本發(fā)明涉及圖像識別與機器學習領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)圖像編碼與檢索方法。

背景技術(shù)：

基于內(nèi)容相似性的肺部醫(yī)學圖像檢索在肺癌的計算機輔助診斷過程中扮演著重要的角色，今年來二進制哈希由于其存儲空間小和匹配速度快的優(yōu)勢而引起廣泛關(guān)注。但是傳統(tǒng)的哈希方法往往依據(jù)基于手工設(shè)計的圖像底層特征，然后再學習哈希函數(shù)?；谑止ぴO(shè)計的特征與醫(yī)師描述的肺結(jié)節(jié)高級診斷語義之間存在很大的差別，不能夠很好地描述肺結(jié)節(jié)圖像含有的征象信息。此外，數(shù)據(jù)庫中存在大量與查詢圖像漢明距離相等的圖像，使用傳統(tǒng)的漢明距離無法對返回圖像進行排序。因此，依據(jù)肺結(jié)節(jié)的九種醫(yī)學征象，利用卷積神經(jīng)網(wǎng)絡(luò)提取肺結(jié)節(jié)圖像包含的征象特征，并對其進行哈希編碼，在數(shù)據(jù)庫中快速找到具有相同征象特征的肺部ct圖像，從而為醫(yī)師診斷結(jié)節(jié)的良惡性提供決策支持?？梢?，基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)ct圖像哈希檢索方法具有廣闊的應(yīng)用前景。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提出一種基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)ct圖像哈希檢索方法?；诰矸e神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)圖像特征提取方法來學習肺結(jié)節(jié)圖像含有的高層語義特征。其通過訓練卷積神經(jīng)網(wǎng)絡(luò)分類模型來調(diào)整特征提取框架，并利用主成分分析方法提取肺結(jié)節(jié)的重要語義特征?；卺t(yī)學征象的肺結(jié)節(jié)ct圖像哈希檢索方法依據(jù)專家對肺結(jié)節(jié)征象取值的標注，構(gòu)造訓練集準確的二值碼。同時，結(jié)合肺結(jié)節(jié)的重要語義特征反向求解哈希函數(shù)。使用加權(quán)漢明距離來解決傳統(tǒng)漢明距離度量學習過程中離散取值無法排序的問題。

一種基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)ct圖像哈希檢索方法，該方法包括以下步驟：

步驟1：將專家標注的肺結(jié)節(jié)征象圖像集作為訓練集，依據(jù)九種征象取值構(gòu)造訓練集準確的二值碼；

步驟2：使用訓練好的卷積神經(jīng)網(wǎng)絡(luò)提取表達肺結(jié)節(jié)征象信息的重要語義特征；

步驟3：利用步驟1得到的訓練集準確的哈希碼和所述步驟2提取到的肺結(jié)節(jié)圖像的重要語義特征，進行哈希函數(shù)的學習；

步驟4：利用步驟3學習得到的哈希函數(shù)對肺結(jié)節(jié)圖像進行編碼；

步驟5：計算查詢圖像的哈希碼與訓練集中每一幅圖像哈希碼間的加權(quán)漢明距離，根據(jù)漢明距離對檢索結(jié)果進行排序。

所述的方法，所述步驟1肺結(jié)節(jié)訓練集為lidc數(shù)據(jù)庫，其中包含專家對九種肺結(jié)節(jié)征象的詳細標注信息；利用二進制描述子在存儲空間和匹配速度上的優(yōu)勢，將十進制整型的征象取值轉(zhuǎn)換成緊湊的二值碼。

所述的方法，采用步驟2所述的卷積神經(jīng)網(wǎng)絡(luò)進行多層次的特征提取時，卷積神經(jīng)網(wǎng)絡(luò)包含由多個卷積層和全連接層組成的特征提取層，以及對九種征象進行分類的softmax分類器層；所述步驟2進一步包括以下步驟：

步驟2.1：卷積神經(jīng)網(wǎng)絡(luò)框架的損失函數(shù)為：

其中，{x1,x2,...,xn}為肺結(jié)節(jié)征象訓練集，y⁽ⁱ⁾∈{1,2,...,k},k＝9為肺結(jié)節(jié)征象別，{(x⁽¹⁾,y⁽¹⁾),...,(x⁽ⁿ⁾,y⁽ⁿ⁾)}為全連接層輸出的肺結(jié)節(jié)高維表示，p(y＝j(luò)x)為肺結(jié)節(jié)高維表示與征象類別之間的概率分布；

