[논문 리뷰] Radon Features and Barcodes for Medical Image Retrieval via SVM

Shujin Zhu, Hamid R. Tizhoosh|arXiv (Cornell University)|2016. 04. 16.

Image Retrieval and Classification Techniques참고 문헌 28인용 수 5

한 줄 요약

이 논문은 SVM 기반 분류를 위한 라돈 특징과 효율적인 k-NN 검색을 위한 라돈 바코드를 사용하여 빠르고 메모리 소비가 적은 콘텐츠 기반 의료 영상 검색 시스템을 제안한다. 정규화된 라돈 투영을 사용해 다중 클래스 SVM 분류기를 훈련시켜 영상 카테고리 할당하고, 압축된 이진 바코드를 생성함으로써 해밍 거리 기반 유사도 검색을 빠르게 수행한다. IRMA 2009 데이터셋에서 이미지당 평균 51.5ms의 검색 시간을 기록하며 경쟁력 있는 성능을 달성한다.

ABSTRACT

For more than two decades, research has been performed on content-based image retrieval (CBIR). By combining Radon projections and the support vector machines (SVM), a content-based medical image retrieval method is presented in this work. The proposed approach employs the normalized Radon projections with corresponding image category labels to build an SVM classifier, and the Radon barcode database which encodes every image in a binary format is also generated simultaneously to tag all images. To retrieve similar images when a query image is given, Radon projections and the barcode of the query image are generated. Subsequently, the k-nearest neighbor search method is applied to find the images with minimum Hamming distance of the Radon barcode within the same class predicted by the trained SVM classifier that uses Radon features. The performance of the proposed method is validated by using the IRMA 2009 dataset with 14,410 x-ray images in 57 categories. The results demonstrate that our method has the capacity to retrieve similar responses for the correctly identified query image and even for those mistakenly classified by SVM. The approach further is very fast and has low memory requirement.

연구 동기 및 목표

• 대규모 의료 영상 데이터베이스에서 효율적이고 정확한 콘텐츠 기반 검색을 해결하기 위해.
• 라돈 변환을 통해 강건한 특징 추출을 수행하여 저수준 영상 특징과 임상적 해석 간의 의미 갭을 줄이기 위해.
• 이진 라돈 바코드와 k-NN 검색을 통해 최소한의 메모리 사용으로 빠른 검색을 가능하게 하기 위해.
• SVM 분류기가 쿼리 영상을 잘못 분류하더라도 검색 효과성이 유지되는지 확인하기 위해.
• 다양한 의료 영상 모odalities에 적용 가능한 단순하고 확장 가능한 솔루션을 제공하기 위해.

제안 방법

• 다양한 의료 영상의 정규화된 라돈 투영을 다중 클래스 SVM 분류기 훈련에 사용하는 입력 특징으로 활용한다.
• 각 영상은 SVM 훈련 중에 카테고리 레이블이 할당되며, 이는 새로운 쿼리 영상의 분류를 가능하게 한다.
• 선택된 각도에서 라돈 투영을 이진화하여 이진 바코드를 생성함으로써 각 영상을 압축된 이진 형식으로 인코딩한다.
• 검색 시, 쿼리 영상의 라돈 특징을 사용해 훈련된 SVM을 통해 분류하고, 동일한 예측 카테고리에 속하는 영상들만 고려한다.
• 예측된 카테고리 내에서, 라돈 바코드 간의 해밍 거리 기반으로 k개의 근접 이웃을 찾는다.
• 이 방법은 해밍 거리 계산의 효율성과 이진 바코드의 낮은 저장 요구량을 활용하여 빠른 검색을 구현한다.

실험 결과

연구 질문

• RQ1 라돈 특징과 SVM을 조합하여 의료 영상 검색에서 분류 정확도와 검색 성능을 향상시킬 수 있는가?
• RQ2 라돈 바코드는 대규모 의료 영상 데이터베이스에서 빠른 유사도 검색에 얼마나 효과적인가?
• RQ3 SVM 분류기가 쿼리 영상을 잘못 분류하더라도 검색 시스템은 여전히 효과적인가?
• RQ4 제안된 방법에서 검색 정확도와 계산 효율성 사이의 상호 교환 관계는 어떠한가?
• RQ5 라돈 변환과 같은 단일 특징 기반 접근 방식이 더 복잡한 다중 특징 방법에 비해 속도와 메모리 사용 측면에서 뛰어난 성능을 낼 수 있는가?

주요 결과

• 제안된 방법은 IRMA 2009 데이터셋에서 총 오차 점수 294.83을 기록하여 정확도 측면에서 보고된 방법들 중 중간 수준의 성능을 달성했다.
• 검색 시간은 이미지당 단지 51.5 밀리초였으며, 대부분의 기존 방법보다 빠르게, 정확도가 더 높은 방법들조차도 이를 뛰어넘었다.
• 이진 라돈 바코드 저장을 위해 이미지당 80바이트만 필요했으며, 이는 100만 장의 영상에 대해 80MB, 10억 장의 영상에 대해 80GB의 저장 공간을 차지한다.
• SVM이 쿼리 영상을 잘못 분류하더라도 시스템은 여전히 시각적으로 유사한 영상을 검색할 수 있었으며, 분류기 오류에 대한 강건성을 입증했다.
• 최소한의 메모리 및 계산 오버헤드로 높은 효율성을 달성하여 대규모 배포에 적합하다.
• 단순하고 쉽게 구현할 수 있으며, 복잡한 사전 처리나 다단계 파ip라인 없이 단일 특징 추출 기법(라돈 변환)에 의존한다.