İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi

Şaban ÖZTÜRK (AMASYA ÜNİVERSİTESİ, TEKNOLOJİ FAKÜLTESİ)
13 10

Proje Grubu: EEEAG Sayfa Sayısı: 74 Proje No: 120E018 Proje Bitiş Tarihi: 01.06.2021 Metin Dili: Türkçe İndeks Tarihi: 06-01-2022

İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi

Öz:
İçerik tabanlı medikal görüntü erişim sistemleri günümüz dünyasında çözüm bekleyen gerçek bir problemdir ve geliştirilmeye oldukça açık bir konudur. Günümüz teknolojisi oldukça ilerlemesine rağmen gerçek zamanlı uygulamalarda yeterince hızlı sonuçlar üretebilen bir erişim yöntem önerilememiştir. Bu projede, sorgu görüntüsünün özelliklerine en yakın görüntünün oldukça yüksek benzerlik başarısıyla ve gerçek zamanlı sistemlerin hız beklentisini kolaylıkla sağlayabilecek bir içerik tabanlı medikal görüntü işleme tekniği önerilmektedir. Önerilen bu teknik sadece medikal görüntü veri setleri için değil, aynı zamanda diğer veri setleri içinde başarılı biçimde kullanılabilmektedir. Önerilen sistem iki parçadan oluşmaktadır. Bunlar; özelliklerin çıkarılması ve hash kodunun oluşturularak sistemden görüntü çekilmesidir. Özelliklerin çıkarılması aşaması benzer görüntülerin tespit edilebilmesi için oldukça önemli olmasına rağmen ağır işlem yükü içeren özellik çıkarıcı algoritmalar cevap süresi üzerinde olumsuz etkilere sahiptir. Bu sebeple literatürdeki çalışmalar araştırılarak en hızlı ve en başarılı otomatik özellik çıkarıcı olan konvolüsyonel sinir ağları önerilen sistemin ilk kısmını oluşturmaktadır. Konvolüsyonel sinir ağları çıkışını literatürdeki gibi direk sorgulama kodu olarak kullanmak cevap süresi bakımından etkili bir yol değildir. Bu sebeple sistemimizin ikinci bölümünü hash kodu üretimi oluşturmaktadır. Yöntem bölümünde detaylı olarak anlatılmasına rağmen bu bölümde konu bütünlüğü amacıyla hash koddan bahsedilecektir. Veri kümesinde depolanan her görüntü sorgu görüntüsüyle aynı özellik çıkarma algoritmasından ve hash kod üretim algoritmasından geçirilerek bir koda sahip olmaktadır. Hash kod adı verilen bu kod bir takım rakamlardan oluşmaktadır. Bu rakamlar sorgulama sırasında daha hızlı bir erişim olmasını sağlamaktadır. Hash kod düşüncesi oldukça eskiye dayanmasına rağmen bu kodun uzunluğu ve veri kümesinde farklı grupları ayırma yeteneği kullanılan yönteme göre değişmektedir. Araştırmacıların amacı eşsiz bir temsil yeteneği ile her grubu birbirinden en uzak noktaya atamak ve daha kısa bir kod kullanarak en kısa sürede veriyi kullanıcıya sunabilmektir. Fakat hala literatürde üç adet görüntünün birbirine olan uzaklığının hesabına dayalı hash kodu üretme yöntemi kullanılmaktadır. Üretilen diğer hash kod üretme yöntemlerinin temelinde yine bu yaklaşım yatmaktadır. Bu sebeple yeni olmasına rağmen sunulan yöntemlerin sorgulama cevap süresi yeterince hızlı değildir. Bu çalışmada, klasik hash kod üretme yaklaşımına alternatif olarak görsel dikkat tabanlı (visual attention based) hash kod üretme yöntemi sunulmaktadır. Dikkat tabanlı yaklaşım, değişken uzunluktaki bir girişi derin bir ağda genelliğini kaybetmeden ve belirginlik ölçütünü baskın biçimde kullanarak çok girişli gösterimlerin önemini vurgulayan bir mekanizma olarak düşünülebilir. Bu sayede daha az parametre ile daha kuvvetli bir küme tanımlayıcısı olarak çalışabilir. Bu yaklaşımı erişim sistemlerine uyarlarsak, temel ihtiyaç olan hız problemi ve başarı ölçütü sorunlarının tamamıyla üstesinden gelinmiş olur.
