7、基于哈希的大规模医学图像检索用于计算机辅助诊断

基于哈希的大规模医学图像检索用于计算机辅助诊断

1. 引言

在医学影像信息学中，一个重要目标是将原始图像转化为可量化的符号形式，以进行索引、检索和推理。基于内容的图像检索（CBIR）在医学信息学中变得愈发重要，它能为医生提供可视化的现有相关病例及诊断信息，辅助诊断。然而，医学图像内容本质上是非结构化的，存在诸多挑战。

例如，组织图像可能因照明控制不完全、组织纹理变化、染色过程中的图像噪声以及个体差异等“偶然特征”，阻碍现有系统的成功应用。而且，大多数方法只能处理相对较小的数据集，难以实时分析大规模医学图像数据库。当前大规模医学图像分析算法的发展远远滞后于医学图像质量和复杂性的提升，限制了现有图像检索系统在研究和工业环境中挖掘海量数字医学图像的有效性。

因此，迫切需要开发一个创新的集成框架，以实现对这些数据库的稳健、及时的测量、分析和表征。网络规模的计算机视觉和多媒体数据库的相关研究，为大规模、数据驱动的方法在医学影像信息学中的应用提供了启示。将原始图像转化为可量化的符号形式，有助于索引和检索，可能带来新的知识发现和决策支持途径。

2. 相关工作

医学图像信息检索领域已有广泛研究。例如：
- Comaniciu 等人在 1999 年提出了基于内容的图像检索系统，用于临床病理学决策支持，通过中央模块和快速颜色分割器提取细胞核的形状、面积和纹理等特征，并通过 10 折交叉验证分类评估系统性能。
- Dy 等人在 2003 年描述了一种基于多特征集和两步法的分层 CBIR 方法，先将查询图像分类到不同类别，再在预测类别中搜索相似图像。
- El - Naqa 等人在 2004 年提出了分层学习方法，由二元分类器和回