مروري بر بازيابي تصاوير پزشكي مبتني بر محتوا در اسلايدهاي هيستوپاتولوژي با استفاده از شبكه‌هاي يادگير عميق

با افزايش تصاوير ميكروسكوپي در پزشكي، وجود روش‌هايي براي آرشيو، جست‌و‌جو و بازيابي كارآمد اين تصاوير مورد تاكيد قرار گرفت. تجمع فراوان تصاوير هيستوپاتولوژيك منجر به افزايش تقاضا براي پاتولوژي ديجيتال (DP) شده است. در طول زمان بازيابي به سه شكل، مبتني بر متن(TBIR) ، مبتني بر معنا (SBIR) و مبتني بر محتوا (CBIR) صورت مي‌گرفت. براساس بهترين تحقيق، هنوز در حوزه ‎ي DP در خصوص TBIR و SBIR مقاله‌اي گزارش نشده است، پس تنها روش CBIR معرفي مي‌شود. در عين حال سيستم بازيابي تصاوير ميكروسكوپي با نام بازيابي تصاوير هيستوپاتولوژي مبتني بر محتوا (CBHIR) شناخته مي‌شود. سيستم CBHIR با كمك مكانيزم چند لايه، نوع اصلي بيماري سرطان و زيرنوع بيماري سرطان را طبقه‌بندي مي‌كند، كه معمولاً براي تمايز و طبقه‌بندي پيچيده هستند. اين سيستم هم جست‌جوي چند تصويري و هم بازيابي اسلايدهاي پاتولوژي (WSIs) را به منظور اطمينان از ثبات معنايي در بين تصاوير بازيابي شده امكان‌پذير مي‌كند. يادگيري عميق (DL) در حال گسترش به حوزه پاتولوژي است و نتايج اميدواركننده‌اي را در تحليل پاتولوژي ديجيتال و WSIs نشان داده‌است. هدف بيان تلاش‌هاي پياده‌سازي مدل‌هاي DL در CBHIR است. تجزيه و تحليل مطالعه حاضر، چهار روند تحقيقاتي مدل‌هاي DL در مقابل DP را نشان مي‌دهدكه شامل طبقه‎بندي، پيش‌بيني، تشخيص و بافت مطالعاتي است. چهار پايگاه داده جستجو الكترونيكي و 19 مطالعه شناسايي شدند. مقاله حاضر، نتيجه بررسي مطالعات موردي و تحليل رويكردهاي ديگر، با هدف بيان محبوب‌ترين روش‌ها براي ايجاد CBHIR و همچنين معرفي برخي مشكلات خاص چنين تحليلي است و نتايج منطبق براهداف داده‌كاوي در WSIs مي‌باشد. اين مقاله تلاشي براي بحث در مورد الگوريتم‌هاي غالب، محدوديت‌ها و روش‌هاي مقابله با آن است، سپس چند پايگاه داده مناسب جهت بررسي و آزمودن سامانه‌هاي بازيابي بيان خواهد شد.