图像检索
Parent: ai_keywords
图像检索
核心定义
图像检索（Image Retrieval）是计算机视觉与信息检索的交叉领域，旨在从大规模图像数据库中自动搜索并返回与用户输入的查询图像在视觉内容或语义上高度相似的图像。根据索引方式分为两类：基于文本的图像检索（TBIR）依赖手工标注的关键词，受主观性限制；基于内容的图像检索（CBIR）直接提取图像的底层视觉特征（颜色、纹理、形状）或高层语义特征，实现客观、自动化的相似性匹配。
关键技术点
-
特征提取
- 传统方法：SIFT、HOG、颜色直方图等手工特征，对光照、旋转不变性强但语义表达弱。
- 深度特征：使用预训练卷积神经网络（如ResNet、ViT）提取全连接层或注意力图的高维特征，鲁棒性及语义表征能力远超手工特征。
-
相似度度量
- 常用距离函数包括欧氏距离、余弦相似度、马氏距离。度量学习（如对比损失、三元组损失）可优化特征空间，使同类图像距离更近，异类更远。
-
索引与加速
- 针对大规模数据库：采用近似最近邻搜索（ANN），如KD树、局部敏感哈希（LSH）、乘积量化（PQ）将高维特征压缩为紧凑码，平衡检索速度与准确率。
-
哈希与二值编码
- 深度学习哈希（如DeepHash）将图像映射为短二进制码，支持极速海量检索，同时保留语义相似性。
-
多模态融合
- 结合图像、文本、标签等异源信息进行跨模态检索，例如医疗影像与诊断报告联合检索。
医学/神经科学应用场景
脑卒中CT影像的快速相似病例检索（契合首都医科大学神经病学研究背景）
临床中，急性脑卒中需在“时间窗”内快速决策治疗方案。传统影像判读依赖医生主观经验，而图像检索系统可：
- 输入患者非增强CT，自动提取病灶区域（如梗死灶、出血灶）的深度特征；
- 在大型多中心脑卒中影像数据库中检索外观最相似的病例，并关联其治疗路径、预后评分（如mRS）；
- 返回的相似病例可作为“数字助手”，辅助神经科医师（如首都医科大学宣武医院团队）评估溶栓/取栓风险、预测早期神经功能恶化。
该技术已初步应用于多模态脑卒中核心梗死区定位（如ASPECTS评分自动计算）及癫痫发作期SPECT图像的快速配准与比对。未来结合脑电图-影像联合检索，可进一步赋能个体化神经调控（如帕金森DBS靶点规划）。
