अनुकूली स्थानिक पूलिंग और फिशर वेक्टर प्रतिनिधित्व द्वारा मस्तिष्क ट्यूमर की पुनर्प्राप्ति

सामग्री-आधारित चित्र पुनर्प्राप्ति (CBIR) तकनीकों ने वर्तमान में चिकित्सा क्षेत्र में बढ़ती लोकप्रियता प्राप्त की है क्योंकि वे नैदानिक निर्णयों को समर्थन देने के लिए अनेक और मूल्यवान संग्रहित छवियों का उपयोग कर सकती हैं। इस पेपर में, हम T1-भारित संदर्भित MRI छवियों में मस्तिष्क ट्यूमर की पुनर्प्राप्ति के लिए एक CBIR प्रणाली विकसित करने पर ध्यान केंद्रित करते हैं। विशेष रूप से, जब उपयोगकर्ता एक प्रश्न छवि के ट्यूमर क्षेत्र को मोटे तौर पर रेखांकित करता है, तो समान रोगात्मक प्रकार के डेटाबेस में मस्तिष्क ट्यूमर छवियों की वापसी की अपेक्षा की जाती है। हमने पुनर्प्राप्ति प्रदर्शन को बेहतर बनाने के लिए एक नवीन विशेषता निकासी ढांचा प्रस्तावित किया है। प्रस्तावित ढांचा तीन चरणों में विभाजित है। पहले, हम ट्यूमर क्षेत्र को बढ़ाते हैं और सूचनात्मक संदर्भ जानकारी को शामिल करने के लिए बड़े ट्यूमर क्षेत्र का उपयोग करते हैं। दूसरे, बढ़ाए गए ट्यूमर क्षेत्र को तीव्रता क्रम के आधार पर अनुकूली स्थानिक विभाजन विधि द्वारा उपक्षेत्रों में विभाजित किया जाता है; प्रत्येक उपक्षेत्र के भीतर, हम स्थानीय विशेषताओं के रूप में कच्चे चित्र पैच निकालते हैं। तीसरे, हम फिशर कर्नेल ढांचे का उपयोग करते हैं ताकि प्रत्येक उपक्षेत्र की स्थानीय विशेषताओं को संबंधित एकल वेक्टर प्रतिनिधित्व में एकत्र किया जा सके और इन प्रत्येक उपक्षेत्र वेक्टर प्रतिनिधित्वों को जोड़कर एक चित्र-स्तरीय हस्ताक्षर प्राप्त किया जा सके। विशेषता निकासी के बाद, प्रश्न छवि और डेटाबेस छवियों के बीच समानता को मापने के लिए एक बंद-मुख Metric लर्निंग एल्गोरिदम लागू किया जाता है। तीन प्रकार के मस्तिष्क ट्यूमर, अर्थात्, मेनिन्जियोमा, ग्लियोमा, और पिट्यूटरी ट्यूमर के बड़े डेटासेट पर विशाल प्रयोग किए जाते हैं। औसत सटीकता 94.68% तक पहुँच सकती है। प्रयोगात्मक परिणाम इस प्रस्तावित एल्गोरिदम की शक्ति को समान डेटासेट पर कुछ संबंधित अत्याधुनिक विधियों के खिलाफ दर्शाते हैं।