基于抗混淆因子的哈希图像检索方法技术

本公开涉及基于抗混淆因子的哈希图像检索方法，上述方法包括：获取查询图像，查询图像中包括原因因子和混淆因子。将查询图像输入训练后的哈希网络，获得表达查询图像中原因因子的哈希码。计算查询图像的哈希码与多个历史图像哈希码之间的相似度，并将相似度最高的哈希码所对应的历史图像作为图像检索结果。本公开提供的基于抗混淆因子的哈希图像检索方法通过训练哈希网络，使其在生成哈希码的过程中忽略混淆因子，着重表达图像中的原因因子，从而生成准确的哈希码。然后通过计算哈希码之间相似度，检索出准确的图像检索结果。检索出准确的图像检索结果。检索出准确的图像检索结果。

【技术实现步骤摘要】
基于抗混淆因子的哈希图像检索方法


[0001]本公开涉及图像处理
，尤其涉及基于抗混淆因子的哈希图像检索方法。

技术介绍

[0002]由于放射成像技术在医疗诊断场景中可提供高质量、非侵入性的扫描，因此被广泛应用于筛查、诊断、治疗反应评估和监测疾病复发等领域。放射图像检索技术能够通过一张查询图像检索出大量带注释的相似图像，这些被检索出的图像包含历史病人的特征、治疗信息等，从而帮助治疗师做出准确的诊断和治疗决策。
[0003]在基于内容的医学图像检索(Content
‑
Based Medical Image Retrieval，CBMIR)技术中，现有的方法是通过哈希函数将每个样本转换为哈希码(Hash Code)，然后通过计算样本与历史数据之间的汉明距离(Hamming Distance)进行有效的相似性搜索。然而，这些方法将图像中的原因因子与混淆因子耦合起来训练模型，导致模型学到混淆因子与标签之间的伪相关性，进而生成错误的哈希码。由于生成的哈希码不准确，导致匹配到的历史数据的准确性较低，无法为医生提供准确的诊断结果。

