4、医学图像检索与神经ODE的正则化研究

医学图像检索与神经ODE的正则化研究

1. 医学图像检索的评估与实验

1.1 评估指标

在医学图像检索中，我们使用两种不同的指标来评估训练模型的性能：
- IRMA误差 ：在ImageCLEF图像检索挑战中被提及。考虑IRMA代码的一个轴，IRMA误差的定义如下：
[
Error = \sum_{i=1}^{n} \frac{1}{b_i} \frac{1}{i} \delta(l_i, \hat{l}_i)
]
其中，$n$是轴上字符的数量（$n \in {3; 4}$），$b_i$是位置$i$处可能的标签数量，$\delta(.)$是一个指示函数，如果位置$i$处的预测字符与真实字符匹配，则返回0，否则返回1。$\hat{l}_i$表示位置$i$处的预测字符，$l_i$表示位置$i$处的真实字符。每个轴的误差都进行了归一化，使得完全错误的预测在该轴上的误差为0.25。给定测试图像的总误差是通过将所有四个轴上的误差相加得到的，因此对于每个测试图像，对应于完全错误的IRMA代码预测的最大误差为1。总IRMA误差是通过对所有1733张测试图像的误差进行汇总得到的，直观上，它代表了1733张测试图像中完全分类错误的图像数量。
- 检索准确率 ：由IRMA误差推导得出，定义为：
[
Accuracy = \frac{N - Error}{N} \times 100
]
其中，$N$是测试图像的总数。

1.2 实验设置

我们使用TensorFlow机器学习库实现了所有分类模型，并进行了四