張婭楠，趙涓涓，武 煒，耿 鑫，侯國(guó)杰

(1.太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原 030024；2.山西省人民醫(yī)院 醫(yī)學(xué)影像科，太原 030012)

哈?？梢詫⒏呔S數(shù)據(jù)變?yōu)榈途S緊湊的二值碼，同時(shí)保留圖像或視頻的相似性，檢索時(shí)直接使用低維的二值碼。用漢明距離計(jì)算距離或相似性時(shí)，CPU可以使用一些例如XNOR(異或非)之類的快速指令，這樣既可以減少特征的存儲(chǔ)空間，又可以提高檢索速度，從而可以有效解決“維數(shù)災(zāi)難”的問(wèn)題[1-3]。然而在醫(yī)學(xué)領(lǐng)域，一張肺部圖像包含的信息非常多，在肺部圖像的檢索中，人們通常使用單標(biāo)簽進(jìn)行檢索，這樣做并不能夠充分表達(dá)圖片中的語(yǔ)義。

目前可以把傳統(tǒng)的醫(yī)學(xué)圖像檢索技術(shù)分為兩種，有監(jiān)督方法和無(wú)監(jiān)督方法。無(wú)監(jiān)督方法中典型的是局部敏感哈希(locality sensitive hashing，LSH)。在此基礎(chǔ)上衍生出了很多方法，其中DRIEMEL et al[4]提出了曲線局部敏感哈希(locality-sensitive hashing of curves，LSHC)，AJ et al[5]提出使用動(dòng)態(tài)相似度和局部敏感哈希的多視圖檢索(content-based mammogram retrieval methods using multi-view information fusion，MVIF-CBMR).迭代量化(iterative quantization，ITQ)[6]也是典型方法。有監(jiān)督方法中，最著名的方法就是有監(jiān)督核哈希(supervised hashing with kernels，KSH)，它通過(guò)相似對(duì)的漢明距離最小化，不相似對(duì)的漢明距離最大化來(lái)獲得哈希碼。HU et al[7]通過(guò)在漢明空間中顯式地最小化原始間距和重建間距之間的偏差來(lái)學(xué)習(xí)哈希函數(shù)。逆轉(zhuǎn)譜哈希(reversed spectral hashing，ReSH)[8]是將哈希的輸入和輸出交換，不同于譜哈希從給定的高維數(shù)據(jù)中估計(jì)相似度結(jié)構(gòu)，而是根據(jù)未知的低維哈希碼來(lái)定義數(shù)據(jù)點(diǎn)之間的相似度。但傳統(tǒng)的檢索方法中要求手工提取多種特征，降低了檢索速度。深度哈希的出現(xiàn)，解決了這個(gè)問(wèn)題。

2017年，WU et al[9]提出了一種名為結(jié)構(gòu)深哈希(structured deep hashing，SDH)的方法，能夠同時(shí)學(xué)習(xí)適用于哈希任務(wù)的有效的圖像表示以及一組哈希函數(shù)。LAI et al[10]提出了一種新的深度哈希模型框架，設(shè)計(jì)一個(gè)三元組排序損失來(lái)優(yōu)化。近年來(lái)，鑒于當(dāng)前海量的醫(yī)學(xué)影像數(shù)據(jù)和哈希方法的優(yōu)勢(shì)，已有一些學(xué)者將哈希方法用于醫(yī)學(xué)影像檢索方面。LIU et al[11]提出一種基于AGH(anchor graph hashing)的圖像檢索框架，提高乳腺X射線圖像檢索精度。YAO et al[12]提出一種離散魯棒監(jiān)督哈希(discrete robust supervised hashing，DRSH)算法，融合不同模態(tài)的分類標(biāo)簽和特征，通過(guò)低秩約束學(xué)習(xí)魯棒相似矩陣，在共享的漢明空間中保留基于魯棒相似矩陣的相似度來(lái)生成哈希碼。CHEN et al[13]提出了一種深度學(xué)習(xí)監(jiān)督哈希(deep learning supervised hash，DLSH)方法，該方法采用深度結(jié)構(gòu)學(xué)習(xí)基于深度特征表示的二進(jìn)制代碼，用于大規(guī)模圖像檢索。QI et al[14]提出了一種新型的端到端監(jiān)督深度哈希方法，該方法通過(guò)聯(lián)合優(yōu)化來(lái)進(jìn)行特征提取和二進(jìn)制編碼學(xué)習(xí)，實(shí)現(xiàn)肺結(jié)節(jié)的檢索。CAI et al[15]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和哈希編碼的基于內(nèi)容的醫(yī)學(xué)圖像檢索框架(content based medical image retrieval，CBMIR).