通過softmax分類器建立肺結(jié)節(jié)高維特征表示與征象類別之間的條件概率分布，因為一張肺結(jié)節(jié)圖像可能包含多種征象，所以對多種征象的可能值進行累加；同時引入權(quán)值衰減項避免參數(shù)過擬合；

步驟2.2：卷積神經(jīng)網(wǎng)絡(luò)特征提取模型為：

通過隨機梯度下降算法和反向傳播算法優(yōu)化損失函數(shù)，選擇最優(yōu)的參數(shù)組合θ來調(diào)整所述卷積神經(jīng)網(wǎng)絡(luò)模型；去掉調(diào)整好網(wǎng)絡(luò)中的softmax分類器層，作為圖像特征提取模型來提取肺結(jié)節(jié)圖像的多層次語義特征；

步驟2.3：所述的肺結(jié)節(jié)圖像的重要語義特征為：

對于卷積神經(jīng)網(wǎng)絡(luò)提取的高維特征，通過主成分分析(pca)壓縮算法，在不損失特征質(zhì)量的前提下從中挑選d個子集，同時保留肺結(jié)節(jié)征象的重要語義特征y＝[x1,x2,...,xm]。

所述的方法，所述步驟3進一步包括以下步驟：

步驟3.1：所述哈希函數(shù)的定義如下：

h(x；w)＝sign(w^tx+b)(2)

其中，sign(·)為符號函數(shù)，x為肺結(jié)節(jié)圖像的重要語義特征，w為系數(shù)向量，t表示轉(zhuǎn)置；b為偏置，對樣本集中所有圖像特征零均值化預處理，所以b的取值為0，哈希函數(shù)可簡化為：

h(x；w)＝sign(w^tx)(3)

步驟3.2：如果哈希碼的長度為k，則需要設(shè)計一組包含k個哈希函數(shù)的函數(shù)族；所述的哈希函數(shù)族的定義如下：

[h1,h2,...,hk]^t＝[sign(wx)]^t(4)

步驟3.3：為了求解系數(shù)向量w＝[w1,w2,...,wk]^t，在目標函數(shù)的優(yōu)化設(shè)計中，同時考慮哈希函數(shù)的約束條件和量化誤差損失，目標函數(shù)可表示為：

subjectto：hi＝{-1,1}^k

其中，hi＝sign(w^txi)∈r^k為哈希碼的預測值，y＝[y1,y2,...,yn]為訓練集準確的哈希碼；條件要求哈希碼均勻分布，要求不同的哈希碼之間相互獨立。

步驟3.4、通過最小化目標函數(shù)(5)求解系數(shù)矩陣w＝[w1,w2,...,wk]^t，保證了不同哈希函數(shù)之間的獨立性，從而學習到最優(yōu)的哈希函數(shù)h(x；w)＝sign(w^tx)。

所述的方法，所述步驟5中，利用哈希碼比特位在漢明距離中的重要程度，自適應(yīng)地為每一位哈希碼分配不同權(quán)值，進一步包括以下步驟：

步驟5.1、根據(jù)公式(6)-(7)計算查詢肺結(jié)節(jié)圖像xq與數(shù)據(jù)集圖像間的漢明距離，選擇漢明距離最小的前個圖像得到肺結(jié)節(jié)候選集i；

i＝{x1,x2,...,xρ}←sort(dh,'descend')(7)

步驟5.2、更新待查詢肺結(jié)節(jié)圖像的每一位哈希碼的權(quán)值其中表示第i位哈希碼的權(quán)值：

①初始化待查詢肺結(jié)節(jié)圖像的權(quán)值向量

②采用迭代法確定每一位哈希碼的權(quán)值，迭代次數(shù)等于肺結(jié)節(jié)候選集i中的圖像數(shù)目ρ；

③比較第j幅圖像的第k位哈希碼和待查詢肺結(jié)節(jié)圖像的第k位哈希碼值，如果兩者相等即hjk＝hqk，則待查詢肺結(jié)節(jié)圖像的權(quán)值為否則，待查詢肺結(jié)節(jié)圖像的權(quán)值更新為

