Key points are not available for this paper at this time.
Um framework de recuperação de imagens baseado em conteúdo (CBIR) para uma coleção diversificada de imagens médicas de diferentes modalidades de imagem, regiões anatômicas com diferentes orientações e sistemas biológicos é proposto. A organização das imagens em tal banco de dados (BD) é bem definida com categorias semânticas predefinidas; portanto, pode ser útil para busca específica de categorias. O framework proposto consiste em métodos de aprendizado de máquina para pré-filtragem de imagens, correspondência de similaridade usando medidas de distância estatística e um esquema de feedback de relevância (RF). Para reduzir a lacuna semântica e aumentar a eficiência da recuperação, investigamos tanto técnicas de aprendizado supervisionado quanto não supervisionado para associar características de imagem globais de baixo nível (por exemplo, cor, textura e borda) no espaço de eigenspace baseado em PCA com suas categorias semânticas e visuais de alto nível. Em particular, exploramos o uso de uma máquina de vetor de suporte (SVM) probabilística multicategórica e agrupamento c-mean difuso (FCM) para categorização e pré-filtragem de imagens para reduzir o espaço de busca. Uma correspondência de semelhança estatística específica de categoria é proposta em um nível mais fino nas imagens pré-filtradas. Para incorporar uma melhor percepção subjetiva, um mecanismo de RF também é adicionado para atualizar dinamicamente os parâmetros da consulta e ajustar as funções de correspondência propostas. Os experimentos são baseados em um BD de verdade conhecida composto por 5000 imagens médicas diversificadas de 20 categorias predefinidas. A análise dos resultados com base na acurácia de validação cruzada (CV) e precisão-recall para categorização e recuperação de imagens é relatada. Isso demonstra a melhoria, eficácia e eficiência alcançadas pelo framework proposto.
Rahman et al. (Mon,) estudaram essa questão.