Anahtar Kelime: konvolüsyonel sinir ağları medikal görüntüleme içerik tabanlı görüntü erişimi derin öğrenme

Konular: Mühendislik, Elektrik ve Elektronik
Erişim Türü: Erişime Açık
  • Abdel-Nabi, H., Al-Naymat, G., Awajan, A. 2019. “Content Based Image Retrieval Approach using Deep Learning”, In 2019 2nd International Conference on new Trends in Computing Sciences, 1-8.
  • 1- Two-Stage Sequential Losses based Automatic Hash Code Generation using Siamese Network (Makale - Diğer Hakemli Makale),
  • Afifi, A. J., Ashour, W. M. 2012. “Content-Based Image Retrieval Using Invariant Color and Texture Features”, 2012 International Conference on Digital Image Computing Techniques and Applications, 1-6.
  • 2- Class-driven content-based medical image retrieval using hash codes of deep features (Makale - Diğer Hakemli Makale),
  • Ahn, E., Kumar, A., Fulham, M., Feng, D., Kim, J. 2019. “Convolutional sparse kernel network for unsupervised medical image analysis”, Medical Image Analysis, 56, 140- 151.
  • 3- Hash Code Generation using Deep Feature Selection Guided Siamese Network for Content-Based Medical Image Retrieval (Makale - Diğer Hakemli Makale),
  • Ahn, E., Kumar, A., Kim, J., Li, C., Feng, D., Fulham, M. 2016. “X-ray image classification using domain transferred convolutional neural networks and local sparse spatial pyramid”, 2016 IEEE 13th International Symposium on Biomedical Imaging, 855-858.
  • 4- Stacked auto-encoder based tagging with deep features for content-based medical image retrieval (Makale - İndeksli Makale),
  • Al-Mohamade, A., Bchir, O., Ben Ismail, M. M., 2020. “Multiple Query Content-Based Image Retrieval Using Relevance Feature Weight Learning”, Journal of Imaging, 6 (1).
  • 5- Convolutional neural network based dictionary learning to create hash codes for contentbased image retrieval (Bildiri - Uluslararası Bildiri - Sözlü Sunum),
  • Babaie, M., Tizhoosh, H. R., Khatami, A., Shiri, M. E. 2017. “Local radon descriptors for image search”, 2017 Seventh International Conference on Image Processing Theory, Tools and Applications, 1-5.
  • 6- Image Inpainting based Compact Hash Code Learning using Modified U-Net (Bildiri - Uluslararası Bildiri - Sözlü Sunum),
  • Bartels, P. H., Bibbo, M., Wied, G. L., Bahr, G. F. 2016. “Objective Cell Image Analysis”, Journal of Histochemistry & Cytochemistry, 20 (4), 239-254.
  • 7- Comparison of Pairwise Similarity Distance Methods for Effective Hashing (Bildiri - Uluslararası Bildiri - Sözlü Sunum),
  • Bueno, J. M., Chino, F., Traina, A. J. M., Traina, C., Azevedo-Marques, P. M. 2002. “How to add content-based image retrieval capability in a PACS”, Proceedings of 15th IEEE Symposium on Computer-Based Medical Systems, 321-326.
  • Cai, Y., Li, Y., Qiu, C., Ma, J., Gao, X. 2019.” Medical Image Retrieval Based on Convolutional Neural Network and Supervised Hashing”, IEEE Access, 7, 51877- 51885.
  • Camlica, Z., Tizhoosh, H. R., Khalvati, F. 2015a. “Medical Image Classification via SVM Using LBP Features from Saliency-Based Folded Data”, 2015 IEEE 14th International Conference on Machine Learning and Applications, 128-132.