步驟5.3、根據(jù)公式(8)計算待查詢結(jié)節(jié)圖像與肺結(jié)節(jié)圖像候選集i之間的加權(quán)漢明距離：

步驟5.4、選擇加權(quán)漢明距離最小的數(shù)據(jù)項作為最近似的肺結(jié)節(jié)檢索結(jié)果。

本發(fā)明的有益效果：

本發(fā)明方法利用專家標注的肺結(jié)節(jié)征象取值來構(gòu)造訓練集準確的二值碼，能夠準確表示肺結(jié)節(jié)醫(yī)學征象語義等級；基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)高層語義特征縮短了圖像底層特征和高級診斷語義之間的語義鴻溝；利用專家標注的征象取值來學習哈希函數(shù)能夠有效地保留圖像的語義信息，避免了編碼過程中的信息損失。肺結(jié)節(jié)圖像檢索檢索的核心在于提取準確表示圖像的語義特征，以及對檢索返回的圖像進行排序。因此，提取肺結(jié)節(jié)圖像的征象特征，并利用加權(quán)漢明距離來解決傳統(tǒng)漢明距離無法排序的問題，對肺部醫(yī)學圖像檢索具體重要的研究意義。可見，基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)ct圖像哈希檢索方法具有廣闊的應(yīng)用前景。

附圖說明

圖1是本發(fā)明基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)ct圖像哈希檢索方法流程圖。

圖2是本發(fā)明中構(gòu)造哈希函數(shù)的示意圖。

圖3是本發(fā)明與其他哈希方法的檢索效果對比圖；(a)12bits，(b)24bits，(c)32bits，(d)48bits，(e)64bits，(f)72bits。

圖4是本發(fā)明中基于比特位加權(quán)漢明距離的肺結(jié)節(jié)圖像檢索示例，其中第一列是查詢圖像，其他列是相應(yīng)的檢索結(jié)果。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下結(jié)合具體實施例，并參照附圖，對本發(fā)明進一步詳細說明。

考慮到肺結(jié)節(jié)的醫(yī)學征象和高級語義特征是醫(yī)師診斷肺部病灶的重要前提，因此本發(fā)明提出了一種基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)ct圖像哈希檢索方法。該方法的核心是利用卷積神經(jīng)網(wǎng)絡(luò)提取肺結(jié)節(jié)圖像的高層語義特征，同時利用主成分分析壓縮方法去除冗余信息保留重要語義特征，以專家對肺結(jié)節(jié)征象取值的標注為目標來構(gòu)造哈希函數(shù)。在此基礎(chǔ)上，提出一種自適應(yīng)比特位的檢索方法來解決檢索過程中單純使用漢明距離度量圖像的相似性不夠準確的問題。

圖1是本發(fā)明基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)ct圖像哈希檢索方法流程圖，如圖1所示，本發(fā)明提出的基于醫(yī)學征象和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)ct圖像哈希檢索方法包括以下步驟：

步驟1，構(gòu)造訓練集準確的二值碼；

構(gòu)造訓練集準確二值碼的目的是從另一種角度出發(fā)(利用學習到的哈希碼，反向求解哈希函數(shù))，利用肺結(jié)節(jié)的語義征象來構(gòu)造訓練集準確的哈希碼，以此來學習更好的表示肺結(jié)節(jié)相似性的哈希函數(shù)。肺結(jié)節(jié)訓練集為lidc數(shù)據(jù)庫，其中包含專家對九種肺結(jié)節(jié)征象的詳細標注信息，九種ct醫(yī)學征象，有毛刺征(spiculation)、分葉征(lobulation)、鈣化(calcification)、精細度(subtlety)、內(nèi)部結(jié)構(gòu)(internalstructure)、邊緣(margin)、球形度(sphericity)、紋理(texture)以及結(jié)節(jié)的惡性度(malignancy)；利用二進制描述子在存儲空間和匹配速度上的優(yōu)勢，將十進制整型的征象取值轉(zhuǎn)換成緊湊的二值碼。

步驟2，提取肺結(jié)節(jié)圖像的重要語義特征；

肺結(jié)節(jié)圖像的語義特征是圖像的高層語義屬性，是醫(yī)師診斷肺部病灶時的主要參考標準。利用卷積神經(jīng)網(wǎng)絡(luò)(cnns)逐層地提取圖像的多層次特征，以此來學習全面、細節(jié)的圖像特征；同時利用主成分分析(pca)壓縮方法去除冗余信息對主要內(nèi)容的影響，保留圖像的高層語義相似性，是進一步構(gòu)造保相似性哈希函數(shù)的重要基礎(chǔ)。

