[论文解读] 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 5

一句话总结

本文提出了一种基于Radon特征的快速、低内存内容检索医学图像系统，采用SVM进行分类，利用Radon条形码实现高效的k-NN搜索。通过在归一化Radon投影上训练SVM以分配图像类别，并生成紧凑的二进制条形码，该方法可借助汉明距离实现快速相似性检索，在IRMA 2009数据集上实现每张图像51.5毫秒的检索时间，性能表现具有竞争力。

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.

研究动机与目标

• 为解决大规模医学图像数据库中高效且准确的内容检索挑战。
• 通过使用Radon变换进行鲁棒特征提取，缩小低层次图像特征与临床解读之间的语义鸿沟。
• 通过二进制Radon条形码与k-NN搜索，实现在最小内存使用下的快速检索。
• 即使SVM分类器对查询图像误分类，仍能保持检索的有效性。
• 提供一种简单、可扩展的解决方案，适用于多种医学成像模态。

提出的方法

• 该方法使用医学图像的归一化Radon投影作为输入特征，用于训练多分类SVM分类器。
• 在SVM训练过程中，每张图像被分配一个类别标签，从而实现对新查询图像的分类。
• 通过在选定角度上对Radon投影进行二值化，生成Radon条形码，将每张图像编码为紧凑的二进制格式。
• 在检索过程中，使用查询图像的Radon特征通过训练好的SVM进行分类，仅考虑同一预测类别的图像。
• 在预测类别内，通过Radon条形码之间的汉明距离查找k个最近邻。
• 该方法利用汉明距离计算的高效性以及二进制条形码的低存储需求，实现快速搜索。

实验结果

研究问题

• RQ1 Radon特征与SVM结合是否能提升医学图像检索中的分类准确率与检索性能？
• RQ2 Radon条形码在大规模医学图像数据库中用于快速相似性搜索的效果如何？
• RQ3 当SVM分类器对查询图像误分类时，检索系统是否仍保持有效性？
• RQ4 所提出方法在检索准确率与计算效率之间存在何种权衡？
• RQ5 像Radon变换这样简单的单特征方法，是否能在速度与内存使用方面超越更复杂的多特征方法？

主要发现

• 所提方法在IRMA 2009数据集上总误差得分为294.83，准确率排名处于已报告方法的中游水平。
• 检索时间仅为每张图像51.5毫秒，显著快于大多数现有方法，包括部分准确率更高的方法。
• 每张图像仅需80字节存储Radon条形码，百万张图像仅需80 MB，十亿张图像仅需80 GB。
• 即使SVM对查询图像误分类，系统仍能检索到视觉上相似的图像，表明对分类器错误具有鲁棒性。
• 该方法在极低内存与计算开销下实现高效率，适用于大规模部署。
• 该方法简单易实现，仅依赖单一特征提取技术（Radon变换），无需复杂预处理或多阶段流水线。