اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديددراسة تحليلية لأنظمة استرجاع الصور الطبية اعتماداً على المحتوى
Analysis study of Content Based Medical Image Retrieval Systems
1860
1 44
0
(
0
)
نشر من قبل
جامعة دمشق ورقة بحثية
تاريخ النشر
2012
مجال البحث
هندسة الأجهزة الطبية
والبحث باللغة
العربية
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
تعد أنظمة استرجاع الصور الطبية اعتماداً على المحتوى من التقنيات الحديثة التي يسعى الباحثون إلى تكاملها مع أنظمة التشخيص بمساعدة الحاسوب. تقوم هذه الأنظمة أساساً بإيجاد صور في قاعدة بيانات تضم مجموعة كبيرة من الصور ذات محتوى مشابه لصورة استعلام معينة. يجري الاستعلام عن طريق استخلاص الخصائص البصرية للصورة المعينة و صياغتها في متجه خصائص تَُقارن مكوناته بمتجهات الخصائص للصور الموجودة في قاعدة البيانات و يقاس التشابه، و من ثم تسَترجع الصور التي لها محتوى مشابه لصورة الاستعلام. تقدم هذه الورقة تقييماً للوضع الراهن لأنظمة استرجاع الصور الطبية اعتماداً على المحتوى بناء على دراسة تحليلية للبحوث الحديثة المنشورة، و تخلص إلى استنتاج اتجاهات بحثية محددة في هذا المجال.
Content Based Medical Image Retrieval (CBMIR) systems are a new technique which researchers aim to integrate with Computer Aided Diagnosis systems. These systems usually find and retrieve images from a large image-database which have a similar content to a query image. Retrieval is done by extracting the visual features from the query image, formulating them in a features vector, comparing features vector components with those of the images in the database, and then, similarity measures are computed. Based on the similarity measures, images which have a similar content to the query image are retrieved. The introduced analysis study surveys and analyzes the current status of the CBMIR systems, evaluates our findings from this survey, and concludes some specific research directions in this field.
مراجعة الذكاء الصنعي:
ملخص البحث
تتناول هذه الورقة البحثية موضوع أنظمة استرجاع الصور الطبية اعتماداً على المحتوى (CBMIR)، وهي تقنية حديثة تهدف إلى تحسين عملية استرجاع الصور الطبية من قواعد البيانات الضخمة. تعتمد هذه الأنظمة على استخلاص الخصائص البصرية من الصور وصياغتها في متجهات خصائص، ثم تقارن هذه المتجهات بمتجهات الصور المخزنة في قاعدة البيانات لقياس التشابه واسترجاع الصور المشابهة. تقدم الورقة تقييماً للوضع الراهن لهذه الأنظمة من خلال دراسة تحليلية للبحوث المنشورة بين عامي 2000 و2010، وتستعرض المكونات الرئيسة لأي نظام CBMIR، بالإضافة إلى تصنيف الأنظمة إلى أربعة أنواع أساسية: أنظمة استرجاع الصور اعتماداً على النص (TBIR)، أنظمة استرجاع الصور اعتماداً على المحتوى (CBIR)، أنظمة استرجاع الصور اعتماداً على الخصائص الدلالية (SBIR)، وأنظمة استرجاع الصور اعتماداً على الخصائص المركبة (Composite Image Retrieval Systems). كما تناقش الورقة التحديات والصعوبات التي تواجه هذه الأنظمة، مثل صعوبة فهم الهدف من الأنظمة دون تدريب مسبق، وصعوبة التمييز بين وظائف النظام ومتصفح الويب، وعدم كفاية المعرفة الأساسية باستخدام مبادئ الحاسوب لدى خبراء الرعاية الصحية. وتخلص الورقة إلى أن هذه الأنظمة تحتاج إلى تحسينات في عدة مجالات مثل تجزيء الصور، استخلاص الخصائص، وقياس التشابه، لتحقيق أداء أفضل واستجابة أسرع.
قراءة نقدية
دراسة نقدية: على الرغم من أن الورقة تقدم تقييماً شاملاً لأنظمة استرجاع الصور الطبية اعتماداً على المحتوى، إلا أنها تفتقر إلى تقديم أمثلة عملية واضحة لتطبيقات هذه الأنظمة في السياق الطبي اليومي. كما أن الدراسة تعتمد بشكل كبير على البحوث المنشورة بين عامي 2000 و2010، مما قد يجعلها غير محدثة بما يكفي لتعكس التطورات الحديثة في هذا المجال. بالإضافة إلى ذلك، لم تتناول الورقة بشكل كافٍ التحديات المتعلقة بأمان البيانات وخصوصية المرضى، وهي قضايا حيوية في التطبيقات الطبية. من الجيد أن يتم تضمين دراسات حالة أو تجارب ميدانية لتوضيح فعالية هذه الأنظمة في البيئات الطبية الحقيقية.
