論文の概要: Medical Image Retrieval via Nearest Neighbor Search on Pre-trained Image Features

• arxiv url: http://arxiv.org/abs/2210.02401v1
• Date: Wed, 5 Oct 2022 17:21:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 12:59:06.745331
• Title: Medical Image Retrieval via Nearest Neighbor Search on Pre-trained Image Features
• Title（参考訳）: 訓練済み画像特徴の近距離探索による医用画像検索
• Authors: Deepak Gupta, Russell Loane, Soumya Gayen, and Dina Demner-Fushman
• Abstract要約: Nearest neighbor search (NNS) は、クエリポイントに最も近い高次元空間の点を見つけることを目的としている。 本稿では,異種医用画像からの関連画像の検索と検索を行う,効率的かつ効率的なアルゴリズムであるDenseLinkSearchを提案する。 我々は提案したNNSアプローチを広範囲に検証し、ベンチマークデータセットと作成した医用画像データセットの最先端NNSアプローチと比較した。
• 参考スコア（独自算出の注目度）: 15.331765570210479
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nearest neighbor search (NNS) aims to locate the points in high-dimensional space that is closest to the query point. The brute-force approach for finding the nearest neighbor becomes computationally infeasible when the number of points is large. The NNS has multiple applications in medicine, such as searching large medical imaging databases, disease classification, diagnosis, etc. With a focus on medical imaging, this paper proposes DenseLinkSearch an effective and efficient algorithm that searches and retrieves the relevant images from heterogeneous sources of medical images. Towards this, given a medical database, the proposed algorithm builds the index that consists of pre-computed links of each point in the database. The search algorithm utilizes the index to efficiently traverse the database in search of the nearest neighbor. We extensively tested the proposed NNS approach and compared the performance with state-of-the-art NNS approaches on benchmark datasets and our created medical image datasets. The proposed approach outperformed the existing approach in terms of retrieving accurate neighbors and retrieval speed. We also explore the role of medical image feature representation in content-based medical image retrieval tasks. We propose a Transformer-based feature representation technique that outperformed the existing pre-trained Transformer approach on CLEF 2011 medical image retrieval task. The source code of our experiments are available at https://github.com/deepaknlp/DLS.
• Abstract（参考訳）: Nearest neighbor search (NNS) は、クエリポイントに最も近い高次元空間の点を見つけることを目的としている。 最寄りの近傍を見つけるためのブルートフォースのアプローチは、点数が大きいと計算不能になる。 NNSは、大規模な医療画像データベースの検索、疾患分類、診断など、医療に複数の応用がある。 医用画像に焦点をあてて,異種医用画像からの関連画像の検索と検索を行う,効率的かつ効率的なアルゴリズムとしてDenseLinkSearchを提案する。 これに向けて,提案アルゴリズムは,データベース内の各点の事前計算されたリンクからなるインデックスを構築する。 探索アルゴリズムは、インデックスを利用してデータベースを効率よく横切り、最も近い隣人を探索する。 我々は提案したNNSアプローチを広範囲に検証し、ベンチマークデータセットと作成した医用画像データセットの最先端NNSアプローチと比較した。 提案手法は,既存の手法よりも精度と検索速度の面で優れていた。 また,医療画像検索課題における医用画像特徴表現の役割について検討する。 CLEF 2011の医用画像検索作業において,既存のトレーニング済みトランスフォーマーアプローチよりも優れるトランスフォーマーに基づく特徴表現手法を提案する。 実験のソースコードはhttps://github.com/deepaknlp/dlsで入手できます。

関連論文リスト

• Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification [0.0]
  本稿では,DenseNetとFAISSを用いた医用画像検索手法を提案する。 DenseNetは複雑な医療画像の特徴抽出に適している。 FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2024-11-03T08:14:31Z)
• Deep supervised hashing for fast retrieval of radio image cubes [5.688539343057255]
  ディープハッシュアルゴリズムは、コンピュータビジョンとマルチメディアの分野における画像検索タスクにおいて効率的であることが示されている。 本研究では,大規模データベース内の類似画像を高速に検索するために,ディープハッシュを利用する。 実験により, 類似した無線画像の検索と検索を効率よく, 大規模に行うことができることを示した。
  論文  参考訳（メタデータ） (2023-09-02T12:59:52Z)
• A Hierarchical Descriptor Framework for On-the-Fly Anatomical Location Matching between Longitudinal Studies [0.07499722271664144]
  本研究では,2対の医用画像間の解剖学的位置を縦断的に比較する手法を提案する。 ソース画像内のクエリポイントのディスクリプタを演算することにより、マッチングを可能にする。 階層探索操作は、対象画像に最も類似した記述子を持つ対応する点を検出する。
  論文  参考訳（メタデータ） (2023-08-11T18:01:27Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Machine learning based biomedical image processing for echocardiographic images [0.0]
  提案手法では,K-Nearest Neighbor (KNN) アルゴリズムを用いて医用画像のセグメンテーションを行う。 トレーニングされたニューラルネットワークは、エコー画像のグループで正常にテストされている。
  論文  参考訳（メタデータ） (2023-03-16T06:23:43Z)
• ALADIN: Distilling Fine-grained Alignment Scores for Efficient Image-Text Matching and Retrieval [51.588385824875886]
  クロスモーダル検索は、与えられたクエリテキストまたはバイヴァーサに関連する画像を見つけることで構成される。 近年の多くの手法が画像テキストマッチング問題に対する効果的な解法を提案しており、主に近年の大規模視覚言語(VL)トランスフォーマーネットワークを用いている。 本稿では,有効性と効率のギャップを埋めるため,ALADIN(ALign And Distill Network)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T16:01:48Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Deep Triplet Hashing Network for Case-based Medical Image Retrieval [33.21919320742157]
  我々は、低次元のハッシュコードを学ぶために、Attention-based Triplet Hashing (ATH) ネットワークと呼ばれるエンドツーエンドのフレームワークを提案する。 提案したATHは,最先端のディープハッシュ法と比較して,検索性能を向上できることを示す。
  論文  参考訳（メタデータ） (2021-01-29T01:35:46Z)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。