對(duì)于肺部醫(yī)學(xué)序列圖像的特殊性，三維卷積神經(jīng)網(wǎng)絡(luò)(3D convolutional neural networks，3D-CNN)可以較全面地表征序列圖像的隱含特征信息，更充分地結(jié)合序列圖片上下文信息，因而在特征提取領(lǐng)域得到了廣泛的應(yīng)用。KANG et al[16]利用多視角三維卷積神經(jīng)網(wǎng)絡(luò)對(duì)肺部CT圖像進(jìn)行學(xué)習(xí)和分析，最終實(shí)現(xiàn)肺結(jié)節(jié)的良惡性分類。KHVOSTIKOV et al[17]利用3D卷積神經(jīng)網(wǎng)絡(luò)提取結(jié)構(gòu)磁共振成像(structural magnetic resonance imaging，sMRI)圖像的特征，設(shè)計(jì)了基于SMRI和DTI模式的海馬區(qū)融合算法來(lái)輔助診斷阿爾茲海默病的診斷。DOU et al[18]利用圖像中的空間上下文信息，使用三維卷積神經(jīng)網(wǎng)絡(luò)(3D-CNN)從核磁共振圖像中提取更有代表性的高級(jí)特征，進(jìn)而檢測(cè)出腦部的微出血。

圖像哈希技術(shù)雖然已被廣泛關(guān)注并在醫(yī)學(xué)圖像檢索領(lǐng)域取得了初步成效，但由于醫(yī)學(xué)圖像自身的特點(diǎn)，基于深度學(xué)習(xí)的圖像哈希的應(yīng)用研究也還有很多困難，如何利用更全面的圖像信息，特別是針對(duì)序列CT影像的檢索還有很多問(wèn)題亟待解決。因此，本文提出一種基于醫(yī)學(xué)征象的多標(biāo)簽語(yǔ)義監(jiān)督3D肺結(jié)節(jié)圖像相似性檢索方法。

1 構(gòu)建多標(biāo)簽語(yǔ)義監(jiān)督的3D Resnet網(wǎng)絡(luò)

本文提出的基于醫(yī)學(xué)征象的多標(biāo)簽語(yǔ)義監(jiān)督3D肺結(jié)節(jié)圖像相似性檢索方法主要包括3個(gè)模塊：1) 構(gòu)造肺結(jié)節(jié)CT影像ROI區(qū)域3D數(shù)據(jù)塊并利用3D Resnet網(wǎng)絡(luò)提取3D特征；2) 構(gòu)建哈希函數(shù)，基于加權(quán)交替正則最小化優(yōu)化方法構(gòu)建緊致哈希碼；3) 利用多級(jí)檢索方法進(jìn)行肺結(jié)節(jié)CT圖像檢索?；卺t(yī)學(xué)征象的多標(biāo)簽語(yǔ)義監(jiān)督3D肺結(jié)節(jié)圖像相似性檢索過(guò)程如圖1所示。

圖1 方法總體框架圖Fig.1 Framework of the method

1.1 構(gòu)建3D肺結(jié)節(jié)數(shù)據(jù)塊與特征提取

本文研究的是肺結(jié)節(jié)CT圖像的檢索，首先要對(duì)肺部CT影像進(jìn)行預(yù)處理。根據(jù)DICOM影像中醫(yī)師標(biāo)注的結(jié)節(jié)出現(xiàn)位置到結(jié)束位置，從切片中提取結(jié)節(jié)ROI(region of interest)區(qū)域，利用樣本得到的結(jié)節(jié)區(qū)域，通過(guò)預(yù)處理得到三維體數(shù)據(jù)的體素區(qū)域在4×4×4～60×60×60之間。根據(jù)CT影像數(shù)據(jù)中所使用醫(yī)療設(shè)備不同，導(dǎo)致每個(gè)病例的像素點(diǎn)和層厚不同，根據(jù)DICOM影像中給出的像素點(diǎn)距離和切片厚度，對(duì)得到的樣本數(shù)據(jù)進(jìn)行歸一化，根據(jù)結(jié)節(jié)中心坐標(biāo)點(diǎn)將結(jié)節(jié)區(qū)域進(jìn)行選取，使用雙三次插值將每個(gè)樣本插值為64×64×64的3D數(shù)據(jù)塊。形成序列圖像的過(guò)程如圖2所示。

