fa مروری نظام‌مند و تحلیلی بر رویکردها، روش‌ها و سیستم‌های بازیابی اطلاعات تصاویر پزشکی پزشکی Medicine پژوهشی Original <p dir="RTL"><strong>چکیده</strong></p> <p dir="RTL"><strong>سابقه و هدف: </strong>در میان انواع مستندات برای ذخیره اطلاعات پزشکی، طبق آمارها، استفاده از تصویر پزشکی علاوه بر امر تشخیص، در پژوهش و آموزش به سرعت رو به رشد است. چنین رشدی، اهمیت بازیابی این تصاویر را در سیستم‌هایی با حجم بالای تصاویر پزشکی، مطرح می‌کند. بدین منظور نیاز است تا جهت بررسی روند تحقیقات برای مطالعات بعدی و کمک به پژوهش‌های آینده، مروری نظام‌مند بر بازیابی تصاویر داشته باشیم. هدف از این پژوهش، تحلیل نظام‌مند روش‌ها، رویکردها و سیستم‌های بازیابی تصاویر در مقالات بین سال‌های 2006 تا 2016 است. برای این‌که پژوهشی در خصوص بازیابی اطلاعات تصاویر پزشکی در ادامه‌ی نتایج پژوهش‌های پیشین انجام گیرد، پژوهشگر باید بداند کدام روش در میان محققان این حوزه دارای مقبولیت و عملکرد بهتری است و از چگونگی ارزیابی یک روش که به عنوان روش بهتر تشخیص داده شده است، آگاه باشد. این مقاله سعی دارد به این سؤالات پاسخ دهد.</p> <p dir="RTL"><strong>مواد و روش‌ها:</strong> بدین منظور پایگاه‌های اطلاعاتی <span dir="LTR">Springer</span>، <span dir="LTR">ScienceDirect</span> (<span dir="LTR">Elsevier</span>)، <span dir="LTR">IEEE</span>، <span dir="LTR">PubMedCentral</span>، <span dir="LTR">SID</span> و <span dir="LTR">Magiran</span> با استفاده از کلیدواژه‌ <span dir="LTR">Medical</span> <span dir="LTR">Image</span> <span dir="LTR">Retrieval</span><span dir="LTR">&quot;</span>&quot; در پایگاه‌های اطلاعاتی انگلیسی و از ترکیب &quot;تصویر پزشکی <span dir="LTR">AND</span> بازیابی&quot; برای جستجو در پایگاه‌های فارسی، در فاصله‌ی زمانی 2006 تا 2016 مورد جستجو قرار گرفتند. مقالات بازیابی شده، با استفاده از فرم ارزیابی منتقدانه استاندارد، بررسی شده و بر اساس کیفیت‌شان، وارد مطالعه شدند. سپس مقالات انتخاب شده، مورد تحلیل قرار گرفته و اطلاعاتی از آنها ارایه شده است. همه‌ی مقاله‌هایی که به نوعی به بررسی و ارزیابی، مرور یا یک نوآوری در مورد بازیابی تصاویر پزشکی و سیستم‌های بازیابی تصاویر پزشکی پرداخته‌اند، در مطالعه پذیرفته شدند. مقالاتی که به بازخورد مرتبط بودن، ارایه راه‌حل‌هایی با رویکردهای محتوا محور، متن محور و ترکیبی به منظور ارتقای پارامترهای دقت و فراخوانی پرداخته بودند نیز وارد مطالعه شدند. معیارهای خروج مقالات از مطالعه این بود که مقالات بازیابی شده به بازیابی تصاویری غیر از تصاویر پزشکی پرداخته باشند یا به موضوع بازیابی نپرداخته باشند. مطالعاتی که به تکرار یک مطالعه‌ی دیگر پرداخته بودند و یا به‌طورکلی تکراری بودند، از مطالعه کنار گذاشته شدند. همچنین مقالاتی که تمام متن آنها در دسترس نبود، از مطالعه خارج شدند.</p> <p dir="RTL"><strong>یافته‌ها:</strong> نتیجه‌ی جستجو با کلیدواژه‌ها در مجموع 47585 مقاله بود. با حذف مقالات طبق معیارهای بیان شده، 66 مقاله انتخاب شده از لحاظ رویکرد، روش یادگیری و مجموعه‌‌ی داده‌ای که برای ارزیابی استفاده کرده بودند، مورد تحلیل قرار گرفتند. بیشترین رویکرد در مقالات مرتبط با بازیابی تصاویر پزشکی، محتوا محور (71%) و 15% با رویکرد ترکیبی محتوا محور و متن محور بود. روش یادگیری با نظارت 28% و بدون نظارت 24% بوده و تقریباً میزان گرایش به آنها برابر بود. در بیشتر مقالات (%39)، تیم پژوهشگر، مجموعه‌ی ارزیابی را تهیه کرده بود و 18% مقالات از مجموعه داده استاندارد محک <span dir="LTR">ImageCLEFmed</span> استفاده کرده بودند. همچنین روش‌های شاخص‌گذاری در مقالات نیز تحلیل شده و مورد بررسی قرار گرفتند.</p> <p><strong><span dir="RTL">نتیجه‌گیری: </span></strong><span dir="RTL">نتیجه این بررسی نشان می‌دهد که با توجه به کاربردهای گسترده‌ی تصاویر پزشکی، پژوهش در توسعه‌ی روش‌های مؤثر که قادر باشند دقت، فراخوانی و سرعت را در بازیابی افزایش دهند، رو به رشد است. علی‌رغم این موضوع، نبود مجموعه‌های محک استاندارد قابل دسترس برای پژوهشگران چالشی است که آمارها نشانگر نیاز به انجام پژوهش‌های کافی در این مورد است.