  • Camlica, Z., Tizhoosh, H. R., Khalvati, F. 2015b. “Autoencoding the retrieval relevance of medical images”, 2015 International Conference on Image Processing Theory, Tools and Applications, 550-555.
  • Cao, Y., Long, M., Wang, J., Liu, S. 2017. “Deep Visual-Semantic Quantization for Efficient Image Retrieval”, 2017 IEEE Conference on Computer Vision and Pattern Recognition, 916-925.
  • Chen, T., Kornblith, S., Norouzi, M., Hinton, G. J. 2020. “A Simple Framework for Contrastive Learning of Visual Representations”, arXiv:2002.05709. Erişim Adresi, https://ui.adsabs.harvard.edu/abs/2020arXiv200205709C.
  • Chen, T., Tu, S., Wang, H., Liu, X., Li, F., Jin, W., Liang, X., Zhang, X., Wang, J. 2020. “Computer-aided diagnosis of gallbladder polyps based on high resolution ultrasonography”, Computer Methods and Programs in Biomedicine, 185.
  • Pathak, D., Krahenbuhl, P., Donahue, J., Darrell, T., Efros, A. A. 2016. “Context encoders: Feature learning by inpainting”, In Proceedings of the IEEE conference on computer vision and pattern recognition, 2536-2544.
  • Tao, D., Li, X., Maybank, S. J. 2007. “Negative samples analysis in relevance feedback”, IEEE Transactions on Knowledge and Data Engineering, 19(4), 568-580.
  • Das, P., Neelima, A. 2020. “Content-Based Medical Visual Information Retrieval”, In: Hybrid Machine Intelligence for Medical Image Analysis, Eds, p. 1-19.
  • Gang, Z., Zong-Min, M. 2007. “Texture feature extraction and description using gabor wavelet in content-based medical image retrieval”, 2007 International Conference on Wavelet Analysis and Pattern Recognition, 169-173.
  • Gong, Y., Lazebnik, S., Gordo, A., Perronnin, F. 2013. “Iterative Quantization: A Procrustean Approach to Learning Binary Codes for Large-Scale Image Retrieval”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 35 (12), 2916-2929.
  • He, K., Zhang, X., Ren, S., Sun, J. 2016. “Deep Residual Learning for Image Recognition”, 2016 IEEE Conference on Computer Vision and Pattern Recognition, 770-778.
  • Hu, D., Zheng, Y., Zhang, H., Sun, S., Xie, F., Shi, J., Jiang, Z. 2020. “Informative Retrieval Framework for Histopathology Whole Slides Images Based on Deep Hashing Network”, 2020 IEEE 17th International Symposium on Biomedical Imaging, 244-248.
  • Huang, H. K., Lehmann, T. M., Ratib, O. M., Schubert, H., Keysers, D., Kohnen, M., Wein, B. B. 2003. “The IRMA code for unique classification of medical images”, Medical Imaging 2003: PACS and Integrated Medical Information Systems: Design and Evaluation.
  • Iakovidis, D. K., Pelekis, N., Kotsifakos, E. E., Kopanakis, I., Karanikas, H., Theodoridis, Y. 2009. “A Pattern Similarity Scheme for Medical Image Retrieval”, IEEE Transactions on Information Technology in Biomedicine, 13 (4), 442-450.
  • Indyk, P., Motwani, R. 1998. “Approximate nearest neighbors”, Proceedings of the thirtieth annual ACM symposium on Theory of computing, 604-613.
  • Jinhui, T., Zechao, L., Meng, W., Ruizhen, Z. 2015. “Neighborhood Discriminant Hashing for Large-Scale Image Retrieval”, IEEE Transactions on Image Processing, 24 (9), 2827- 2840.
  • Khatami, A., Babaie, M., Khosravi, A., Tizhoosh, H. R., Nahavandi, S. 2018a. “Parallel deep solutions for image retrieval from imbalanced medical imaging archives”, Applied Soft Computing, 63, 197-205.
