Multimodal, Multianatomical and Multidimensional Medical Image Retrieval System
Notice bibliographique
Résumé
Recently, there is a rapid use of digital imaging information in healthcare enterprises. Hence, it becomes laborious to manage and query in such large databases which need effi- cient medical image retrieval systems. Also, the multi-modal and multi-dimensional aspects of medical images make this a much more demanding task. The imaging data such as the CT, and MRI from the scanners is in the form of 3D images which consist of several slices stacked upon each other. While medical images such as the X- rays are in the 2D format. This imbalance in the medical image databases leads to de- velop an integrated 2D and 3D medical image retrieval sys- tem using Deep Learning architectures. In this context, an integrated framework with hybrid architectures consisting of convolutional neural networks and autoencoder is proposed. A heterogeneous database comprises of 2D and 3D images produced from different sources of modalities to train the proposed networks is used. The learned features are used to retrieve the medical images. Five unsupervised CNN mod- els namely LeNetCoder, VGGCoder, Noisy VGGCoder, LSTM VGGCoder, and ResCoder were trained and tested for both the 2D and 3D images. Finally, the performances of all the models are compared with the metrics like Precision, Recall, and F-Score. Among them, ResCoder has the highest mean average precision (MAP) of 0.96 for 2D and 0.92 for 3D im- ages in this framework.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».