基于可解释性和捕获潜在的歧管结构的能力，扩散过程（DP）在图像检索领域引起了越来越多的关注。在其中，分层扩散过程（HDP）在检索的性能和复杂性方面取得了令人满意的结果。然而，现有的分层扩散处理方法仅在低级视觉空间中扩散亲和力值，而没有考虑高级语义信息，这造成了语义鸿沟的问题。为了克服这些问题，我们提出了一种具有相关性反馈的图正则化层次扩散过程（GRHDP）方法，并将其应用于检索医学图像。该算法首先建立了医学图像数据库中图像的层次结构，并通过图正则化扩散在查询图像和顶层图像之间分布了亲和力值。然后引入相关反馈，以调整查询图像与顶层检索图像之间的相似度，并根据反馈的标记信息再次扩散亲和力值。最后，查询和数据库中其他查询之间的相似性可以通过从上到下对顶层的扩散结果进行插值来获得。实验结果表明，我们提出的具有相关性反馈的GRHDP在返回顶部检索图像时比流形排序和规则扩散过程（RDP）取得了更好的检索性能。

图像的层次结构

    以上研究成果发表于IEEE Access（中科院Q1），论文通讯作者之一为西南医科大学医学信息与工程学院黄志伟副教授（厅市共建中枢神经系统药物四川省重点实验室固定人员）。

    Graph Regularized Hierarchical Diffusion Process With Relevance Feedback for Medical Image Retrieval. IEEE Access, 2021, 9, 25062-25072.

    Liming Xu, Xiaopeng Yao, Lisha Zhong, Jianbo Lei, Zhiwei Huang*

    论文链接：https://ieeexplore.ieee.org/document/9329041