[論文レビュー] Radon Features and Barcodes for Medical Image Retrieval via SVM

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

Image Retrieval and Classification Techniques参考文献 28被引用数 5

ひとこと要約

本稿では、SVMベースの分類にラドン特徴量を用い、k-NN検索にラドンバーコードを用いることで、高速で低メモリなコンテンツベースの医療画像検索システムを提案する。正規化されたラドン投影を用いてSVMを訓練し、画像のカテゴリを割り当てるとともに、コン act なバイナリーバーコードを生成することで、ハミング距離を用いた高速類似度検索を可能にした。IRMA 2009データセットにおいて、1画像あたり51.5 msの検索時間を達成し、競争力のある性能を発揮した。

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.

研究の動機と目的

• 大規模な医療画像データベースにおける効率的かつ正確なコンテンツベースの検索を解決すること。
• ラドン変換を用いて特徴抽出を強化することで、低レベルの画像特徴と臨床的解釈との間の意味的ギャップを低減すること。
• バイナリーラドンバーコードとk-NN検索を用いて、最小限のメモリ使用量で高速な検索を実現すること。
• SVM分類器がクエリ画像を誤分類しても、検索効果が維持されることを保証すること。
• 多様な医療画像モodal に適用可能な単純でスケーラブルなソリューションを提供すること。

提案手法

• 本手法は、医療画像の正規化されたラドン投影を、多クラスSVM分類器の学習入力特徴として用いる。
• SVM学習中に各画像にカテゴリラベルが割り当てられ、新しいクエリ画像の分類が可能になる。
• ラドン投影を所定の角度で二値化することで、ラドンバーコードが生成され、各画像がコンパクトなバイナリーフォーマットで符号化される。
• 検索時には、クエリ画像のラドン特徴量を用いて訓練済みSVMにより分類され、同じ予測カテゴリに属する画像のみが対象となる。
• 予測カテゴリ内では、ラドンバーコード間のハミング距離を用いてk番目の近傍を特定する。
• ハミング距離計算の効率性とバイナリーバーコードの低容量特性を活かし、高速な検索を実現する。

実験結果

リサーチクエスチョン

• RQ1 SVMと組み合わせたラドン特徴量が、医療画像検索における分類精度と検索パフォーマンスを向上させるか？
• RQ2 ラドンバーコードは、大規模な医療画像データベースにおける高速類似度検索にどの程度有効か？
• RQ3 SVM分類器がクエリ画像を誤分類した場合でも、検索システムは依然として有効性を保っているか？
• RQ4 提案手法において、検索精度と計算効率のトレードオフはどのようなものか？
• RQ5 ラドン変換という単一の特徴抽出手法に依存する単純なアプローチが、より複雑なマルチ特徴量手法に比べ、速度とメモリ使用量の面で優れているか？

主な発見

• 提案手法は、IRMA 2009データセットで総合誤差スコア294.83を達成し、精度の観点で報告された手法の中位に位置した。
• 1画像あたりの検索時間はわずか51.5ミリ秒であり、精度がより高い多くの既存手法よりも顕著に高速であった。
• ラドンバーコートのストレージは1画像あたりたったの80バイトで、100万枚の画像では80 MB、10億枚では80 GBにまで収縮した。
• SVMがクエリ画像を誤分類しても、システムは依然として視覚的に類似した画像を検索でき、分類器の誤りに対してもロバストであることが示された。
• 極めて低いメモリおよび計算オーバーヘッドで高い効率性を達成しており、大規模な展開に適している。
• 本手法は単純で実装が容易であり、複雑な前処理やマルチステージパイプラインを必要とせず、単一の特徴抽出手法（ラドン変換）に依存している。