أسئلة حول البحث
-
ما هي المكونات الرئيسة لأي نظام استرجاع الصور الطبية اعتماداً على المحتوى؟
تشمل المكونات الرئيسة لأي نظام استرجاع الصور الطبية اعتماداً على المحتوى: استخلاص الخصائص البصرية، فهرسة الصور، محرك الاسترجاع، وواجهة تخاطب رسومية (GUI).
-
ما هي الأنواع الأربعة الأساسية لأنظمة استرجاع الصور الطبية؟
الأنواع الأربعة الأساسية هي: أنظمة استرجاع الصور اعتماداً على النص (TBIR)، أنظمة استرجاع الصور اعتماداً على المحتوى (CBIR)، أنظمة استرجاع الصور اعتماداً على الخصائص الدلالية (SBIR)، وأنظمة استرجاع الصور اعتماداً على الخصائص المركبة (Composite Image Retrieval Systems).
-
ما هي التحديات الرئيسية التي تواجه أنظمة استرجاع الصور الطبية اعتماداً على المحتوى؟
تشمل التحديات الرئيسية: صعوبة فهم الهدف من الأنظمة دون تدريب مسبق، صعوبة التمييز بين وظائف النظام ومتصفح الويب، عدم كفاية المعرفة الأساسية باستخدام مبادئ الحاسوب لدى خبراء الرعاية الصحية، وتأمين السرعة الكافية لاستجابة النظام.
-
ما هي الفوائد المحتملة لاستخدام أنظمة استرجاع الصور الطبية اعتماداً على المحتوى؟
تساعد هذه الأنظمة على تحسين آلية تحليل الصور الطبية وإدارة قواعد البيانات الضخمة، وتساعد أطباء التشخيص الشعاعي على اتخاذ قرارات دقيقة بشأن الحالات المرضية من خلال استرجاع الصور المشابهة وعرض الشروحات المناسبة.
المراجع المستخدمة
Müller H, Michoux N, Bandon D, Geissbuhler A. (2004) "A review of content-based image retrieval systems in medical applications-clinical benefits and future directions", International Journal of Medical Informatics, vol. 73, pp.1-23
Pinhas, A T, Greenspan H. (2007) "Medical Image Categorization and Retrieval for PACS Using the GMM-KL Framework" Information Technology in Biomedicine, IEEE Transactions on, vol. 11, no. 2, pp. 190-202
Akgül C B, Rubin D L, Napel S, Beaulieu Ch F, Greenspan H, Acar B. (2011) "Content-based image retrieval in radiology: current status and future directions" Journal of digital imaging, vol. 24, no. 2, pp. 208-222
قيم البحث
اقرأ أيضاً
هدفنا من خلال هذه الدراسة في إطار المشروع الفصلي للسنة الرابعة إلى إلقاء الضوء على استرجاع الصور من مجموعة كبيرة بالاعتماد على محتوى صورة هدف , و قمنا بتدعيم هذه الدراسة بتطبيق ضمن بيئة الماتلاب لبرنامج بحث عن الصور المشابهة لصورة مدخلة .
و قد تركز
بحثنا على ميزتين هامتين يكاد لا يخلو منها أي نظام بحث عن الصور بالاعتماد على المحتوى و هما ميزتي الهيستوغرام اللوني و بنية الصورة texture , ووضحنا الخطوات التي يتم في ضوئها عملية الاسترجاع بدءاً من تحليل الصورة و استخلاص شعاع الواصفات الخاص فيها , و مطابقته مع أشعة الميزات الخاصة بالصور الموجودة في قاعدة البيانات ليتم ترتيب الصور بحسب مدى تشابهها من الصورة الهدف .
و تطرقت الدراسة إلى استخدام الفضاء اللوني HMMD كبديل للفضاء اللوني RGB لاستخراج واصفات البنية اللونية على اعتبار أنه نموذج لوني موجه بالمستخدم user oriented و بالتالي نضمن أن نحصل على نتائج أفضل ترضي المستخدم .
وقمنا بتدعيم الدراسة بعدد من الأشكال و الأمثلة و المخططات التي توضح محتوى الدراسة النظرية و ما قمنا بعمله في التطبيق ضمن بيئة الماتلاب .
