ارائه يك روش مبتني بريادگيري عميق جهت قطعه بندي تصاوير راديولوژي جهت مراكز آموزشي درماني

Providing a method based on deep learning to segment radiology images for medical training centers

تصويربرداري اشعه ايكس يكي از قديمي‌ترين، ساده‌ترين و كاربردي ترين روش‌هاي تشخيص پزشكي است كه در بسياري از كاربردها مانند تشخيص محل و نوع شكستگي استخوان، انتخاب روش درمان مناسب و نظارت بر مراحل بهبود مورد استفاده قرار مي‌گيرد . تقسيم‌بندي خودكار بخش استخواني در يك تصوير اشعه ايكس ديجيتال، به دليل كنتراست پايين با بافت اطراف آن، يك مشكل چالش برانگيز است. دراين مقاله با استفاده از توانايي شبكه هاي عميق در يادگيري و حل مسائل، به بررسي روش هاي بخش بندي تصاوير راديولوژي(x-ray) مي پردازيم و يك راه‌ حل نهايي ارائه مي‌كنيم كه منجر به استنتاج قوي و كارآمد مي‌شود. از آنجا كه اغلب موسسات پزشكي منابع لازم براي پردازش و برچسب مقدار زيادي از تصاوير X - Ray را معمولا براي آموزش شبكه عصبي ندارند، روش‌هاي كنوني به شدت بر يك سيستم پيچيده از تكنيك‌هاي پردازش تصوير كلاسيك تكيه دارند، با اين حال، استفاده از يادگيري ماشين مزاياي متعددي نسبت به اين روش‌هاي سنتي ارائه مي‌دهد.

X-ray imaging is one of the oldest, simplest and most practical methods of medical diagnosis, which is used in many applications such as diagnosing the location and type of bone fracture, choosing the appropriate treatment method, and monitoring the healing process. Automatic segmentation of the bony part in a digital X-ray image is a challenging problem due to the low contrast with the surrounding tissue. In this article, using the ability of deep networks to learn and solve problems, the methods of radiology image segmentation are investigated. x-ray) and provide a final solution that leads to strong and efficient inference. Since most medical institutions do not have the necessary resources to process and label a large amount of X-ray images, usually for neural network training, methods Currently, they rely heavily on a complex system of classical image processing techniques, however, the use of machine learning offers several advantages over these traditional methods.