为减轻医务人员的工作负担并协助诊断过程，我们开发了一个强大的系统，用于检索相似的病例研究。我们提出了一个创新的数据集 BIMCV-R，包含了 8,069 个 3D CT 卷积以及相应的放射学报告，旨在解决当前 3D 医学文本图像检索领域的缺乏可靠评估基准和精心策划的数据集的问题。此外，我们采用了双流网络架构的检索策略 MedFinder，利用大型语言模型的潜能推动医学图像检索领域的发展，这标志着我们朝着开发能够实现文本到图像、图像到文本和关键词检索任务的系统迈出了初步的一步。

Mar, 2024

通过引入一个新的基准系统，本文探讨了使用聚合的 2D 切片、3D 体积和流行的多模态基模型的多模态嵌入作为查询，在医学影像领域中进行三维医学图像检索的多种搜索策略，并提供了定量和定性评估，为未来研究提供了深入讨论和见解。

Nov, 2023

通过基于内容的图像检索（CBIR）系统中使用视觉基础模型作为功能强大且多用途的成品特征提取器，我们在包含 160 种病理学的 4 种模式的 160 万个二维放射学图像的综合数据集上进行基准测试，从而确定弱监督模型在性能上超越专门化模型，达到了 0.594 的 P@1，而且无需精调。研究还探讨了在获取病理学和解剖结构方面的挑战，表明准确获取病理学特征更加困难。尽管存在这些挑战，我们的研究强调了基础模型在放射学的 CBIR 中的巨大潜力，提出了向不需要特定调整的多用途医学图像检索系统的转变。

Mar, 2024

提出了一种利用深度卷积神经网络的 CBMIR 系统，该系统在医疗图像分类任务中取得了平均 99.77％的分类准确度和 0.69 的平均平均精度，是用于检索多模态医学图像的最佳方法。

Mar, 2017

本文评估了 2003 年至 2016 年提出的内容检索图像检索算法，并提出了未来研究的几个方向。

Jun, 2017

本研究提出了一种采用卷积神经网络和 Radon 条形码的医学图像检索方法，结果表明其在医疗图像中检索方面的表现优于其他已发表的方法。

Apr, 2016

本研究中，我们评估了使用四种最先进的预训练模型在模态、身体区域和器官级别进行医学图像检索的可行性，并比较了两种相似性索引方法的结果。结果表明，在没有额外训练或微调步骤的情况下，使用预训练网络进行医学图像检索是可行的，并且在模态、身体区域和器官级别的各种任务中实现了召回率为 1。

Nov, 2023

提出了一种基于内容的图像检索方法，通过构建视觉层次结构来捕捉视觉和语义的相似性，将其融合到相似度搜索的距离计算度量中，实验证明该方法在图像检索方面具有优越性能。

Aug, 2023

本篇论文介绍了新型的图像检索方法：内容检索和基于标记的检索，它们都存在一些限制。作者提出了一种方法，可以对深度学习产生的标记进行语义细化和扩展，解决了标记的嘈杂问题和限制，使用整数线性规划来解决该问题。实验表明，该方法可以改善现有的可视化标记工具的质量。

Sep, 2019

该论文提出了一种利用联邦学习解决获取多样化医学数据集的挑战的联邦基于内容的医学图像检索平台（FedCBMIR），可加速乳腺癌诊断，并在 BreaKHis 和 Camelyon17（CAM17）进行了两个实验的评估，证明其快速准确，可在全球范围内帮助乳腺癌诊断。

May, 2023