所述步驟2進一步包括以下步驟：

步驟2.1：本方法中訓練卷積神經(jīng)網(wǎng)絡(luò)框架時的損失函數(shù)可表示為：

其中，{x1,x2,...,xn}為肺結(jié)節(jié)征象訓練集，y⁽ⁱ⁾∈{1,2,...,k},k＝9為肺結(jié)節(jié)征象類別，{(x⁽¹⁾,y⁽¹⁾),...,(x⁽ⁿ⁾,y⁽ⁿ⁾)}為全連接層輸出的肺結(jié)節(jié)高維表示，p(y＝j(luò)x)為肺結(jié)節(jié)高維表示與征象類別之間的概率分布。

通過softmax分類器建立肺結(jié)節(jié)高維特征表示與征象類別之間的條件概率分布，因為一張肺結(jié)節(jié)圖像可能包含多種征象，所以對多種征象的可能值進行累加；同時引入權(quán)值衰減項避免參數(shù)過擬合。

步驟2.2：本方法中提出的卷積神經(jīng)網(wǎng)絡(luò)特征提取模型為：

通過隨機梯度下降算法和反向傳播算法優(yōu)化損失函數(shù)，選擇最優(yōu)的參數(shù)組合θ來調(diào)整所述卷積神經(jīng)網(wǎng)絡(luò)模型；去掉調(diào)整好網(wǎng)絡(luò)中的softmax分類器層，作為圖像特征提取模型來提取肺結(jié)節(jié)圖像的多層次語義特征。

步驟2.3：本方法中所述的肺結(jié)節(jié)圖像的重要語義特征為：

對于卷積神經(jīng)網(wǎng)絡(luò)提取的高維特征，通過主成分分析(pca)壓縮算法，在不損失特征質(zhì)量的前提下從中挑選d個子集，同時保留肺結(jié)節(jié)征象的重要語義特征y＝[x1,x2,...,xm]。

步驟3，學習保相似性哈希函數(shù)；

所述步驟3具體為：對于所述步驟1得到的訓練集準確的哈希碼和所述步驟2提取到的肺結(jié)節(jié)圖像的重要語義特征，進行哈希函數(shù)的學習。相應(yīng)地，提出的哈希函數(shù)h(x；w)的定義如下：

h(x；w)＝sign(w^tx+b)(2)

其中，sign(·)為符號函數(shù)，x為肺結(jié)節(jié)圖像的重要語義特征，w為系數(shù)向量，t表示轉(zhuǎn)置；b為偏置，我們對樣本集中所有圖像特征零均值化預處理，所以b的取值為0，哈希函數(shù)可簡化為：

h(x；w)＝sign(w^tx)(3)

同樣，如果哈希碼的長度為k，則需要設(shè)計一組包含k個哈希函數(shù)的函數(shù)族。所述的哈希函數(shù)族的定義如下：

[h1,h2,...,hk]^t＝[sign(wx)]^t(4)

其中，hk為第k個哈希函數(shù)，w＝[w1,w2,...,wk]^t是一組哈希函數(shù)的系數(shù)；

在學習保相似性哈希函數(shù)的過程中，在目標函數(shù)的設(shè)計中加入衡量哈希函數(shù)的性能的約束條件和實際值與期望值之間的量化誤差?；跐h明距離的目標函數(shù)o表示如下：

subjectto:hi＝{-1,1}^k

其中，hi＝sign(w^txi)∈r^k為哈希碼的映射值，y＝[y1,y2,...,yn]為訓練集準確的哈希碼，條件要求哈希碼均勻分布，要求不同的哈希碼之間相互獨立。

公式(4)是通過最小化目標函數(shù)求解系數(shù)矩陣w＝[w1,w2,...,wk]^t，約束條件保證了不同哈希函數(shù)之間的獨立性，從而能夠?qū)W習到最優(yōu)的哈希函數(shù)。

步驟4，用步驟3學習到的哈希函數(shù)對肺結(jié)節(jié)圖像進行編碼；

如圖2所示，輸入圖像首先被截取其中各個單一征象區(qū)域，并縮放至尺寸固定的48*48，然后經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)逐層抽取多層次、細節(jié)性的信息得到高層語義特征，最后根據(jù)步驟3學習到的哈希函數(shù)得到對應(yīng)的哈希碼h＝[h1,h2,...,hn]。

