项目名称: 面向在线检索的医学影像多特征降维方法研究

项目编号: No.61502319

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 计算机科学学科

项目作者: 申华磊

作者单位: 河南师范大学

项目金额: 21万元

中文摘要: 基于内容的医学影像检索一直是近年来学术界的研究热点。使用数据降维方法对从医学影像提取的多种高维特征向量进行降维、消除其中的冗余信息,是实现高效医学影像检索的关键之一。在大数据环境下,医学影像检索呈现在线检索的新应用形态,医学影像多特征降维因而面临三个亟待解决的关键问题:特征互补问题、增量更新问题和跨库检索问题。项目针对这三个关键问题、围绕面向在线检索的医学影像多特征降维一个主题展开研究。提出多特征空间组合模型,在此基础上:1)提出基于子空间互补的医学影像多特征组合降维方法,以解决特征互补问题;2)提出基于局部近邻结构更新对齐的医学影像低维特征表达更新方法,以解决增量更新问题;3)提出基于子空间数据分布差异最小化的医学影像低维特征表达迁移方法,以解决跨库检索问题。项目将在多个医学影像数据集上,设计基于内容的医学影像检索实验,验证上述研究内容的有效性。

中文关键词: 基于内容的医学影像检索;数据降维;多特征互补;增量更新;跨库检索

英文摘要: Content-based medical image retrieval (CBMIR) continues to be a hot topic in research community in recent years. To effectively enhance performance of CBMIR, employing dimensionality reduction methods to remove redundancy contained in high dimensional visual feature vectors extracted from medical images is one of the critical issues. With the forthcoming of big data era, CBMIR enters the new stage termed online retrieval. Dimensionality reduction for medical images thus faces three critical problems: multiple features complementation, incremental update, and cross-dataset retrieval. To address these challenges, this proposal proposes an online-retrieval-oriented medical image dimensionality reduction strategy. A multiple feature spaces combination model is designed, based on which: 1) a new method for medical image multiple features dimensionality reduction based on subspaces complementation is proposed, to solve the “multiple features complementation” problem; 2) a novel approach for incremental update of low-dimensional representation of medical images based on global alignment of local neighborhood structure update is designed, to address the “incremental update” problem; and 3) a novel method for low-dimensional representation transfer of medical images based on minimization of data distribution difference among multiple subspaces is proposed, to solve the “cross-dataset retrieval” problem. This proposal will design CBMIR experiments on multiple medical image datasets to verify effectiveness of these methods.

英文关键词: Content-based medical image retrieval;Dimensionality reduction;Multiple features complementation;Incremental update;Cross-dataset retrieval

成为VIP会员查看完整内容
0

相关内容

面向知识图谱的知识推理综述
专知会员服务
149+阅读 · 2021年11月1日
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
47+阅读 · 2021年9月9日
专知会员服务
18+阅读 · 2021年5月16日
专知会员服务
111+阅读 · 2021年1月8日
专知会员服务
123+阅读 · 2020年11月15日
专知会员服务
49+阅读 · 2020年6月14日
专知会员服务
110+阅读 · 2020年3月20日
新书《面向机器学习和数据分析的特征工程》,419页pdf
专知会员服务
142+阅读 · 2019年10月10日
数据科学平台:特征、技术及趋势
专知
1+阅读 · 2022年4月17日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
全链路联动: 面向最终目标的全链路一致性建模
机器学习与推荐算法
1+阅读 · 2021年9月27日
图像检索研究进展:浅层、深层特征及特征融合
机器学习研究会
65+阅读 · 2018年3月26日
基于图片内容的深度学习图片检索(一)
七月在线实验室
20+阅读 · 2017年10月1日
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
22+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
13+阅读 · 2022年1月20日
Financial Time Series Representation Learning
Arxiv
10+阅读 · 2020年3月27日
小贴士
相关VIP内容
面向知识图谱的知识推理综述
专知会员服务
149+阅读 · 2021年11月1日
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
47+阅读 · 2021年9月9日
专知会员服务
18+阅读 · 2021年5月16日
专知会员服务
111+阅读 · 2021年1月8日
专知会员服务
123+阅读 · 2020年11月15日
专知会员服务
49+阅读 · 2020年6月14日
专知会员服务
110+阅读 · 2020年3月20日
新书《面向机器学习和数据分析的特征工程》,419页pdf
专知会员服务
142+阅读 · 2019年10月10日
相关基金
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
22+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员