مروری بر بازیابی تصاویر پزشکی مبتنی بر محتوا در اسلایدهای هیستوپاتولوژی با استفاده از شبکه های یادگیر عمیق

با افزایش تصاویر میکروسکوپی در پزشکی، وجود روش هایی برای آرشیو، جست و جو و بازیابی کارآمد این تصاویر مورد تاکید قرار گرفت. تجمع فراوان تصاویر هیستوپاتولوژیک منجر به افزایش تقاضا برای پاتولوژی دیجیتال (DP) شده است. در طول زمان بازیابی به سه شکل، مبتنی بر متن(TBIR) ، مبتنی بر معنا (SBIR) و مبتنی بر محتوا (CBIR) صورت می گرفت. براساس بهترین تحقیق، هنوز در حوزه‎ی DP در خصوص TBIR و SBIR مقاله ای گزارش نشده است، پس تنها روش CBIR معرفی می شود. در عین حال سیستم بازیابی تصاویر میکروسکوپی با نام بازیابی تصاویر هیستوپاتولوژی مبتنی بر محتوا (CBHIR) شناخته می شود. سیستم CBHIR با کمک مکانیزم چند لایه، نوع اصلی بیماری سرطان و زیرنوع بیماری سرطان را طبقه بندی می کند، که معمولا برای تمایز و طبقه بندی پیچیده هستند. این سیستم هم جست جوی چند تصویری و هم بازیابی اسلایدهای پاتولوژی (WSIs) را به منظور اطمینان از ثبات معنایی در بین تصاویر بازیابی شده امکان پذیر می کند. یادگیری عمیق (DL) در حال گسترش به حوزه پاتولوژی است و نتایج امیدوارکننده ای را در تحلیل پاتولوژی دیجیتال و WSIs نشان داده است. هدف بیان تلاش های پیاده سازی مدل های DL در CBHIR است. تجزیه و تحلیل مطالعه حاضر، چهار روند تحقیقاتی مدل های DL در مقابل DP را نشان می دهدکه شامل طبقه‎بندی، پیش بینی، تشخیص و بافت مطالعاتی است. چهار پایگاه داده جستجو الکترونیکی و ۱۹ مطالعه شناسایی شدند. مقاله حاضر، نتیجه بررسی مطالعات موردی و تحلیل رویکردهای دیگر، با هدف بیان محبوب ترین روش ها برای ایجاد CBHIR و همچنین معرفی برخی مشکلات خاص چنین تحلیلی است و نتایج منطبق براهداف داده کاوی در WSIs می باشد. این مقاله تلاشی برای بحث در مورد الگوریتم های غالب، محدودیت ها و روش های مقابله با آن است، سپس چند پایگاه داده مناسب جهت بررسی و آزمودن سامانه های بازیابی بیان خواهد شد.

کلیدواژه ها:

بازیابی تصویر هیستوپاتولوژی مبتنی بر محتوا ، یادگیری عمیق ، تصاویر کل اسلاید ، آسیب شناسی دیجیتال