بازيابي تصاوير پزشكي بر اساس محتوا با استفاده از نگاشت ويژگي‌هاي تصاوير در سطح بازخورد ربطContent-Based Medical Image Retrieval Based on Image Feature Projection in Relevance Feedback Level

Content-Based Medical Image Retrieval Based on Image Feature Projection in Relevance Feedback Level

هدف از اين تحقيق طراحي يك سيستم بازيابي تصاوير پزشكي مبتني بر محتوا و ارايه روشي نوين براي كاهش شكاف معنايي موجود بين ويژگي‌هاي ديداري و مفاهيم مورد جستجوي كاربر مي‌باشد. به طور كلي عملكرد سيستم‌هاي بازيابي تصوير تنها بر اساس ويژگي‌هاي ديداري كاهش مي‌يابد چرا كه اين ويژگي‌ها اغلب در توصيف مفاهيم معنايي تصوير ناتوان‌اند. در اين تحقيق اين مشكل با ارايه راهكاري نوين در سطح بازخورد ربط و با استفاده از انتقال فضاي ويژگي‌هاي تصاوير مرتبط و غير مرتبط به فضايي جديدتر، با ابعاد كمتر و داراي همپوشاني كمتر مرتفع مي‌گردد. براي اين منظور با استفاده از تكنيك‌هاي آناليز مولفه‌هاي اصلي(PCA) و آناليز تفكيك‌كننده خطي (LDA) فضاي ويژگي‌ها را تغيير داده و سپس با بهره‌گيري از ماشين بردار پشتيبان (SVM) به طبقه‌بندي تصاوير مرتبط و غيرمرتبط مي‌پردازيم. الگوريتم ارايه شده بر روي پايگاه داده‌اي شامل 10000 تصوير اشعه X پزشكي از 57 كلاس معنايي ارزيابي شده است. نتايج به دست آمده نشان مي‌دهد كه الگوريتم ارايه شده به طور قابل توجهي دقت سيستم بازيابي را بهبود مي‌بخشد.

The purpose of this study is to design a content-based medical image retrieval system and provide a new method to reduce semantic gap between visual features and semantic concepts. Generally performance of the retrieval systems based on only visual contents decrease because these features often fail to describe the high level semantic concepts in user’s mind. In this paper this problem is solved using a new approach based on projection of relevant and irrelevant images in to a new space with low dimensionality and less overlapping in relevance feedback level. For this purpose, first we change the feature space using Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) techniques and then classify the feedback images applying Support Vector Machine (SVM) classifier. The proposed framework has been evaluated on a database consisting of 10,000 medical X-ray images of 57 semantic classes. The obtained results show that the proposed approach significantly improves the accuracy of retrieval system.