  • Khatami, A., Babaie, M., Khosravi, A., Tizhoosh, H. R., Salaken, S. M., Nahavandi, S. 2017. “A deep-structural medical image classification for a Radon-based image retrieval”, 2017 IEEE 30th Canadian Conference on Electrical and Computer Engineering, 1-4.
  • Khatami, A., Babaie, M., Tizhoosh, H. R., Khosravi, A., Nguyen, T., Nahavandi, S. 2018b. “A sequential search-space shrinking using CNN transfer learning and a Radon projection pool for medical image retrieval”, Expert Systems with Applications, 100, 224-233.
  • Khatami, A., Nazari, A., Khosravi, A., Lim, C. P., Nahavandi, S. 2020. “A weight perturbationbased regularisation technique for convolutional neural networks and the application in medical imaging”, Expert Systems with Applications, 149.
  • Krizhevsky, A., Sutskever, I., Hinton, G. E. 2017. “ImageNet classification with deep convolutional neural networks”, Communications of the ACM, 60 (6), 84-90.
  • Krupinski, E. A. 2010. “Current perspectives in medical image perception”, Attention, Perception & Psychophysics, 72 (5), 1205-1217.
  • Kulis, B., Darrell, T. 2009. “Learning to hash with binary reconstructive embeddings”, Proceedings of the 22nd International Conference on Neural Information Processing Systems. Vancouver, British Columbia, Canada, Curran Associates Inc, 1042–1050.
  • Kulis, B., Grauman, K. 2009. “Kernelized locality-sensitive hashing for scalable image search”, 2009 IEEE 12th International Conference on Computer Vision: 2130-2137.
  • Kundu, M. K., Chowdhury, M., Das, S. 2017. “Interactive radiographic image retrieval system”, Computer Methods and Programs in Biomedicine, 139, 209-220.
  • Kwak, D.-M., Kim, B.-S., Yoon, O.-K., Park, C.-H., Won, J.-U., Park, K.-H. 2002. “ContentBased Ultrasound Image Retrieval Using a Coarse to Fine Approach”, Annals of the New York Academy of Sciences, 980 (1), 212-224.
  • Lee, Y.-H., Kim, Y. 2014. “Efficient image retrieval using advanced SURF and DCD on mobile platform”, Multimedia Tools and Applications, 74 (7), 2289-2299.
  • Lehmann, T. M., Güld, M. O., Deselaers, T., Keysers, D., Schubert, H., Spitzer, K., Ney, H., Wein, B. B. 2005. “Automatic categorization of medical images for content-based retrieval and data mining”, Computerized Medical Imaging and Graphics, 29 (2-3), 143- 155.
  • Lehmann, T. M., Guld, M. O., Thies, C., Fischer, B., Spitzer, K., Keysers, D., Ney, H., Kohnen, M., Schubert, H., Wein, B. B. 2004. “Content-based image retrieval in medical applications”, Methods Inf Med, 43 (4), 354-361.
  • Li, J., Ng, W. W. Y., Tian, X., Kwong, S., Wang, H. 2019. “Weighted multi-deep ranking supervised hashing for efficient image retrieval”, International Journal of Machine Learning and Cybernetics, 11 (4), 883-897.
  • Liu, W., Wang, J., Kumar, S., Chang, S.-F. 2011. “Hashing with graphs”, Proceedings of the 28th International Conference on International Conference on Machine Learning, 1–8.
  • Liu, X., Tizhoosh, H. R., Kofman, J. 2016. “Generating binary tags for fast medical image retrieval based on convolutional nets and Radon Transform”, 2016 International Joint Conference on Neural Networks, 2872-2878.
  • Meina, K., Dong, X., Shiguang, S., Xilin, C. 2014. “Semisupervised Hashing via Kernel Hyperplane Learning for Scalable Image Search”, IEEE Transactions on Circuits and Systems for Video Technology, 24 (4), 704-713.
  • Mohd Zin, N. A., Yusof, R., Lashari, S. A., Mustapha, A., Senan, N., Ibrahim, R. 2018. “Content-Based Image Retrieval in Medical Domain: A Review”, Journal of Physics: Conference Series, 1019.
