李炎

（北方民族大学计算机科学与工程学院，银川 750021)

0 引言

传统的医学图像检索应用中的相关模型存在以下几个问题：（1）该领域只有少数研究需要进行彻底的分析；（2）缺乏大规模药物基准数据集的获取；（3）即使通过访问大型医疗数据集，也可能存在与数据分布有关的不平衡问题[1]。因此，如何设计深度学习模式来解决上述问题是重要的。在本文中，提出了利用深度神经网络弥合机器学习模型与人类操作员之间的语义鸿沟的方法[2]。

在本文中提出了一个不同训练的并行深层网络的通用方法。本方法主要有两个方面：（1）在非常不平衡的医学基准数据集上引入健壮的检索系统，该系统不仅效率高，而且也超越了文献中的最佳准确性和性能。（2）提出一个缩小的搜索空间，使用一个具有三个卷积网络的集合模型，然后进行三个转换来检索相关信息，从而提高医疗应用的检索精度。

1 本地二进制模式

LBP是一个众所周知的视觉描述符，具有较低的计算消耗，并且具有相对不变性[3]。LBP已被广泛应用于医疗领域，通常将整个图像分成区域（称为单元格），并在每个像素周围考虑圆形边界。如果邻域的值大于中心值，则将其替换为1，否则替换为0。LBP特征向量通过计算单元格上的可能状态的对称图（每个值的迭代）来获得。设P是相邻像素的数量，R是半径，则LBP算子定义为：

2 定向梯度直方图

HOG是另一种类型的视觉特征描述符[4]。它可以计算整个图像相对于x和y的梯度，并构建梯度方向直方图。……