Due to growth of medical image database. the interest of retrieving similar case image is getting high. Yet, the process has been slow because there are not enough open source and it is difficult justify the meaning of "similar". Thus, I made a system that gives variety of choices for doctors to decide what factors they are looking for. There are 3 features: geometric, shape, and semantic. Geometric features discover location, area, and ratio of a given ROI. The noise of images are reduced through normalization using a bounding box of a lung. Shape feature have good ability to find unique shape of the ROI mask. To make the retrieval faster, I made a distance predicting queue, which skips comparison time of adjacent element of the R-table. Semantic feature showed excellency at retrieving same class images but it was not explainable. Therefore, it went through resorting using a geometric or shape feature which is more explainable.
병원에 축적된 이미지가 방대해지면서 이를 이용한 유사 증례 검색 기술이 주목 되고 있다. 하지만 현재 사용할 수 있는 자원은 아직 적고 한정적이기 때문에 발전이 부진하다. 또한 의사마다 생각하는 유사 증례가 다르기 때문에 "유사하다"라는 정의도 모호하다. 그러므로 여러가지 의 유사성을 평가할 수 있는 다수 특징 기반 검색 시스템을 구축하였다. 첫 번째는 위치, 넓이, 가로 세로 정보를 담고 있는 기하학 특징 정보이다. 이를 위해서는 폐의 경계를 상자로 감싸서 변환해 모든 이미지가 통일성 있게 하였다. 두 번째로는 병 변의 특유의 모양을 알 수 있는 형태적 특징 정보이다. 정확한 모양을 빠르게 알아내기 위하여 주변 원소를 그대로 이용하여 비교 시간을 줄이는 알고리즘을 사용하였다. 마지막으로 각각 의 병 변의 이름 정보를 이용하여서 딥러닝으로 학습한 의미론적 특징 정보이다. 의미론적 특징은 같은 병 변을 잘 찾아내나 딥러닝 특징상 어떻게 유사한지 알아내기 어렵다. 그래서 기하학적 혹은 형태적 특징 정보를 참고하여서 순서를 재배치 함으로 의미론적 특징에 결과론적인 해석을 넣었다.