步驟5，計算待查詢圖像哈希碼與訓練集哈希碼間的加權(quán)漢明距離，根據(jù)漢明距離對檢索結(jié)果進行排序；

所述步驟5進一步包括以下步驟：

步驟5.1：根據(jù)公式(6-7)計算查詢肺結(jié)節(jié)圖像xq與數(shù)據(jù)集圖像間的漢明距離，選擇漢明距離最小的前ρ個圖像得到肺結(jié)節(jié)候選集i；

i＝{x1,x2,...,xρ}←sort(dh,'descend')(7)

步驟5.2：更新待查詢肺結(jié)節(jié)圖像的每一位哈希碼的權(quán)值其中表示第i位哈希碼的權(quán)值；

①初始化待查詢肺結(jié)節(jié)圖像的權(quán)值向量

②采用迭代法確定每一位哈希碼的權(quán)值，迭代次數(shù)等于肺結(jié)節(jié)候選集i中的圖像數(shù)目ρ；

③比較第j幅圖像的第k位哈希碼和待查詢肺結(jié)節(jié)圖像的第k位哈希碼值，如果兩者相等即hjk＝hqk，則待查詢肺結(jié)節(jié)圖像的權(quán)值為否則，將待查詢肺結(jié)節(jié)圖像的權(quán)值更新為

步驟5.3：根據(jù)公式(8)計算待查詢結(jié)節(jié)圖像與肺結(jié)節(jié)圖像候選集i之間的加權(quán)漢明距離：

步驟5.4：對步驟5.3得到的加權(quán)漢明距離進行排序，得到與所述查詢對象相關(guān)的圖像列表。

其中，xq為待查詢結(jié)節(jié)圖像，hq表示查詢圖像對應(yīng)的哈希碼，h＝[h1,h2,...,hn]為對應(yīng)的圖像庫哈希碼，ρ表示閾值，λ為參數(shù)因子。

在該步驟中，首先分別計算待查詢肺結(jié)節(jié)圖像和數(shù)據(jù)集圖像的哈希碼，然后計算基于傳統(tǒng)漢明距離的肺結(jié)節(jié)圖像候選集i；更新待查詢肺結(jié)節(jié)圖像的比特位權(quán)值，之后在候選圖像集i＝{x1,x2,...,xρ}中進行檢索，計算加權(quán)漢明距離，返回與所述查詢圖像相關(guān)的圖像列表。其中，加權(quán)漢明距離越小表示兩個圖像越相似。

為了詳細說明本發(fā)明的具體實施方法，下面以lidc數(shù)據(jù)庫九種征象標簽數(shù)據(jù)集為例對于本發(fā)明方法進行進一步的說明。所述圖像數(shù)據(jù)集包含2669個肺結(jié)節(jié)圖像，共9種專家標注的醫(yī)學征象取值，包括精細度、內(nèi)部結(jié)構(gòu)、鈣化、球形度、邊緣、分葉、毛刺、紋理特征和惡性程度。在使用本發(fā)明方法進行肺結(jié)節(jié)ct圖像檢索時，按照以下步驟進行：

步驟1：將含有多種醫(yī)學征象取值的肺結(jié)節(jié)圖像集作為訓練集，來自合作醫(yī)院的圖像作為測試集，用于訓練和檢索；

步驟2：依據(jù)專家對lidc數(shù)據(jù)庫中肺結(jié)節(jié)征象取值的標注，構(gòu)建訓練集準確的二值碼；

步驟3：使用訓練好的卷積神經(jīng)網(wǎng)絡(luò)(cnn)來學習肺結(jié)節(jié)圖像的多層次、細節(jié)性的語義特征；

步驟4：利用主成分分析方法(pca)提取肺結(jié)節(jié)含有的重要語義特征；

步驟5：以步驟2得到的訓練集準確二值碼為實際的優(yōu)化目標函數(shù)，使用隨機梯度下降算法，通過最小化目標函數(shù)來優(yōu)化哈希函數(shù)；

