基于注意力机制的医学影像深度哈希检索算法

针对现阶段医学影像检索中检索性能差、精度低、缺乏可解释性等一系列问题,提出了一种结合了注意力机制的医学影像检索算法。以深度卷积神经网络为基础,以贝叶斯模型为框架,所提算法引入了由语义特征引导的注意力机制模块,通过分类网络的引导,生成包含语义信息的局部特征描述子,同时使用全局特征与富含语义信息的局部特征作为哈希网络的输入,引导哈希网络从全局和局部的角度关注重要特征区域,增强了哈希编码的特征表达能力,并引入加权似然估计函数解决了正负样本对数量不均衡的问题。采用MAP和NDCG作为评价指标,选择ChestX-ray14数据集进行实验,将所提算法与目前常用的深度哈希方法进行对比。实验结果表明,本文算法在哈希编码不同码位下的MAP值和NDCG值都远优于现有的深度哈希方法,证明了其有效性。

医学影像处理的深度学习可解释性研究进展

随着医学影像数据的迅速增长,传统的影像分析方法给医生带来巨大挑战。利用计算机视觉技术提供自动或半自动辅助诊断,可大大缓解人工阅片压力,提高诊断的准确性,促进医疗流程的标准化建设等。目前,深度学习卷积神经网络在医学影像处理中已取得不俗表现,但深度学习“黑匣子”的不可解释性阻碍了智能医疗诊断的发展。为增强对医学影像数据处理的深度学习可解释性的了解,对近几年相关研究进展进行了综述。首先,综述了深度学习在医学领域的应用现状及面临的问题,对神经网络的可解释性内涵进行了讨论;然后,从现有深度学习可解释性的常见方法出发,重点讨论了医学影像处理的深度学习可解释性研究进展;最后,探讨了医学影像处理的深度学习可解释性的发展趋势。