</span>&nbsp;&nbsp;</p> <p><strong>Abstract:</strong></p> <p><strong>Background and Aim:</strong> Among the types of documents to store medical information and medical image, because of the non-invasive method used to aid in diagnosis, is of great importance and according to statistics, its use in addition to diagnosis, research and education is rapidly growing. Such growth makes the retrieval of these images from systems with large volumes of medical images, an important task. Therefore, there is a need to have systematic review of retrieving images. The objective of this study was to conduct a systematic analysis of image retrieval methods, approaches and systems in the literatures between 2006- 2016.</p> <p><strong>Materials and Methods:</strong> The major scientific databases (Springer, Science Direct (Elsevier), IEEE, PubMed Central, SID and Magiran) were searched, using keyword &quot;Medical Image Retrieval&quot; in English databases and combination of &quot;<span dir="RTL">تصویر پزشکی</span> AND <span dir="RTL">بازیابی</span> &quot; for Persian databases between 2006 and 2016. All papers reviewed using standard critical assessment and enrolled based on their quality. Then, the data in selected studies were extracted and classified. Papers about review and evaluation or an innovation in the retrieval of medical images and medical image retrieval systems, got accepted in the study. Also, papers about relevance feedback, introducing solutions with content-based, text-based or both approaches to promote precision and recall, got accepted as well. Retrieved papers, which were about non-medical images or not about retrieval, were excluded from the study. Papers that repeated another study or were duplicated altogether, excluded from study. Also papers with any access to full-text were excluded.</p> <p><strong>Results:</strong> The result of search was a total of 47,585 papers. By excluding according to stated criteria, sixty-six selected articles were analyzed in terms of approaches, learning methods and datasets that were used for evaluation. Most papers related to medical image retrieval had content-based approach (71%) and a hybrid content-based and text-centric approach (15%), respectively. The rate of supervised learning method was 28% and unsupervised method 24% and there was almost equal tendency toward them. In most articles (39%), the researcher team gathered the evaluation dataset and then 18% of the articles used ImageCLEFmed, the standard test data set. Also, indexing techniques in the literature were analyzed.</p> <p><strong>Conclusion:</strong> The result of this study shows that due to the widespread applications of medical images, research in the development of effective methods capable of increasing the precision, recall and the speed of retrieval, is growing. Despite this, the lack of available standard benchmarks is a challenge for researchers and the statistics indicate the need to conduct adequate investigations in this case.</p> واژگان کلیدی: بازیابی و ذخیره تصاویر پزشکی, مرور, تصاویر تشخیصی, سیستم بازیابی اطلاعات تصاویر پزشکی, رویکرد بازیابی تصویر پزشکی, مجموعه داده ارزیابی, روش یادگیری, بازیابی محتوا محور تصویر, بازیابی متن محور تصویر, مرور سیستماتیک. Keywords: Information storage and retrieval, Diagnostic imaging, Review, Content based image retrieval, Systematic review, Text based image retrieval, Medical information retrieval, Image retrieval systems, Learning method, Evaluation dataset 61 73 http://pajoohande.sbmu.ac.ir/browse.php?a_code=A-10-1-948&slc_lang=fa&sid=1 Saeide Habibi Asl سعیده حبیبی اصل 190031947532846009391 190031947532846009391 No Ali Asghar Safaei علی اصغر صفایی aa.safaei@modares.ac.ir 190031947532846009392 190031947532846009392 Yes