步驟6：利用步驟5學習到的保相似性哈希函數(shù)對所有圖像進行編碼；

步驟7：通過計算待查詢肺結(jié)節(jié)圖像哈希碼與訓練集中每一幅圖像哈希碼間的漢明距離，來確定相似肺結(jié)節(jié)圖像候選集；

步驟8：更新待查詢肺結(jié)節(jié)圖像哈希碼逐位權(quán)值，計算待查詢肺結(jié)節(jié)圖像與候選集i之間的加權(quán)漢明距離，并根據(jù)加權(quán)漢明距離來排序，得到與所述查詢圖像相似的圖像列表。

哈希性能的比較

(1)為了評估圖像檢索的性能，將利用平均查準率map(meanaverageprecision)，查準率p@k，召回率r@k三個標準對本文提出的算法進行評價。相關(guān)公式的定義如下：

其中，q為查詢圖像集，mj為與第j個查詢圖像相似的圖像總數(shù)，rjk為在第j個查詢圖像檢索出的結(jié)果中第k個查詢相似圖像在檢索結(jié)果中的排名，precision(rjk)為當檢索到第k個相似圖像時，前rjk個結(jié)果的準確率。map衡量在全部相似圖像上的檢索性能，相似圖像在檢索結(jié)果中的排名越靠前，map就越高。

p@k反映的是在查詢圖像檢索出的前k個結(jié)果中，和查詢相似的圖像出現(xiàn)的概率，衡量的是檢索準確率。r@k反映的是在查詢圖像檢索出的前k個結(jié)果中，相似圖像與所有相似圖像的比值，衡量的是檢索召回率。

(2)參數(shù)設(shè)置哈希碼位數(shù)

為了比較不同編碼長度對檢索效果的影響，我們使用了準確率-召回率曲線來衡量本文方法的性能。對于哈希碼長度r，在參考大量文獻的基礎(chǔ)上，選取編碼長度為12、24、32、48、64、72六組值。其他六種哈希方法，包括cnnh、ksh、itq、pcah、sh、lsh。

圖3所示本發(fā)明在檢索結(jié)果的排序質(zhì)量上優(yōu)于其他的哈希方法。分別展示了12位、24位、32位、48位、64位、72位共計6組不同的編碼長度下，p-r曲線的比較結(jié)果，可以看出本文方法在漢明空間中的性能始終優(yōu)于其他的哈希方法。此外，也和基于深度學習模型的cnnh方法進行了比較。隨著哈希碼位數(shù)的增加，圖像檢索的性能也隨之提高，當哈希碼位數(shù)r＝64時，趨于穩(wěn)定。一方面是因為在深度學習模型能夠提取肺結(jié)節(jié)深層次的特征，肺結(jié)節(jié)圖像特征越全面，圖像檢索的準確性越高。另一方面，肺部圖像是灰度圖像，用較短的哈希碼就可以表示，大幅減少了存儲空間，加快了檢索速度。

實驗過程中，在哈希碼位數(shù)為32位、48位、64位時，使用指標p@5和r@5對檢索結(jié)果進行分析。

表7.不同哈希碼長度下查詢結(jié)節(jié)圖像分別使用七種不同算法的檢索結(jié)果

為了可視化檢索返回的前5個結(jié)果的檢索質(zhì)量，表7中展示了不同哈希碼長度下查詢結(jié)節(jié)圖像分別使用七種不同算法的檢索結(jié)果。其中左邊第一個框內(nèi)(p@5)表示的是在不同哈希碼位數(shù)下前5個結(jié)果中的檢索準確率，第二個框內(nèi)(r@5)表示的是對應(yīng)的前5個結(jié)果中的檢索召回率?？梢钥闯霰疚姆椒ê蚦nnh在前5個查詢結(jié)果中都獲得了較高的精度，分別為82.6％和79.3％，與cnnh方法相比，性能最高提高了3.3％。主要是因為本文方法編碼得到的哈希碼對肺結(jié)節(jié)的表達能力更強，檢索效果更好。

圖4給出了一些檢索示例，其中第一列是查詢圖像，其他列是相應(yīng)的檢索結(jié)果。可以看出，檢索結(jié)果中，排序靠前的圖像與待查詢圖像有著更多相同的標簽。

以上所述的具體實施例，對本發(fā)明的目的、技術(shù)方案和有益效果進行了進一步詳細說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限制本發(fā)明，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)上述說明加以改進或變換，而所有這些改進和變換等，均應(yīng)包含在本發(fā)明所附權(quán)利要求的保護范圍之內(nèi)。