An Effective Content Based Image Retrieval Using Multi Feature Fusion Algorithm with Optimized Retrieval Technique of Soft Computing Approach
Notice bibliographique
Résumé
With the increasing digitization of healthcare, hospitals generate and store thousands of medical images daily, creating large-scale datasets that demand efficient retrieval solutions. Content-Based Image Retrieval (CBIR) systems address this by identifying relevant images based on visual features rather than textual metadata. While various CBIR approaches exist, many suffer from low precision, redundant retrievals, and slow query processing times. This paper introduces a novel hybrid CBIR framework that significantly improves retrieval accuracy and efficiency by integrating Principal Component Analysis (PCA) for texture extraction, Wavelet Transform (WT) for shape feature extraction, and Canonical Correlation Analysis (CCA) for advanced feature fusion. Unlike previous methods that rely on single-feature analysis or basic fusion strategies, our approach combines multiple complementary features into a unified representation, enhancing the system's ability to discern subtle patterns in medical images. CCA helps to find features from the medical images that are maximally related, e.g., the part of the breast that usually co-occur when someone is under observation. Additionally, we apply a customized classification strategy using Fuzzy Support Vector Machine optimized with Modified Whale Optimization Algorithm (FSVM-MWOA), which enhances model adaptability and retrieval precision. FSVM a variant of SVM that incorporates fuzzy logic to handle uncertainty and noisy data, MWOA an enhanced version of the bio-inspired Whale Optimization Algorithm, used here to optimize the parameters of the FSVM. Experimental results show that the proposed system achieves over 90% retrieval accuracy, reduces query response time by up to 40%, and minimizes redundancy, outperforming conventional CBIR techniques. This integrated approach not only addresses the limitations of existing methods but also introduces a scalable and robust solution tailored to the specific challenges of medical image datasets.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».