  • Nouredanesh, M., Tizhoosh, H. R., Banijamali, E. 2016. “Gabor barcodes for medical image retrieval”, 2016 IEEE International Conference on Image Processing, 2490-2493.
  • Owais, M., Arsalan, M., Choi, J., Park, K. R. 2019. “Effective Diagnosis and Treatment through Content-Based Medical Image Retrieval (CBMIR) by Using Artificial Intelligence”, Journal of Clinical Medicine, 8 (4).
  • Öztürk, Ş. 2020c. “Image Inpainting based Compact Hash Code Learning using Modified UNet”, In 2020 4th International Symposium on Multidisciplinary Studies and Innovative Technologies, 1-5.
  • Öztürk, Ş. 2021a. “Comparison of Pairwise Similarity Distance Methods for Effective Hashing”, In IOP Conference Series: Materials Science and Engineering, 1099,1, 012072.
  • Öztürk, Ş. 2021b. “Hash Code Generation using Deep Feature Selection Guided Siamese Network for Content-Based Medical Image Retrieval”, Gazi University Journal of Science, 1-1.
  • Öztürk, Ş., Akdemir, B. 2018. “Application of Feature Extraction and Classification Methods for Histopathological Image using GLCM, LBP, LBGLCM, GLRLM and SFTA”, Procedia Computer Science, 132, 40-46.
  • Öztürk, Ş. 2020a. “Siamese Network kullanarak İki Aşamalı Sıralı Kayıplara dayalı Otomatik Hash Kodu Üretimi”, European Journal of Science and Technology.
  • Öztürk, Ş. 2020b. “Stacked auto-encoder based tagging with deep features for contentbased medical image retrieval”, Expert Systems with Applications, 161.
  • Pan, H., Han, H., Shan, S., Chen, X. 2018. “Revised Contrastive Loss for Robust Age Estimation from Face”, 2018 24th International Conference on Pattern Recognition, 3586-3591.
  • Pandey, A., Singh, A., Singh, S., Kumar, A. 2019. “Patient-doctor ratio across nine super speciality clinics in government hospital: a cross sectional study”, International Journal Of Community Medicine And Public Health, 6 (10).
  • Papanicolas, I., Woskie, L. R., Jha, A. K. 2018. “Health Care Spending in the United States and Other High-Income Countries”, JAMA, 319 (10).
  • Qiang, H., Wan, Y., Liu, Z., Xiang, L., Meng, X. 2020. “Discriminative deep asymmetric supervised hashing for cross-modal retrieval”, Knowledge-Based Systems, 204.
  • Qin, C., Sun, M., Chang, C.-C. 2018. “Perceptual hashing for color images based on hybrid extraction of structural features”, Signal Processing, 142, 194-205.
  • Quellec, G., Lamard, M., Cazuguel, G., Cochener, B., Roux, C. 2010. “Wavelet optimization for content-based image retrieval in medical databases”, Medical Image Analysis, 14 (2), 227-241.
  • Raginsky, M., Lazebnik, S. 2009. “Locality-sensitive binary codes from shift-invariant kernels”, Proceedings of the 22nd International Conference on Neural Information Processing Systems, 1509–1517.
  • Rajaei, A., Dallalzadeh, E., Rangarajan, L. 2013. “Symbolic representation and classification of medical X-ray images”, Signal, Image and Video Processing, 9 (3), 715-725.
  • Rana, A., Yadav, A., Singh, A. 2013. “K-means with Three different Distance Metrics”, International Journal of Computer Applications, 67 (10), 13-17.
  • Rupali, D., Bhakti, S. 2017. “Gist, HOG, and DWT-Based Content-Based Image Retrieval for Facial Images”, In: Proceedings of the International Conference on Data Engineering and Communication Technology, 297-307.
  • Saritha, R. R., Paul, V., Kumar, P. G. 2018. “Content based image retrieval using deep learning process”, Cluster Computing, 22 (S2), 4187-4200.
