基于內(nèi)容的圖像檢索（Content-based image retrieval,CBIR）的關(guān)鍵,大部分使用的手工特征難以有效地表示乳腺腫塊的特征,底層特征與高層語義之間存在語義鴻溝。為了提高CBIR的檢索性能,本文采用深度學(xué)習(xí)來提取圖像的高層語義特征。由于乳腺X線圖像的深度卷積特征在空間和特征維度上存在一定的冗余和噪聲,本文在詞匯樹和倒排文件的基礎(chǔ)上,對深度特征的空間和語義進(jìn)行優(yōu)化,構(gòu)建了兩種不同的深度語義樹。為了充分發(fā)揮深度卷積特征的識別能力,根據(jù)乳腺圖像深度特征的局部特性對樹節(jié)點的權(quán)重進(jìn)行細(xì)化,提出了兩種節(jié)點加權(quán)方法,得到了更好的檢索結(jié)果。本文從乳腺X線圖像數(shù)據(jù)庫（Digital database for screening mammography,DDSM）中提取了2 200個感興趣區(qū)域（Region of interest,ROIs）作為數(shù)據(jù)集,實驗結(jié)果表明,該方法能夠有效提高感興趣腫塊區(qū)域的檢索精度和分類準(zhǔn)確率,并且具有良好的可擴(kuò)展性。 

【文章來源】：數(shù)據(jù)采集與處理. 2020,35(03)北大核心CSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

倒排文件示意圖

深度特征在空間和語義特征維度上存在冗余和噪聲，使用降噪自編碼器對特征分別進(jìn)行空間和語義的優(yōu)化，得到兩種不同的深度特征，構(gòu)建深度語義樹用于圖像檢索�；诳臻g優(yōu)化的深度語義樹檢索方法的框架如圖2所示。使用AlexNet網(wǎng)絡(luò)提取256個大小為13×13的特征圖，每張圖像對應(yīng)的特征圖可以看作169個256維的稠密特征。經(jīng)過ReLu激活后的特征圖存在大量值為0的點，在空間上存在大量冗余，本文采用的乳腺X線圖像存在噪聲、血管等干擾因素，并且對腫塊圖像，存在腫塊背景的信息冗余，對于正常組織圖像，存在紋理大量重復(fù)的信息冗余，因此對特征圖空間上的優(yōu)化變得十分必要。以F個D維的稠密特征作為降噪自編碼器的輸入，隱層輸出為F"個D維特征，其中，F(xiàn)"<F，從而達(dá)到特征圖空間優(yōu)化的目的。用降噪自編碼器進(jìn)行特征圖空間優(yōu)化的示意圖如圖3所示。

在得到數(shù)據(jù)庫圖像空間優(yōu)化的圖像特征后，按照前一節(jié)所述方法構(gòu)建語義樹得到查詢圖像的相關(guān)圖像，并根據(jù)相似度評分測量查詢圖像與其相關(guān)圖像的相似度。首先需要計算查詢圖像q和其相關(guān)圖像d的每一對路徑之間的相似度，查詢圖像q的第i條路徑和其相關(guān)圖像d的第j條路徑之間的相似度得分計算方式為式中：w為加權(quán)函數(shù)，δ為克羅內(nèi)克函數(shù)，δ(a,b)=1 if a=b andδ(a,b)=0，節(jié)點初始權(quán)重采用逆向文件頻率（Inverse document frequency,IDF）方法加權(quán)，得到


本文編號：3422079