Medical Image Retrieval Using Pretrained Embeddings

要約

医用画像には幅広い画像化技術とデータ形式が利用できるため、画像データベースから正確に検索することが困難になっています。
効率的な検索システムは医学研究の進歩に不可欠であり、大規模な研究や革新的な診断ツールを可能にします。
したがって、医療画像検索の課題に対処することは、医療と研究を継続的に強化するために不可欠です。
この研究では、モダリティ、身体領域、臓器レベルでの医療画像検索に 4 つの最先端の事前トレーニング済みモデルを採用する実現可能性を評価し、2 つの類似性インデックス手法の結果を比較しました。
使用されたネットワークは 2D 画像を取得するため、3D ボリュームの取得中に 3D 情報を組み込むための重み付けおよびサンプリング戦略の影響を分析しました。
私たちは、追加のトレーニングや微調整の手順を必要とせずに、事前トレーニングされたネットワークを使用して医療画像の検索が実現可能であることを示しました。
事前トレーニングされた埋め込みを使用して、モダリティ、身体部位、臓器レベルでのさまざまなタスクの再現率 1 を達成しました。

要約(オリジナル)

A wide range of imaging techniques and data formats available for medical images make accurate retrieval from image databases challenging. Efficient retrieval systems are crucial in advancing medical research, enabling large-scale studies and innovative diagnostic tools. Thus, addressing the challenges of medical image retrieval is essential for the continued enhancement of healthcare and research. In this study, we evaluated the feasibility of employing four state-of-the-art pretrained models for medical image retrieval at modality, body region, and organ levels and compared the results of two similarity indexing approaches. Since the employed networks take 2D images, we analyzed the impacts of weighting and sampling strategies to incorporate 3D information during retrieval of 3D volumes. We showed that medical image retrieval is feasible using pretrained networks without any additional training or fine-tuning steps. Using pretrained embeddings, we achieved a recall of 1 for various tasks at modality, body region, and organ level.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google