بازیابی تصاویر پزشکی بر اساس محتوا با استفاده از نگاشت ویژگی‌های تصاویر در سطح بازخورد ربط

روش‌های هوشمند در صنعت برق

مقاله 1، دوره 5، شماره 17، خرداد 1393، صفحه 3-14   

نوع مقاله: مقاله پژوهشی

نویسندگان

محمد بهنام¹؛ حسین پورقاسم^{* 2}

¹دانشگاه آزاد اسلامی، واحد نجف‌آباد

²دانشگاه آزاد اسلامی واحد نجف آباد

چکیده

هدف از این تحقیق طراحی یک سیستم بازیابی تصاویر پزشکی مبتنی بر محتوا و ارائه روشی نوین برای کاهش شکاف معنایی موجود بین ویژگی‌های دیداری و مفاهیم مورد جستجوی کاربر می‌باشد. به طور کلی عملکرد سیستم‌های بازیابی تصویر تنها بر اساس ویژگی‌های دیداری کاهش می‌یابد چرا که این ویژگی‌ها اغلب در توصیف مفاهیم معنایی تصویر ناتوان‌اند. در این تحقیق این مشکل با ارائه راهکاری نوین در سطح بازخورد ربط و با استفاده از انتقال فضای ویژگی‌های تصاویر مرتبط و غیر مرتبط به فضایی جدیدتر، با ابعاد کمتر و دارای همپوشانی کمتر مرتفع می‌گردد. برای این منظور با استفاده از تکنیک‌های آنالیز مؤلفه‌های اصلی(PCA) و آنالیز تفکیک‌کننده خطی (LDA) فضای ویژگی‌ها را تغییر داده و سپس با بهره‌گیری از ماشین بردار پشتیبان (SVM) به طبقه‌بندی تصاویر مرتبط و غیرمرتبط می‌پردازیم. الگوریتم ارائه شده بر روی پایگاه داده‌ای شامل 10000 تصویر اشعه X پزشکی از 57 کلاس معنایی ارزیابی شده است. نتایج به دست آمده نشان می‌دهد که الگوریتم ارائه شده به طور قابل توجهی دقت سیستم بازیابی را بهبود می‌بخشد.

کلیدواژه‌ها

بازیابی تصاویر بر اساس محتوا؛ شکاف معنایی؛ بازخورد ربط؛ آنالیز مؤلفه‌های اصلی؛ آنالیز تفکیک کننده خطی؛ ماشین بردار پشتیبان

مراجع

[1] F. Long, H. Zhang, D.D. Feng, "Fundamentals of content-based image retrieval, in multimedia information retrieval and management - technological fundamentals and applications", Springer Verlag, pp. 1-26, 2003.

[2] S.K. Chang, A. Hsu, "Image information systems: where do we go from here?", IEEE Trans. on Knowledge and Data Engineering, Vol.5, No.5, pp. 431-442, Oct.1992.

[3] X. Li, S.C. Chen, M.L. Shyu, B. Furht, "Image retrieval by color, texture, and spatial information", In 8th Inter. Con. on Dis. Multi. Sys. (DMS'2002), San Francisco Bay, California, USA, pp. 1-8, .2002.

[4] K. Zagoris, S.A. Chatzichristofis, N. Papamarkos, Y.S. Boutalis, "Img (Anaktisi): A web content based image retrieval system", IEEE Second Int. Workshop on Similarity Search and Applications, pp. 154-155, .2009.

[5] R.C. Veltkamp M. Tanase, "Content-based image retrieval systems: A survey", Dept. of Computing Science, Utrecht University, Technical Report .2000.

[6] P. Ghosh, S. Antani, L.R. Long, G.R. Thoma, "Review of medical image retrieval systems and future directions", IEEE, Computer-Based Medical Systems (CBMS), 24th International Symposium, pp. 1-6, June 2011.

[7] J.G. Dy, C.E. Brodley, A. Kak, L.S. Broderick, A.M. Aisen, "Unsupervised feature selection applied to content-based retrieval of lung images", IEEE Trans. Pattern Anal. Mach. Intell., Vol. 25, No. 3, pp. 373–378, 2003.

[8] P. Korn, N. Sidiropoulos, C. Faloutsos, E. Siegel, Z. Protopapas, "Fast and effective retrieval of medical tumor shapes", IEEE Trans. Knowl. Data Eng. Vol. 10, No. 6, pp. 889-904, 1998.

[9] S.N. Yu, C.T. Chianga, C.C. Hsieh, "A three-object model for the similarity searches of chest CT images", Computerized Medical Imaging and Graphics, Vol. 29, pp. 617-630, 2005.

