Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Khám Phá Metadata Hiệu Quả Để Lọc Tự Động Các Truy Vấn Trong Công Cụ Tìm Kiếm Hình Ảnh Y Khoa
Tóm tắt
Chúng tôi đã tìm cách chứng minh hiệu quả của các kỹ thuật để đánh chỉ mục hình ảnh chẩn đoán hình ảnh bằng cách sử dụng metadata được phát hiện trong các chú thích hình ảnh tự do. Thư viện hình ảnh ARRS GoldMiner™ đã được tích hợp 94,256 hình ảnh từ 11,712 bài báo được xuất bản trong các tạp chí chẩn đoán hình ảnh trực tuyến được bình duyệt. Các thuật toán đã được phát triển để phát hiện metadata - tuổi, giới tính và phương thức chẩn đoán - từ các chú thích hình ảnh tự do. Tuổi được ghi nhận bằng năm và được phân loại là trẻ sơ sinh (dưới 2 năm), trẻ em (2 đến 17 năm), hoặc người lớn (18 tuổi trở lên). Mỗi hình ảnh được phân loại vào một trong tám phương thức chẩn đoán. Một mẫu ngẫu nhiên gồm 1,000 hình ảnh đã được kiểm tra để đo lường độ chính xác của metadata. Tuổi của bệnh nhân được xác định trong 58,994 trường hợp (63%), và giới tính của bệnh nhân được xác định trong 58,427 trường hợp (62%). Một phương thức chẩn đoán được gán cho 80,402 (85%) các hình ảnh. Dựa trên 1,000 trường hợp mẫu, giá trị hồi tưởng của tuổi, giới tính và phương thức chẩn đoán lần lượt là 97.2%, 99.7% và 86.4%. Giá trị precision cho tuổi, giới tính và phương thức chẩn đoán lần lượt là 100%, 100% và 97.2%. Các kỹ thuật tự động có thể phát hiện chính xác metadata tuổi, giới tính và phương thức chẩn đoán từ các chú thích của các hình ảnh được xuất bản trong các tạp chí chẩn đoán hình ảnh. Metadata này có thể được sử dụng để lọc động các truy vấn cho một công cụ tìm kiếm hình ảnh.
Từ khóa
#metadata #chẩn đoán hình ảnh #tuổi #giới tính #phương thức chẩn đoán #tự động hóaTài liệu tham khảo
Kahn CE Jr, Thao C: GoldMiner: a radiology image search engine. AJR Am J Roentgenol 188:1475–1478, 2007
Hersh W: Evaluation of biomedical text-mining systems: lessons learned from information retrieval. Brief Bioinform 6:344–356, 2005
Singhal A: Modern information retrieval: a brief overview. IEEE Data Eng Bull 24:35–43, 2001
Antani S, Long LR, Thoma GR: Content-based image retrieval for large biomedical image archives. Medinfo 11:829–833, 2004
Goede PA, Lauman JR, Cochella C, Katzman GL, Morton DA, Albertine KH: A methodology and implementation for annotating digital images for context-appropriate use in an academic health care environment. J Am Med Inform Assoc 11:29–41, 2004
Cohen AM, Hersh WR: A survey of current work in biomedical text mining. Brief Bioinform 6:57–71, 2005
Saltz J, Oster S, Hastings S, et al: caGrid: design and implementation of the core architecture of the cancer biomedical informatics grid. Bioinformatics 22:1910–1916, 2006
Muller H, Rosset A, Vallee JP, Terrier F, Geissbuhler A: A reference data set for the evaluation of medical image retrieval systems. Comput Med Imaging Graph 28:295–305, 2004
Hersh WR, Muller H, Jensen JR, Yang J, Gorman PN, Ruch P: Advancing biomedical image retrieval: development and analysis of a test collection. J Am Med Inform Assoc 13:488–496, 2006