تم بناء نظام استرجاع لصور الطرح الرقمي للأوعية الدموية الدماغية ثنائية الأبعاد اعتماداً على المحتوى. يقوم النظام بإيجاد صور في قاعدة بيانات لصور الطرح الرقمي للأوعية الدموية الدماغية (حالة أمهات الدم الكيسية) ذات محتوى مشابه لصورة استعلام معينة و است
رجاعها. تمت عملية الاستعلام عن طريق استخلاص خصائص الشكل البصرية لأمهات الدم في صورة الاستعلام و صياغتها في متجه خصائص و مقارنة مكوناته مع متجهات خصائص الشكل لأمهات الدم في صور الطرح الرقمي للأوعية الدموية الموجودة في قاعدة البيانات. تم قياس التشابه باستخدام المسافة الاقليدية، و من ثم استرجاع الصور التي لها محتوى مشابها لصورة الاستعلام. تم حساب الدقة بإيجاد نسبة مساحة أم الدم في الصور المسترجعة الأولى إلى مساحة أم الدم في صورة الاستعلام لثمان حالات استعلام تم تنفيذها، بلغت قيمة متوسط الدقة 98%، تبين النتائج أنَّه يمكن استخدام النظام المنفذ لاسترجاع الصور اعتماداً على المحتوى لإيجاد المساحة غير المعلومة لأم الدم من قاعدة بيانات لصور أمهات الدم تكون فيها مساحة أم الدم فيها معلومة.
يصف هذا البحث نظاما للتعرف على الكلمة العربية المكتوبة بخط اليد دون تقطيع سابق للكلمة إلى محارف, و سيتم التعرف من خلاله على مستويين, و قد طور هذا النظام اعتمادا على نظام التعرف الضوئي على الحروف, و خوارزمية ماركوف المخفية, و عدد من التوابع (المورفولو
جية), و خوارزميات استرجاع الصور اعتمادا على المحتوى.
إن الحجم الهائل للصور الرقمية المنتجة من المشافي تزداد بسرعة. الصور الطبية يمكن أن تلعب دوراً مهماً بالمساعدة في التشخيص و المعالجة. و يمكن أن تكون مفيدة أيضاً في مجال التعليم لطلاب الطب بواسطة الشرح لهذه الصور الذي يساعدهم في دراستهم. مجال جديد لاست
عادة الصور باستخدام تصنيف الصور الالي تمت مناقشته خلال السنوات الماضية. تصنيف الصور الطبية يمكن أن يلعب دوراً مهماً لأغراض التشخيص و التدريس الطبية. لهذه الاسباب عدة معالجات للصور تم استخدامها.
في هذه الورقة أولاً: تمت دراسة مجموعة من الطرائق المتضمنة خلال خطوات معالجة الصور الطبية, مثل المرشح الوسيط, و معادلة الرسم البياني. ثانياً: تحديد و استخراج الخصائص الهامة للصور, كمصفوفة التدرج الرمادي. ثالثاً: تقنيات التصنيف و التي تقسم الى ثلاث طرق: 1- تصنيف الاكساء, 2- تصنيف الشبكات العصبونية, 3- تصنيف ك- أقرب جار.
رابعاً: تم في هذا البحث استخدام صور الرنين المغناطيسي للدماغ لتحديد منطقة الورم في الدماغ. تبدأ الخطوات بإجراء معالجة أولية للصورة قبل إدخالها الى الخوارزمية بتحويلها إلى صورة ثنائية بتدرج رمادي ليتم بعد ذلك إزالة المعلومات النصية من الصورة (معلومات المريض و بارامترات صورة الدماغ) و ذلك باستخدام خوارزمية خاصة، بعد ذلك يتم إزالة أجزاء الجمجمة من صورة الدماغ دون التأثير على المادة البيضاء و المادة الرمادية في الدماغ. ثم بعد ذلك يتم استخدام مرشح معدل (مطور) عن المرشح الوسيط لإزالة الشوائب من الصورة الرقمية الناتجة.
نعرض في هذا البحث مودل لتوسيع الاستعلامات التلقائية في نظم استرجاع المعلومات متعددة اللغات في المجال الطبي. يوظف المودل المستخدم ترجمة آلية للاستعلام في اللغة المصدر الى لغة المستندات وتابع انحدار خطي لتوقّع دقة الاسترجاع لكل استعلام مترجم عند توسيع
هذا الاستعلام مع كلمة مرشحة. الكلمات المرشحة (في لغة المستندات) اختيرت من مصادر متعددة: الترجمات المقترحة للاستعلام التي تم الحصول عليها من نظام ترجمة آلي, مقالات ويكيبيديا, وملخصات PubMed. توسيع الاستعلام يُطبق فقط عندما يتوقّع المودل قيمة للكلمة المرشحة تتجاوز عتبة تم تدريبها مسبقا ليسمح ذلك لتوسيع الاستعلامات فقط بالكلمات المرتبطة بقوّة به. اختباراتنا تم تنفيذها على بيانات الاختبار الخاصة ب CLEF eHealth 2013-2015 وأظهرت تفوق ملحوظ في نظم استرجاع المعلومات متعددة اللغات واحادية اللغة.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