  • Sengupta, S., Basak, S., Saikia, P., Paul, S., Tsalavoutis, V., Atiah, F., Ravi, V., Peters, A. 2020. “A review of deep learning with special emphasis on architectures, applications and recent trends”, Knowledge-Based Systems.
  • Sezavar, A., Farsi, H., Mohamadzadeh, S. 2019. “Content-based image retrieval by combining convolutional neural networks and sparse representation”, Multimedia Tools and Applications, 78 (15), 20895-20912.
  • Shamna, P., Govindan, V. K., Abdul Nazeer, K. A. 2018. “Content-based medical image retrieval by spatial matching of visual words”, Journal of King Saud University - Computer and Information Sciences.
  • Shi, X., Sapkota, M., Xing, F., Liu, F., Cui, L., Yang, L. 2018. “Pairwise based deep ranking hashing for histopathology image classification and retrieval”, Pattern Recognition, 81, 14-22.
  • Simonyan, K., Zisserman, A. 2014. “Very Deep Convolutional Networks for Large-Scale Image Recognition”, arXiv e-prints. Erişim Adresi, https://ui.adsabs.harvard.edu/abs/2014arXiv1409.1556S.
  • Siradjuddin, I. A., Wardana, W. A., Sophan, M. K. 2019. “Feature Extraction using SelfSupervised Convolutional Autoencoder for Content based Image Retrieval”, 2019 3rd International Conference on Informatics and Computational Sciences, 1-5.
  • Sobrinho, A., Queiroz, A. C. M. D. S., Dias Da Silva, L., De Barros Costa, E., Eliete Pinheiro, M., Perkusich, A. 2020. “Computer-Aided Diagnosis of Chronic Kidney Disease in Developing Countries: A Comparative Analysis of Machine Learning Techniques”, IEEE Access, 8, 25407-25419.
  • Spitzer, H., Kiwitz, K., Amunts, K., Harmeling, S., Dickscheid, T. 2018. “Improving Cytoarchitectonic Segmentation of Human Brain Areas with Self-supervised Siamese Networks, In: Medical Image Computing and Computer Assisted Intervention – MICCAI, 663-671. 63 Sriram, A., Kalra, S., Tizhoosh, H. R. 2019. “Projectron – A Shallow and Interpretable Network for Classifying Medical Images”, 2019 International Joint Conference on Neural Networks (IJCNN): 1-9.
  • Stoean, R., Pelka, O., Nensa, F., Friedrich, C. M. 2018. “Annotation of enhanced radiographs for medical image retrieval with deep convolutional neural networks”, PLoS One, 13 (11).
  • Szegedy, C., Wei, L., Yangqing, J., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., Rabinovich, A. 2015. “Going deeper with convolutions”, 2015 IEEE Conference on Computer Vision and Pattern Recognition, 1-9.
  • Tao, D., Tang, X., Li, X., Wu, X. 2006. “Asymmetric bagging and random subspace for support vector machines-based relevance feedback in image retrieval”, IEEE transactions on pattern analysis and machine intelligence, 28(7), 1088-1099.
  • Lehmann, T. M., Güld, M. O., Deselaers, T., Keysers, D., Schubert, H., Spitzer, K., Wein, B. B. 2005. “Automatic categorization of medical images for content-based retrieval and data mining”, Computerized Medical Imaging and Graphics, 29(2-3), 143-155.
  • Tang, J., Lin, J., Li, Z., Yang, J. 2018. “Discriminative Deep Quantization Hashing for Face Image Retrieval”, IEEE Transactions on Neural Networks and Learning Systems, 29 (12), 6154-6162.
  • Tang, Q., Liu, Y., Liu, H. 2017a. “Medical image classification via multiscale representation learning”, Artificial Intelligence in Medicine, 79, 71-78.
  • Tang, Q., Yang, J., Xia, X. 2017b. “Medical Image Retrieval Using Multi-Texton Assignment”, Journal of Digital Imaging, 31 (1), 107-116.
