[論文レビュー] Prospective Study for Semantic Inter-Media Fusion in Content-Based Medical Image Retrieval

Roxana Teodorescu, Daniel Racoceanu+2 more|ArXiv.org|Nov 28, 2008

Image Retrieval and Classification Techniques参考文献 19被引用数 8

ひとこと要約

本論文は、内容ベース医療画像検索（CBMIR）のための意味的メディア間統合フレームワークを提案する。このフレームワークは、UMLSメタテーザウラスを活用して、医療画像とテキストレポートを概念レベルで整合・インデックス化することで、意味的ギャップを低減する。CLEFおよびPEIRベンチマーク上で、確率的、ファジィ、エビデンスベースの統合手法と類似度関数を統合することで、クエリ処理の前段階での意味的拡張を実現し、検索精度の向上を示している。

ABSTRACT

One important challenge in modern Content-Based Medical Image Retrieval (CBMIR) approaches is represented by the semantic gap, related to the complexity of the medical knowledge. Among the methods that are able to close this gap in CBMIR, the use of medical thesauri/ontologies has interesting perspectives due to the possibility of accessing on-line updated relevant webservices and to extract real-time medical semantic structured information. The CBMIR approach proposed in this paper uses the Unified Medical Language System's (UMLS) Metathesaurus to perform a semantic indexing and fusion of medical media. This fusion operates before the query processing (retrieval) and works at an UMLS-compliant conceptual indexing level. Our purpose is to study various techniques related to semantic data alignment, preprocessing, fusion, clustering and retrieval, by evaluating the various techniques and highlighting future research directions. The alignment and the preprocessing are based on partial text/image retrieval feedback and on the data structure. We analyze various probabilistic, fuzzy and evidence-based approaches for the fusion process and different similarity functions for the retrieval process. All the proposed methods are evaluated on the Cross Language Evaluation Forum's (CLEF) medical image retrieval benchmark, by focusing also on a more homogeneous component medical image database: the Pathology Education Instructional Resource (PEIR).

研究の動機と目的

• 構造化医療知識の統合を通じて、内容ベース医療画像検索（CBMIR）における意味的ギャップを解消すること。
• UMLSメタテーザウラスを用いた医療画像とテキストレポートの意味的統合を、リアルタイムでオンデマンドの概念的インデックス化を実現するために検討すること。
• 標準化された医療画像検索ベンチマーク上で、複数の統合戦略（確率的、ファジィ、エビデンスベース）を評価すること。
• 部分的フィードバックと意味的データ構造を用いた前処理とデータの整合化を通じて、検索パフォーマンスを向上させること。
• 医療マルチメディア検索における意味的整合、クラスタリング、類似度モデリングの今後の研究方向性を特定すること。

提案手法

• UMLSメタテーザウラスを意味的基盤として活用し、画像およびテキストコンテンツを標準化された医療概念にマッピングする。
• クエリ前段階の意味的統合を概念的インデックス化レベルで実施し、複数モodal間での統一的表現を可能にする。
• 部分的テキスト／画像検索フィードバックを用いて、データ前処理および意味的整合化をガイドする。
• 確率的、ファジィ、エビデンスベースの複数の統合手法を採用し、異なるメディアソースからの証拠を統合する。
• 多様な類似度関数（例：ジャコーディ係数、コサイン類似度、エビデンスベースの測定法）を用いて、検索中の関連性を計算する。
• すべての手法をCLEF医療画像検索ベンチマークおよび病理学教育インストラクショナルリソース（PEIR）データベースで評価する。

実験結果

リサーチクエスチョン

• RQ1 標準化された医療用語を用いたUMLSメタテーザウラスを活用した意味的メディア間統合により、CBMIRにおける意味的ギャップはどのように低減できるか？
• RQ2 多モーダル医療検索において、確率的、ファジィ、エビデンスベースの統合手法の相対的パフォーマンスはいかほどか？
• RQ3 クエリ処理の前段階での概念的統合は、実世界の医療画像データセットにおいて、どの程度検索精度を向上させるか？
• RQ4 フィードバック駆動型前処理と組み合わせたUMLSメタテーザウラスベースの意味的インデックス化は、どの程度効果的か？
• RQ5 多様な医療メディア間で最も頑健な検索結果をもたらす類似度関数はどれか？

主な発見

• UMLSメタテーザウラスを用いた概念的インデックス化は、低レベル特徴と臨床的意味の間の意味的ギャップを顕著に低減することが分かった。
• エビデンスベースの統合手法は、CLEFベンチマークにおいて純粋な確率的およびファジィ手法を上回る検索精度と再現率を達成した。
• 部分的検索フィードバックを用いた前処理は、整合化の正確性を向上させるとともに、意味的マッピングにおけるノイズを低減した。
• 病理学教育インストラクショナルリソース（PEIR）データベースは、統合手法の明確な評価が可能なより均質なテストベッドを提供した。
• クエリ処理の前段階で概念レベルでの統合を実施した結果、後段の統合や特徴レベルのマッチングよりも、より一貫性があり意味的に意味のある検索結果が得られた。
• 本研究は、スケーラブルで動的かつリアルタイムなCBMIRシステムを実現するためには、最新の医療オントロジーおよびウェブサービスへの即時アクセスが不可欠であることを強調している。