[10] L.L.G. Oliveira, S.A. Silva, L.H.V. Ribeiro, R.M. Oliveira, C. Coelho, A.S.S. Andrade, "Computer-aided diagnosis in chest radiography for detection of childhood pneumonia", Int. J. Med. Inform., Vol. 77, No. 8, pp. 555-564, 2007.

[11] X. Xu, D.J. Lee, S. Antani, L.R. Long, "A spine X-ray image retrieval system using partial shape matching", IEEE Trans. on Inf. Tech. in Bio., Vol. 12, No. 1, pp. 100-108, 2008.

[12] O. Nomira, M. Abdel-Mottalebb, "Hierarchical contour matching for dental X-ray radiographs", Pattern Recognition, Vol. 41, pp. 130-138, 2008.

[13] Y. Liu, D. Zhanga, G. Lua, W.Y. Ma, "A survey of content-based image retrieval with high-level semantics", Pattern Recognition, Vol. 40, No. 1, pp. 262–282, 2007.

[14] Y. Rui, T.S. Huang, M. Ortega, S. Mehrotra, "Relevance feedback: A power tool for interactive content-based image retrieval", IEEE Trans. Circuits and Systems for Video Technology, Vol. 8, No. 5, pp. 644-655, Sep. 1998.

[15] A. Marakakis, G. Siolas, N. Galatsanos, A. Likas, A. Stafylopatis, "Relevance feedback approach for image retrieval combining support vector machines and adapted Gaussian mixture models", IET Image Process., Vol. 5, No. 6, pp. 531–540, Sept. 2011.

[16] T. Hastie, R. Tibshirani, J. Friedman, "The elements of statistical learning", Second edition, Springer, New York, 2008.

[17] M.M. Rahman, S.K. Antani, G.R. Thoma, "A learning-based similarity fusion and filtering approach for biomedical image retrieval using SVM classification and relevance feedback", IEEE Trans. on Info. Tech. in Bio., Vol. 15, No. 4, July 2011.

[18] H. Pourghassem, S. Daneshvar, "A framework for medical image retrieval using merging-based classification with dependency probability-based relevance feedback", Turkish J. of Elec. Engi. & Com. Sci., Vol. 21, No. 3, pp. 882-896, 2013.

[19] L. Yang, R. Jin, L. Mummert, R. Sukthankar, A. Goode, B. Zheng, S.C.H. Hoi, M. Satyanarayanan, "A boosting framework for visuality-preserving distance metric learning and its application to medical image retrieval", IEEE Trans. Pat. Anal. Mach. Intell., Vol. 32, No. 1, pp. 30–44, Jan. 2010.

[20] R.M. Haralick, K. Shanmugan, I. Dinstein, ''Textural features for image classification", IEEE Trans. on Sys., Man, and Cybernetics, Vol. 3, No. 6, pp. 610–621, Nov. 1973.

[21] H. Tamura, S. Mori, T. Yamawaki, "Texture features corresponding to visual perception", IEEE Trans. on Sys., Man, and Cybernetics, Vol. Smc-8, No. 6, pp. 460–473, June 1978.

[22] B.S. Manjunathi, W.Y. Ma, "Texture features for browsing and retrieval of image data", IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 18, No. 8, pp. 837-842, August 1996.

[23] E. Persoon, K. Fu, "Shape discrimination using Fourier descriptors", IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 8, No. 3, pp. 388-397, 1977.

[24] D.S. Zhang, G. Lu, "Generic fourier descriptor for shape-based image retrieval", IEEE International Conference on Multimedia and Expo. Vol.1, pp. 425-428, 2002.

[25] S.H. Cha, "Comprehensive survey on distance/similarity measures between probability density functions", International journal of mathematical models and methods in applied sciences, Vol. 1, No. 4, pp. 300-307 , 2007.

[26] R.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 2nd ed. John Wiley & Sons, New York, NY, 2001.

[27] A.M. Martinez, A.C. Kak, "PCA versus LDA," IEEE Trans. on Pattern Analysis and Machine Intelligence", Vol. 23, No. 2, pp. 228-233, February 2001.

[28] P. Clough, H. Muller, T. Deselaers, M. Grubinger, T.M. Lehmann, J. Jensen, W. Hersh, "The CLEF 2005 cross–language image retrieval track", Springer Berlin Heidelberg, 6th Workshop of the Cross-Language Evalution Forum, CLEF 2005, Vienna, Austria, 21-23 September, 2005, pp. 535-557, 2006.

[29] J.R. Smith, S. Chang, "Tools and Techniques for Color Image Retrieval", In SPIE, pp. 1-12, 1996.

[30] T. Deselaers, D. Keysers, H. Ney, "Classification error rate for quantitative evaluation of content-based image retrieval systems", IEEE, Proceedings of the 17th Int. Con. on Patt. Reco., Vol. 2, pp. 505–508, 2004.