圖2 構(gòu)建3D肺結(jié)節(jié)數(shù)據(jù)塊Fig.2 Construction of 3D lung nodules data block

本文設(shè)計(jì)了一個(gè)三維殘差網(wǎng)絡(luò)(3D Resnet)，目的是利用殘差學(xué)習(xí)，從三維CT數(shù)據(jù)中提取更有代表性的特征。ResNet優(yōu)點(diǎn)是殘差塊比其他網(wǎng)絡(luò)小得多。這種差異使得其能夠更容易靈活地拼接和組合成不同的網(wǎng)絡(luò)。例如，循環(huán)一致性生成對(duì)抗網(wǎng)絡(luò)(cycle-consistent generative adversarial networks，CycleGAN)樣式生成器就使用這種結(jié)構(gòu)。對(duì)于醫(yī)學(xué)圖像，更有必要在保證模型性能的前提下提高模型的靈敏度，這就是本文使用Resnet的原因。本文3D-Resnet參數(shù)結(jié)構(gòu)如表1所示。

表1 3D-RESnet參數(shù)結(jié)構(gòu)Table 1 3D-RESnet parameter structure

1.2 構(gòu)建肺部病灶的多語(yǔ)義標(biāo)簽

LIDC肺結(jié)節(jié)診斷信息包括4名放射學(xué)專家對(duì)每張CT片中出現(xiàn)的結(jié)節(jié)的標(biāo)注。其中包括結(jié)節(jié)的九種CT醫(yī)學(xué)征象，有毛刺征(Spiculation)、分葉征(Lobulation)、鈣化(Calcification)、精細(xì)度(Subtlety)、內(nèi)部結(jié)構(gòu)(Internal structure)、邊緣(Margin)、球形度(Sphericity)、紋理(Texture)以及結(jié)節(jié)的惡性度(Malignancy).我們根據(jù)醫(yī)學(xué)征象構(gòu)建多標(biāo)簽相似性矩陣。

對(duì)于樣本集中的兩個(gè)樣本xi，xj，它們的語(yǔ)義相似性rij可以表示為它們擁有相同標(biāo)簽的數(shù)量，最相似的兩個(gè)樣本對(duì)于數(shù)據(jù)集中的九種醫(yī)學(xué)征象都具有相同的標(biāo)簽，即rij=9,最不相似的兩個(gè)樣本不具有相同的標(biāo)簽，即rij=0.

本文構(gòu)建標(biāo)簽相似性矩陣方法的具體步驟為：

表2 九種肺結(jié)節(jié)征象Table 2 9 signs of pulmonary nodules

圖3 構(gòu)建標(biāo)簽相似矩陣Fig.3 Construction of label similarity matrix

1.3 哈希碼學(xué)習(xí)

1.3.1相似性測(cè)量

(1)

兩者內(nèi)積小，漢明距離就大。相反，若是內(nèi)積大，漢明距離就小。因此不同哈希碼的內(nèi)積可以用來(lái)衡量不同樣本之間的相似性。

給定標(biāo)簽矩陣后，哈希碼的最大后驗(yàn)評(píng)估(MAP)可以表示為：

p(B|S)∝p(S|B)p(B)=
∏Sijp(Sij|B)p(B) .

(2)

其中p(S|B)代表似然函數(shù)，p(B)是先驗(yàn)概率，對(duì)于每一個(gè)圖片對(duì)，p(Sij|B)是在Sij條件下求得的哈希碼B，可以有如下定義：

(3)

1.3.2損失函數(shù)優(yōu)化

根據(jù)公式(3)相似性度量，可以得到損失函數(shù):

J=-log2p(S|B)=-∑Sij∈Slog2p(Sij|B) .

(4)

根據(jù)公式(2)，p(Sij|B)可以寫(xiě)成

p(Sij|B)=σ(Φij)Sij(1-σ(Φij))1-Sij.

(5)

將其結(jié)合公式(3)，可以得到

J=-log2p(S|B)=
-∑Sij∈S(ΦSij-log2(1+eΦ)-Φ) .

(6)

即使根據(jù)公式(5)用標(biāo)簽矩陣來(lái)學(xué)習(xí)哈希函數(shù)，標(biāo)簽信息也并沒(méi)有被充分利用。最近的一些有關(guān)多標(biāo)簽分類的工作是在多任務(wù)學(xué)習(xí)框架下進(jìn)行的，受此啟發(fā)，在哈希層后又加了一層分類層，用簡(jiǎn)單的線性分類器來(lái)模擬學(xué)習(xí)到的哈希碼與標(biāo)簽信息之間的關(guān)系：

Y=WTB.

(7)

其中，W=[w1,w2,…,wk]是分類權(quán)重，Y=[y1,y2,…,yk]是1.2求出的標(biāo)簽向量，可以求出損失函數(shù)如下：

(8)

其中，L(·)是損失函數(shù)，λ是正則化參數(shù)，‖·‖F(xiàn)是Frobenius參數(shù)，結(jié)合公式(6)和(8)可以得到如下公式：

(9)

其中，μ是權(quán)衡參數(shù)，v=λμ，對(duì)于線性分類我們選擇L2損失，這樣做意義是使哈希碼盡可能地接近Sij，并且對(duì)于線性分類器來(lái)說(shuō)，能夠得到最好的分類效果，公式(9)可以近似為：

(10)

hi=MTΘ(xi,θ)+n.

(11)

其中，θ是全連接層之前的參數(shù)，M∈R4 096×K代表權(quán)重矩陣，n∈RK×1為偏置項(xiàng)。引入輔助變量的好處是可以將方程(10)分解為兩個(gè)子優(yōu)化問(wèn)題，通過(guò)交替極小化方法迭代求解。交替優(yōu)化哈希碼算法如下所示：

輸入bi,W,M,n,Θ

輸出 優(yōu)化好的哈希碼B

Step1 當(dāng)固定bi,W時(shí)，有如下公式

(12)

然后按照公式(13)，通過(guò)反向傳播(BP)更新權(quán)值M,n,Θ

(13)

Step2 當(dāng)固定M,n,Θ,M，可以通過(guò)如下方式更新W.

(14)

Step3 當(dāng)固定M,n,Θ,W,公式(13)變?yōu)?/p>

(15)

Step4 采用位置坐標(biāo)下降法迭代逐行求解B

1.4 肺結(jié)節(jié)圖像檢索

在檢索時(shí)，本文首先將檢索圖像的二值碼與圖像庫(kù)中的二值碼用漢明距離進(jìn)行相似性度量，降序選出最相似的k個(gè)圖片；然后再用提取特征時(shí)全連接層的特征，進(jìn)行歐氏距離的衡量，更細(xì)致地找到k個(gè)圖片中最相似的圖片，由此提高檢索效率，方法如圖4所示。

圖4 肺結(jié)節(jié)圖像檢索框架Fig.4 Image retrieval framework for pulmonary nodules

肺結(jié)節(jié)精準(zhǔn)圖像檢索算法如下：

輸入 查詢圖像的哈希碼Hq={hq1,…,hqk}

輸出 相似肺結(jié)節(jié)圖像

Step1 從哈希碼庫(kù)中通過(guò)漢明距離計(jì)算，篩選出m個(gè)相似圖像

Step2 forj=l:m

計(jì)算查詢圖像與第j幅圖像在全連接層圖像的歐氏距離DE

End for

Step3 將歐氏距離進(jìn)行升序排序，選取前k個(gè)歐式距離較小的圖像作為候選集.

{x1,x2,…,xk}←sort(DE,′descend′) .

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集

本文實(shí)驗(yàn)部分所使用的肺部CT影像一共709例，分別來(lái)自LIDC數(shù)據(jù)集和合作醫(yī)院。同時(shí)，在專業(yè)放射醫(yī)師的指導(dǎo)下，對(duì)所有實(shí)驗(yàn)病例進(jìn)行了相應(yīng)的標(biāo)記。將LIDC數(shù)據(jù)集中獲取的圖像作為訓(xùn)練集，將合作醫(yī)院肺結(jié)節(jié)數(shù)據(jù)作為整個(gè)方法的測(cè)試集以驗(yàn)證本文方法的有效性。

以往的檢測(cè)實(shí)驗(yàn)經(jīng)驗(yàn)表明，多個(gè)類之間樣本大小的不平衡可能導(dǎo)致一個(gè)偏向于包含更多樣本的類的訓(xùn)練偏倚模型。在模型訓(xùn)練中，訓(xùn)練和驗(yàn)證集中樣本的質(zhì)量和數(shù)量對(duì)模型訓(xùn)練有重要影響。一般情況下，樣本集應(yīng)該只包含放射科醫(yī)生標(biāo)注的區(qū)域，否則訓(xùn)練過(guò)的模型可能不穩(wěn)定。同時(shí)，應(yīng)該收集盡可能多的樣品來(lái)訓(xùn)練模型?；谝陨辖?jīng)驗(yàn)，在三維空間中通過(guò)多方向體素平移來(lái)擴(kuò)充標(biāo)注樣本。每一組數(shù)據(jù)旋轉(zhuǎn)90°，180°，270°，然后再將旋轉(zhuǎn)后的數(shù)據(jù)做鏡面反射，進(jìn)行數(shù)據(jù)增強(qiáng)。數(shù)據(jù)擴(kuò)增如表3所示。

表3 數(shù)據(jù)擴(kuò)充Table 3 Data expansion

2.2 實(shí)驗(yàn)環(huán)境

對(duì)于訓(xùn)練，我們使用動(dòng)量0.9的隨機(jī)梯度下降和權(quán)重衰減為5×10-4，批量大小為32的參數(shù)進(jìn)行學(xué)習(xí)。一開(kāi)始學(xué)習(xí)速率被設(shè)定為10-4，20個(gè)epoch后降低到10-5.訓(xùn)練一個(gè)監(jiān)視器驗(yàn)證數(shù)據(jù)集的損失，如果損失增加太多，它會(huì)提前停止。實(shí)驗(yàn)是在一個(gè)8 GB內(nèi)存的NVIDIA GeForce GTX 1080 GPU上進(jìn)行的。

2.3 評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文所提出方法的性能，使用平均準(zhǔn)確率MAP(mean average precision)，查準(zhǔn)率P@K，召回率R@K3個(gè)指標(biāo)，通過(guò)7種常用的哈希算法(包括：LSH、ITQ、KSH、JKSH、CBMIR)對(duì)本文提出的方法進(jìn)行評(píng)價(jià)。對(duì)于優(yōu)化方法，本文對(duì)比了松弛優(yōu)化(Relaxed Optimization)離散循環(huán)坐標(biāo)下降(discrete cyclic coordinate descent，DCC).對(duì)于特征提取方法，對(duì)比了傳統(tǒng)2D CNN特征與3D Resnet特征。

MAP指標(biāo)是檢測(cè)模型檢索能力，相似結(jié)節(jié)在檢索中的排序越靠前，MAP值就越大。P@K反映的是在檢索到的前K個(gè)結(jié)節(jié)中，和查詢結(jié)節(jié)相似的結(jié)節(jié)出現(xiàn)的概率。R@K反映的是相似結(jié)節(jié)在檢索到的前K個(gè)結(jié)節(jié)中，與所有相似結(jié)節(jié)的比值。相關(guān)公式的定義如下：

(16)

(17)

(18)

2.4 實(shí)驗(yàn)結(jié)果與分析

由于哈希碼的長(zhǎng)度對(duì)檢索效果有重要影響，為了比較不同長(zhǎng)度的哈希碼的檢索效果，使用查全率-查準(zhǔn)率(Recall-Precision)來(lái)衡量本文所提出方法的性能。設(shè)定哈希碼長(zhǎng)度為12、24、32、48、64、和72位。結(jié)果如圖5所示，圖5(a)-(f)展示了在不同的哈希碼長(zhǎng)度下不同方法的P-R曲線，可以看出不同的方法檢索性能都隨著哈希碼長(zhǎng)度的增加而提高，當(dāng)r=64 bits時(shí)，性能逐漸趨于穩(wěn)定。這是因?yàn)?D Resnet提取的是肺結(jié)節(jié)空間的信息特征，對(duì)肺結(jié)節(jié)的信息提取越全面，檢索準(zhǔn)確性就越高；雖然隨著返回圖像數(shù)目的增加，整體的模型檢索精度有明顯下降的趨勢(shì)，但是仍然優(yōu)于其他哈希碼位數(shù)下的檢索效果。

圖5 不同哈希碼下不同方法的查全率-查準(zhǔn)率曲線圖Fig.5 Recall-precision curves of different methods under different Hash codes

表4列出了不同的哈希檢索方法在不同特征下隨著編碼長(zhǎng)度的增加，所對(duì)應(yīng)的平均準(zhǔn)確率(MAP)實(shí)驗(yàn)結(jié)果。

表4 不同編碼長(zhǎng)度下兩種特征的MAP值Table 4 MPA values of the two features under different coding lengths

對(duì)比表4中CNNs特征與3D Resnet特征的實(shí)驗(yàn)結(jié)果，可以看出基于3D Resnet特征的MAP值具有明顯優(yōu)勢(shì)。本文使用3D Resnet特征在不同編碼長(zhǎng)度下一直擁有最高的MAP值，與傳統(tǒng)2D CNNs相比，效果分別提升了7.9%，7.2%，12.5%，13%，15.6%，18.5%.進(jìn)一步驗(yàn)證了從肺結(jié)節(jié)單張圖像特征到高層空間語(yǔ)義中逐層提取的3D Resnet特征對(duì)檢索結(jié)果的有效性。

為了評(píng)估本文優(yōu)化方法的有效性，使用P@K比較檢索結(jié)果中前5個(gè)相似結(jié)節(jié)的精確度。

表5所示是本文優(yōu)化方法與其他優(yōu)化方法在不同編碼長(zhǎng)度下，所對(duì)應(yīng)的平均準(zhǔn)確率(MAP)實(shí)驗(yàn)結(jié)果。

表5 不同優(yōu)化方法比較Table 5 Comparison of different optimization methods

根據(jù)3種方法在不同編碼長(zhǎng)度下的Precision和MAP對(duì)比，可以看出，隨著比特?cái)?shù)的升高，差距越來(lái)越大，本文提出的優(yōu)化方法比傳統(tǒng)的優(yōu)化方法對(duì)檢索的精確度有著顯著的提高，離散優(yōu)化對(duì)于哈希本身十分重要。

圖6展示了當(dāng)哈希碼位數(shù)為64時(shí)，本文方法與最新的哈希算法的檢索效果。從中可以看出，使用了3D Resnet網(wǎng)絡(luò)提取肺結(jié)節(jié)特征并利用交替最小化正則優(yōu)化方法，會(huì)達(dá)到更高的平均檢索精度，相比較傳統(tǒng)2D網(wǎng)絡(luò)和優(yōu)化方法，平均提高了5%～8%左右，同時(shí)也證實(shí)了本文提出的基于醫(yī)學(xué)征象的多標(biāo)簽語(yǔ)義監(jiān)督3D肺結(jié)節(jié)圖像相似性檢索方法可以產(chǎn)生更精確的檢索結(jié)果，在檢索前5張肺結(jié)節(jié)圖像時(shí)的準(zhǔn)確度可以達(dá)到94.83%.

圖6 不同方法的檢索精度比較Fig.6 Comparison of retrieval accuracy of different methods

3 結(jié)論及展望

本文提出一種基于醫(yī)學(xué)征象的多標(biāo)簽語(yǔ)義監(jiān)督3D肺結(jié)節(jié)圖像相似性檢索方法，用于實(shí)現(xiàn)相似肺結(jié)節(jié)CT圖像ROI區(qū)域的快速檢索。本文方法的主要貢獻(xiàn)有：1) 利用基于醫(yī)學(xué)征象的多標(biāo)簽語(yǔ)義3D Resnet網(wǎng)絡(luò)提取肺結(jié)節(jié)的重要空間語(yǔ)義特征，能更有效地表示肺結(jié)節(jié)含有的征象信息；2) 通過(guò)構(gòu)造準(zhǔn)確的哈希碼并利用交替最小化正則方法進(jìn)行優(yōu)化；3) 為了進(jìn)一步提高檢索精度，使用多級(jí)檢索方法由粗到精進(jìn)行檢索。本文利用合作醫(yī)院數(shù)據(jù)集和公共數(shù)據(jù)集LIDC進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)證明本文方法在肺結(jié)節(jié)圖像檢索過(guò)程中的有效性和準(zhǔn)確性。未來(lái)的工作將研究基于深度哈希的肺結(jié)節(jié)圖像快速檢索，在提高結(jié)節(jié)圖像的檢索精度的同時(shí)，保證檢索的速度，從而進(jìn)一步為醫(yī)師診斷肺部病灶提供輔助和支撐。