技术实现思路

[0004]根据本公开的第一方面，提供了一种基于抗混淆因子的哈希图像检索方法，包括：
[0005]获取查询图像，所述查询图像包括原因因子和混淆因子；
[0006]将所述查询图像输入训练后的哈希网络，获得表达所述查询图像中原因因子的哈希码；
[0007]计算所述查询图像的哈希码与多个历史图像哈希码之间的相似度；
[0008]将相似度最高的哈希码所对应的历史图像作为图像检索结果。
[0009]根据本公开的第二方面，提供了一种基于抗混淆因子的哈希图像检索装置，包括：
[0010]数据获取模块，用于获取查询图像，所述查询图像包括原因因子和混淆因子；
[0011]数据处理模块，用于将所述查询图像输入训练后的哈希网络，获得表达所述查询图像中原因因子的哈希码；
[0012]所述数据处理模块，还用于计算所述查询图像的哈希码与多个历史图像哈希码之间的相似度；
[0013]所述数据处理模块，还用于将相似度最高的哈希码所对应的历史图像作为图像检索结果。
[0014]根据本公开的第三方面，提供了一种电子设备，包括：
[0015]处理器；以及，
[0016]存储程序的存储器；
[0017]其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据本公开示例性实施例所述的方法。
[0018]根据本公开的第四方面，提供了一种非瞬时计算机可读存储介质，所述非瞬时计
算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行根据本公开示例性实施例所述的方法。
[0019]本公开实施例中提供的一个或多个技术方案，首先，获取查询图像，查询图像中包括原因因子和混淆因子。将查询图像输入训练后的哈希网络，获得表达查询图像中原因因子的哈希码。计算查询图像的哈希码与多个历史图像哈希码之间的相似度，并将相似度最高的哈希码所对应的历史图像作为图像检索结果。本公开提供的基于抗混淆因子的哈希图像检索方法通过训练哈希网络，使其在生成哈希码的过程中忽略混淆因子，着重表达图像中的原因因子，从而生成准确的哈希码。然后，通过计算查询图像的哈希码与历史图像哈希码之间的相似度，检索出准确的图像检索结果。
附图说明
[0020]在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：
[0021]图1示出了本公开示例性实施例的一种基于抗混淆因子的哈希图像检索方法的流程图；
[0022]图2示出了基线协议的流程示意图；
[0023]图3示出了反事实推理模块流程示意图；
[0024]图4示出了本公开示例性实施例的基于抗混淆因子的哈希图像检索方法的流程图；
[0025]图5示出了根据本公开示例性实施例的基于抗混淆因子的哈希图像检索装置的功能模块示意性框图；
[0026]图6示出了根据本公开示例性实施例的芯片的示意性框图；
[0027]图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
[0028]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0029]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0030]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”“术语”“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0031]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域
技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0032]在介绍本公开实施例之前首先对本公开实施例中涉及到的相关名词作如下释义：
[0033]基于内容的医学图像检索(Content
‑
Based Medical Image Retrieval，CBMIR)是一种利用医学图像本身的特征信息进行图像检索的技术。这种技术旨在从大量的医学图像数据库中检索出与给定查询图像相似的图像，而无需依赖手动标注或关键词描述。
[0034]混淆因子(Confounding Factors)是指在研究中可能同时影响自变量与因变量，导致两者之间的关系被混淆或误解的因素。这些因素可能与研究的目标无关，但却与自变量和/或因变量相关，从而在分析结果时引入了偏差或干扰。在医学图像检索技术中，混淆因子可能指的是与图像内容无关的因素，例如图像质量、拍摄条件、设备类型等。这些因素可能会影响图像的外观或特征，导致在图像检索时引入不必要的干扰，降低了检索结果的准确性。
[0035]反事实推理(Counterfactual Reasoning)是一种推理方法，用于思考和分析在已知观察结果的情况下，如果过去或当前的情况有所不同，可能会导致什么不同的结果。它基于对已观察到的现实情况进行对比和想象，从而推断出可能的替代情况和相应的结果。
[0036]类内紧凑性(intra
‑
c本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于抗混淆因子的哈希图像检索方法，其特征在于，所述方法包括：获取查询图像，所述查询图像包括原因因子和混淆因子；将所述查询图像输入训练后的哈希网络，获得表达所述查询图像中原因因子的哈希码；计算所述查询图像的哈希码与多个历史图像哈希码之间的相似度；将相似度最高的哈希码所对应的历史图像作为图像检索结果。2.根据权利要求1所述的方法，其特征在于，所述哈希网络的训练过程包括：获取待处理图像集；所述待处理图像集包括多个待处理图像，所述待处理图像包括原因因子和混淆因子；提取所述待处理图像集的特征矩阵，并基于所述特征矩阵获得所述待处理图像集的哈希码以及特征激活图；基于所述特征激活图定位目标病灶区域；生成反事实图像集，并获取所述反事实图像集的哈希码，所述反事实图像集包括多个反事实图像，所述反事实图像包括混淆因子；基于所述待处理图像集的哈希码和所述反事实图像集的哈希码训练预设模型，并将训练后的预设模型作为哈希网络。3.根据权利要求2所述的方法，其特征在于，所述基于所述特征激活图定位目标病灶区域，包括：将所述特征激活图中激活总值最大的区域确定为候选区域；所述候选区域包括至少一个疾病类别；在所述候选区域中选取多个关键点，并根据每个关键点生成对应的候选子区域；获取所有候选子区域的哈希码，以及每个所述候选子区域的类中心汉明距离；所述类中心的汉明距离是所述候选子区域的哈希码与所述疾病类别的类中心哈希码之间的汉明距离；把类中心汉明距离最小值所对应的候选子区域确定为目标病灶区域。4.根据权利要求2所述的方法，其特征在于，所述生成反事实图像集，并获取所述反事实图像集的哈希码，包括：生成反事实掩码；使用所述反事实掩码覆盖所述目标病灶区域，获得所述反事实图像集；将所述反事实图像集输入所述预设模型中，获得所述反事实图像集的哈希码。5.根据权利要求2所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：黄志安，张亚杰，
申请(专利权)人：香港城市大学东莞筹，
类型：发明
国别省市：