  • Tizhoosh, H. R., Babaie, M. 2018. “Representing Medical Images With Encoded Local Projections”, IEEE Transactions on Biomedical Engineering, 65 (10), 2267-2277.
  • Tizhoosh, H. R. 2015. “Barcode annotations for medical image retrieval: A preliminary investigation”, 2015 IEEE International Conference on Image Processing, 818-822.
  • Vijendran, A. S., Kumar, S. V. 2015. “A New Content Based Image Retrieval System by HOG of Wavelet Sub Bands”, International Journal of Signal Processing, Image Processing and Pattern Recognition, 8 (4), 297-306.
  • Wang, J., Zhang, T., Song, J., Sebe, N., Shen, H. T. 2018. “A Survey on Learning to Hash”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 40 (4), 769-790.
  • Wang, X., Peng, Y., Lu, L., Lu, Z., Bagheri, M., Summers, R. M. 2017. “Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases”, In Proceedings of the IEEE conference on computer vision and pattern recognition, 2097-2106.
  • Wang, Y., Huang, F., Zhang, Y., Feng, R., Zhang, T., Fan, W. 2020. “Deep cascaded crossmodal correlation learning for fine-grained sketch-based image retrieval”, Pattern Recognition, 100.
  • Wei, S., Liao, L., Li, J., Zheng, Q., Yang, F., Zhao, Y. 2019. “Saliency Inside: Learning Attentive CNNs for Content-Based Image Retrieval”, IEEE Transactions on Image Processing, 28 (9), 4580-4593.
  • Zhang, J., Shih, K. J., Elgammal, A., Tao, A., Catanzaro, B. 2019. “Graphical Contrastive Losses for Scene Graph Parsing”, 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 11527-11535.
  • Zhang, X., Liu, W., Dundar, M., Badve, S., Zhang, S. 2015. “Towards Large-Scale Histopathological Image Analysis: Hashing-Based Image Retrieval”, IEEE Transactions on Medical Imaging, 34 (2), 496-506.
  • Zhi, L.-j., Zhang, S.-m., Zhao, D.-z., Zhao, H., Lin, S.-k. 2009. “Medical Image Retrieval Using SIFT Feature”, 2009 2nd International Congress on Image and Signal Processing, 1-4.
  • Zhou, D.-X. 2020. “Universality of deep convolutional neural networks”, Applied and Computational Harmonic Analysis, 48 (2), 787-794.
  • Zhu, Z., Wang, X., Bai, S., Yao, C., Bai, X. 2016. “Deep Learning Representation using Autoencoder for 3D Shape Retrieval”, Neurocomputing, 204, 41-50.
APA ÖZTÜRK Ş (2021). İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. , 1 - 74.
Chicago ÖZTÜRK Şaban İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. (2021): 1 - 74.
MLA ÖZTÜRK Şaban İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. , 2021, ss.1 - 74.
AMA ÖZTÜRK Ş İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. . 2021; 1 - 74.
Vancouver ÖZTÜRK Ş İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. . 2021; 1 - 74.
IEEE ÖZTÜRK Ş "İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi." , ss.1 - 74, 2021.
ISNAD ÖZTÜRK, Şaban. "İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi". (2021), 1-74.
APA ÖZTÜRK Ş (2021). İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. , 1 - 74.
Chicago ÖZTÜRK Şaban İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. (2021): 1 - 74.
MLA ÖZTÜRK Şaban İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. , 2021, ss.1 - 74.
AMA ÖZTÜRK Ş İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. . 2021; 1 - 74.
Vancouver ÖZTÜRK Ş İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi. . 2021; 1 - 74.
IEEE ÖZTÜRK Ş "İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi." , ss.1 - 74, 2021.
ISNAD ÖZTÜRK, Şaban. "İçerik Tabanlı Medikal Görüntü Erişim Sistemleri için YeniGörsel Dikkat (Visual Attention) Yöntemine dayalı HashKod Üretimi". (2021), 1-74.
Sayfa Oluşturulma Tarihi
24-04-2024 1:49

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları