تشخیص به کمک کامپیوتر: تفاوت میان نسخه‌ها

از ویکی‌پدیا، دانشنامهٔ آزاد
تفاوت جدیدتر ←
محتوای حذف‌شده محتوای افزوده‌شده
دیداریویکی‌متن
نوشته شده توسط user:Sahar.pourirahim
برچسب: جمع عربی واژگان فارسی
(بدون تفاوت)

نسخهٔ ‏۳۰ ژانویهٔ ۲۰۱۹، ساعت ۱۵:۰۵

{{{name}}}
تشخیص پزشکی

شناسایی با کمک کامپیوتر (Computer-aided detection: CADe)، که به آن تشخیص با کمک کامپیوتر (Computer-aided diagnosis: CADx) نیز گفته می­ شود، سیستم­ هایی هستند که در تفسیر تصاویر پزشکی، به پزشکان یاری می­ رسانند. تکنیک ­های x-ray، MRI، و سیستم ­های فراصوت، اطلاعات زیادی ایجاد می­ کنند که رادیولوژیست یا پزشک حرفه­ ای باید آن ­ها را در زمان کوتاهی تحلیل و ارزیابی کند. سیستم ­های CAD، تصاویر دیجیتال را به منظور تسهیل تصمیم­ گیری برای پزشک، پردازش کرده و بخش ­های مشکوک آن، مانند بیماری­ های احتمالی، را مشخص می­ کنند.

علاوه بر این، با ظهور تصویربرداری تمام-لغزشی (whole-slide imaging) و الگوریتم ­های یادگیری ماشین (machine learning algorithms) می­ توان در آینده از CAD در آسیب شناسی دیجیتال (digital pathology) بهره برد. تاکنون کاربرد آن تنها به سنجش کیفیت ایمن­ سازی (immunostaining) محدود شده، اما از آن می­ توان در استاندارد H&S stain نیز استفاده کرد. [۱]

CAD، یک تکنولوژی بین رشته­ ای بوده که هوش مصنوعی و بینایی ماشین را با پردازش تصاویر رادیولوژی و آسیب ­شناسی (pathology) ترکیب می­ کند. یکی از کاربردهای معمول آن، شناسایی تومور است. به طور مثال، در برخی بیمارستان­ ها از CAD برای معاینه ­های پزشکی پیشگیرانه در ماموگرافی (تشخیص سرطان پستان)، تشخیص پلیپ روده بزرگ و سرطان ریه استفاده می­ کنند.

معمولاً سیستم­ های شناسایی کامپیوتری (CADe) به نشان ه­گذاری ساختارها و بخش­های مشکوک منحصر می ­شوند. سیستم­ های تشخیص کامپیوتری (CADx)، ساختارهای مشکوک را ارزیابی می ­کنند. برای مثال، در ماموگرافی، CAD، خوشه­ های microcalcification و ساختارهای پرچگال (hyperdense) را در بافت نرم علامت­گذاری می­کند که به رادیولوژیست امکان نتیجه ­گیری در مورد شرایط آسیب­ شناسی را می­ دهد. یکی دیگر از کاربردها، CADq است که اطلاعاتی همچون اندازه تومور یا رفتار تومور در برابر جذب متوسط را کمی می­کند. رده­بندی درمانی ساده با استفاده از کامپیوتر (Computer-aided simple triage: CAST) یکی دیگر از انواع CAD است که عمل تفسیر اولیه تمام خودکار و رده ­بندی مطالعات به دسته­ های معنی ­دار (برای مثال مثبت و منفی) را انجام می­ دهد. از CAST تنها می­ توان در تصاویر تشخیصی اورژانسی، که به تشخیص فوری شرایط بحرانی و تهدیدکننده زندگی نیاز داریم، استفاده کرد.

بیش از 40 سال است که از CAD در محیط ­های پزشکی استفاده می­ شود؛ با این حال نمی­توان آن را جایگزین پزشک یا متخصصان دیگر دانست و تنها نقش پشتیبانی را ایفا می­کند. به طور کلی، متخصص (معمولاً یک رادیولوژیست) مسئول تفسیر نهایی تصویر پزشکی است. هدف بعضی از سیستم­ های CAD، شناسایی اولین نشانه­ های غیرطبیعی در انسان است که متخصص قادر به تشخیص آن­ها نمی ­باشد؛ مانند رتینوپاتی دیابتی، تحریف ساختاری در ماموگرام [۲] [۳] ، گره ­های شیشه ­ای در تصاویر CT قفسه سینه [۴] [۵] و ضایعات غیر پلیپی (تخت) در کلونوگرافی CT. [۶]

موضوعات

روش شناسی

CAD اساساً از بازشناسی الگوی به شدت پیچیده استفاده می ­کند. تصاویر X-ray و سایر تصاویر برای یافتن ساختارهای مشکوک اسکن می ­شوند. به طور معمول برای بهینه کردن الگوریتم، چندین هزار تصویر مورد نیاز است. داده­ های تصاویر دیجیتال با فرمت DICOM در سرور CAD کپی شده و طی چندین مرحله، آماده سازی و تحلیل می­ شوند.

1.پیش ­پردازش:

  • کاهش درست نماها (اشکالات در تصاویر)
  • کاهش نویز تصویر
  • سطح ­بندی (هماهنگ سازی) کیفیت تصاویر (بهبود کنتراست) برای از بین بردن شرایط پایه ­ای مختلف تصویر مانند تفاوت پارامترهای پرتودهی
  • فیلتر کردن

2. تقطیع (segmentation):

  • شناسایی ساختارهای مختلف در تصویر مانند قلب، ریه، قفسه سینه، رگ­ های خونی و ضایعات احتمالی.
  • تطبیق با بانک اطلاعات آناتومیک
  • نمونه­ برداری از سطوح خاکستری در حجم دلخواه [۷]

3. تحلیل ساختار/ ROI (ناحیه دلخواه): ویژگی های خاص هر یک از نواحی شناخته شده به طور جداگانه تحلیل می ­شود که این ویژگی­ ها از قرار زیر است:

  • میزان فشرده بودن
  • شکل، اندازه و محل قرارگیری
  • مراجعه به ساختارها/ROIهای نزدیک
  • بررسی میانگین سطوح خاکستری داخل یک ROI
  • متناسب­ کردن سطوح خاکستری با مرز ساختارهای داخل ROI

1) ارزیابی/ طبقه­ بندی: پس از اینکه ساختار مورد تحلیل قرار گرفت، هر یک از ROIها به صورت جداگانه برای بررسی احتمال TP، ارزیابی می­ شوند. در ادامه نمونه­ هایی از الگوریتم­ های طبقه­ بندی ذکر خواهد شد:

در صورتی که ساختارهای شناسایی شده به حد آستانه مشخصی برسند، در تصویر علامت­ گذاری خواهند شد. این علامت­گذاری­ ها، بسته به نوع سیستم CAD، به طور دائم یا موقت است. مزیت بعدی این است که تنها علامت­ گذاری­ های تاییدشده توسط رادیولوژیست ذخیره خواهد شد. علامت­گذاری ­های غلط نباید ذخیره شود، زیرا معاینات بعدی را دشوار می ­کند.

حساسیت و ویژگی

سیستم های CAD، به دنبال علامت­ گذاری ساختارهای مشکوک هستند. در حال حاضر این سیستم­ ها قادر به شناسایی 100% تغییرات پاتولوژیک نیستند. نرخ ضربه (حساسیت)، بسته به نوع سیستم و کاربرد آن می­تواند بیش از 90% باشد. [۱۳] به تشخیص­ های درست، مثبت واقعی (True Positive: TP) و به علامت­ گذاری نادرست بخش ­های سالم، مثبت کاذب (False Positive: FP) گفته می ­شود. هرچه میزان FPها کمتر باشد، نشان­ دهنده بالاتر بودن ویژگی (specificity) است. کم بودن ویژگی، مقبولیت سیستم CAD را کاهش می­ دهد، زیرا کاربر باید همه این تشخیص ­های نادرست را پیدا کند. در آزمایش­ هایی که برای بررسی کلی ریه هستند (CAD قفسه سینه)، می­ توان نرخ FP را به 2 مورد در هر آزمایش کاهش داد. در سایر بخش­ها (مثلاً آزمایش­های CT ریه)، نرخ FP می­تواند 25 یا بیشتر باشد. در سیستم­ های CAST، به منظور رده­ بندی معنی ­دار مطالعات، نرخ FP باید بسیار کم باشد (کمتر از 1 مورد در هر آزمایش).

نرخ شناسایی مطلق

نرخ شناسایی مطلق رادیولوژیست، معیاری جایگزین برای حساسیت و ویژگی است. به طور کلی، نتایج آزمایش­های پزشکی در مورد حساسیت، ویژگی و نرخ شناسایی مطلق، به شدت متغیر می­باشد. نتایج هر مطالعه وابسته به شرایط پایه­ای آن بوده و باید بر اساس آن شرایط ارزیابی شود. مواد ذکر شده در ادامه، تاثیر زیادی دارد:

  • طراحی گذشته ­نگر (Retrospective) یا آینده ­نگر (prospective)
  • کیفیت تصاویر مورد استفاده
  • شرایط آزمایش اشعه ایکس
  • تجربه و آموزش رادیولوژیست
  • نوع ضایعه
  • اندازه ضایعه مورد نظر

برنامه های کاربردی

رابط کاربری Sieve پزشکی ، یک الگوریتم توسط IBM برای کمک در تصمیمات بالینی است.

از سیستم CAD می ­توان در تشخیص سرطان پستان، سرطان ریه، سرطان روده، سرطان پروستات، متاستاز استخوان، بیماری ­های شریان کروناری، نقص مادرزادی قلب، آسیب­شناسی مغز، آلزایمر و رتینوپاتی دیابتی، استفاده کرد.

سرطان پستان

از CAD در غربالگری ماموگرافی (آزمایش x-ray سینه زنان) استفاده می ­شود. غربالگری ماموگرافی برای تشخیص زودهنگام سرطان پستان مورد استفاده قرار می­ گیرد. سیستم CAD به طبقه ­بندی تومورهای خوش­خیم و بدخیم کمک می­ کند. این سیستم بیشتر در آمریکا و هلند به کار گرفته شده ­است. اولین سیستم CAD برای ماموگرافی، طی یک پروژه تحقیقاتی در دانشگاه شیکاگو ایجاد شد. امروزه، این سیستم توسط iCAD و Hologic ارائه می­ شود. سیستم­ های CAD، علی رغم برخورداری از حساسیت بالا، ویژگی (specificity) بسیار کمی دارند؛ این امر موجب نامشخص بودن مزایای استفاده از CAD می­ شود. در سال 2008، یک بررسی اصولی بر روی غربال گری ماموگرافی با استفاده از CAD به این نتیجه دست یافت که CAD نمی ­تواند اثر معنی­ داری بر نرخ تشخیص سرطان داشته باشد، اما نرخ recall (یعنی نرخ FP) را به صورت ناخواسته افزایش می­ دهد؛ با این حال، در مطالعات مختلف، ناهمگونی قابل توجهی را در تاثیر بر recall نشان داد. [۱۴]

علاوه بر این، روش­هایی برای ارزیابی ماموگرافی بر اساس تصویربرداری رزونانس مغناطیسی نیز در دسترس است.

سرطان ریه

توموگرافی کامپیوتری (computed tomography) به همراه سیستم CAD سه بعدی، به عنوان روشی ثانویه در تشخیص سرطان ریه در نظر گرفته می­ شود. [۱۵] در این مورد، دیتاستی با 3000 تصویر فراهم و بررسی شده ­است. با این روش، ضایعات گرد (سرطان ریه، متاستاز و تغییرات خوش­خیم) با اندازه بزرگتر از 1 میلی متر قابل شناسایی است. امروزه همه فروشندگان معروف سیستم ­های پزشکی این سیستم را پیشنهاد می­ کنند.

تشخیص زودهنگام سرطان ریه بسیار ارزشمند است. با این وجود تشخیص سرطان ریه در مراحل ابتدایی (مرحله 1) بسیار دشوار است. ضایعات گرد با اندازه 5-10 میلی­متر به آسانی نادیده گرفته می ­شوند. [۱۶] به کار بردن سیستم­ های CAD قفسه سینه، می تواند به شناسایی تغییرات کوچک کمک کند. تعدادی از محققان، سیستم CAD را برای شناسایی گره­ های ریه (ضایعات گرد کوچک تر از 30 میلی­متر)در رادیوگرافی قفسه سینه [۱۷] [۱۸] [۱۹] و CT، [۲۰] [۲۱] و سیستم­های CAD تشخیصی گره­های ریه (مثلاً تمایز بین خوش­خیم و بدخیم)در CT، توسعه دادند. تصویربرداری مجازی انرژی دوگانه (Virtual dual-energy imaging) [۲۲] [۲۳] [۲۴] [۲۵] عملکرد سیستم های CAD در رادیوگرافی قفسه سینه را بهبود بخشیده است. [۲۶]

سرطان روده

CAD برای تشخیص پولیپ های کولورکتال در کولون در کلونوگرافی سی تی موجود است. [۲۷] [۲۸] پلیپ­ ها رشد کمی داشته و از پوشش داخلی روده به وجود می­ آیند. CAD، پلیپ­ ها را از روی شکل برآمده آن­ها تشخیص می­ دهد. برای جلوگیری از رخ دادن مثبت کاذب ، CAD دیواره­ روده و چین ­های haustral را نادیده می ­گیرد.

بیماری عروق کرونر

CAD برای شناسایی خودکار بیماری­های شریان کروناری در CT آنژیوگرافی کروناری (coronary CT angiography: CCTA) در دسترس است. [نیازمند منبع] [ نیازمند منبع ]

نقص مادرزادی قلب

شناسایی زودهنگام بیماری­ ها می ­تواند مرز بین مرگ و زندگی باشد. CADe را می توان از طریق گوش دادن با یک گوشی پزشکی دیجیتال (digital stethoscope) یا نرم افزارهای تخصصی انجام داد، که به آن شنود درمانی با کمک کامپیوتر (Computer-aided auscultation) نیز می­ گویند. با استفاده از این روش، مرمرها (Murmurs) یا صداهای غیرطبیعی قلب، که به علت جریان خون در قسمت معیوب قلب ایجاد می شوند را می­ توان با حساسیت و ویژگی بالایی شناسایی کرد. شنود درمانی با کمک کامپیوتر به نویز خارجی و صداهای بدن حساس بوده و در نتیجه برای صحت عملکرد به محیطی ساکت نیازمند است.

شناسایی آسیب­های مغز

چپلوت , همکارانش اولین کسانی بودند که برای شناسایی آسب­های مغز از ضرایب تبدیل ویولت گسسته (DWT) استفاده کردند. [۲۹] مایترا (Maitra) و چترجی (Chatterjee)، تبدیل اسلنتلت (Slantlet transform) را در این مورد به کار بردند که نسخه بهبود یافته DWT است. آن­ها بردار ویژگی هر تصویر را، با در نظر گرفتن دامنه خروجی تبدیل اسلنتلت مربوط به شش موقعیت مکانی که مطابق منطقی خاص انتخاب شده­بود، محاسبه کردند.[۳۰]

در سال 2010، ونگ (Wang) و وو (Wu) روشی مبتنی بر شبکه عصبی رو به جلو (forward neural network: FNN)، جهت تقسیم ­بندی تصاویر MR مغز به دو گروه عادی و غیرعادی، ارائه کردند. پارامترهای FNN توسط روش بهینه­ سازی خودکار گروه ذرات بی­نظم (adaptive chaotic particle swarm optimization: ACPSO) بهینه شد. نتایج به دست آمده بر روی 160 تصویر نشان داد که صحت این طبقه ­بندی 98.75 % بود. [۳۱]

در سال 2011، وو و ونگ روشی ارائه کردند که در آن از DWT برای استخراج ویژگی، از PCA برای کاهش بعد ویژگی و از FNN به همراه روش لانه زنبوری بی نظم ساختگی درجه بندی شده (scaled chaotic artificial bee colony: SCABC) به عنوان طبقه­ بند استفاده کردند. [۳۲]

در سال 2013، ساریتا (Saritha) و همکارانش نخستین افرادی بودند که برای شناسایی آسیب­ های مغز، آنتروپی ویولت (wavelet entropy: WE) را به کار بردند. علاوه بر این، ساریتا پیشنهاد کرد که از نمودارهای شبکه عنکبوتی استفاده کنند. [۳۳] پس از آن، ژانگ (Zhang) و همکارانش، ثابت کردند که حذف نمودارهای شبکه عنکبوتی، تاثیری بر عملکرد ندارد. [۳۴] روش جست جوی الگوهای ژنتیک، برای شناسایی مغز آسیب­ دیده از گروه کنترل، اعمال شد. صحت طبقه­ بندی این روش، 95.188 % گزارش شد.[۳۵] داس (Das) و همکارانش، از تبدیل ریپلت (Ripplet transform) استفاده کردند. [۳۶] ژانگ و همکارانش پیشنهاد استفاده از روش بهینه­ سازی گروه ذرات (paricle swarm optimization: PSO) را دادند. [۳۷] کلبخانی (Kalbkhani) و همکارانش استفاده از مدل GARCH را پیشنهاد کردند. [۳۸]

در سال 2014، الدحشان (El-Dahshan) و همکارانش از شبکه عصبی دو پالسی (pulse coupled neural network) استفاده کردند. [۳۹]

در سال 2015، ژو (Zhou) و همکارانش پیشنهاد دادند که طبقه بند Naïve Bayesian برای شناسایی آسیب­ های مغز استفاده شود. [۴۰]

بیماری آلزایمر

از سیستم­ های CAD می­ توان برای شناسایی مورد ­های آلزایمری و یا مبتلا به اختلالات شناختی خفیف استفاده کرد.

در سال 2014، پادما (Padma) و همکارانش از ترکیب ویژگی­ های بافت آماری ویولت برای تقطیع و طبقه ­بندی تومورهای AD خوش­خیم و بدخیم استفاده کردند. [۴۱] ژانگ و همکارانش دریافتند که صحت طبقه ­بند درخت تصمیم ­گیری 80%، با میانگین زمان محاسبه 0.022 ثانیه برای هر طبقه ­بندی است. [۴۲]

Eigenbrain، یک ویژگی جدید مغز برای کمک به شناسایی AD، بر اساس تحلیل اجزای اصلی (Principal Component Analysis) [۴۳] یا تحلیل اجزای مستقل (Independent Component Analysis) است. [۴۴] ثابت شده است که SVM چندجمله ­ای، صحت خوبی دارد. KSVM چندجمله ­ای بهتر از SVM خطی و SVM کرنل RBF عمل می ­کند. [۴۵] روش های دیگر با نتایج قابل قبول شامل استفاده از تحلیل­ بافت (texture analysis)، [۴۶] ویژگی­ های ریخت ­شناختی (morphological features)، [۴۷] یا ویژگی­ های آماری درجه بالا می­ شود. [۴۸]

پزشکی هسته ای

سیستم CADx برای تصاویر پزشکی هسته ­ای در دسترس است. سیستم­ ها تجاری CADx برای تشخیص متاستاز استخوان در اسکن­ های کل بدن و بیماری­ های شریان کروناری در تصاویر تزریق وریدی قلب وجود دارند. [۴۹]

سیستم­ های شناسایی خودکار ضایعات با کمک کامپیوتر، با دارا بودن حساسیت بالا و نرخ قابل قبولی از شناسایی غلط ضایعات، مفید شناخته شده و احتمالاً در آینده برای کمک به تشخیص ضایعات استخوانی در پزشکی هسته­ ای به کار گرفته خواهدشد. [۵۰]

رتینوپاتی دیابتی

رتینوپاتی دیابتی، یکی از بیماری­ های شبکیه است که عمدتاً توسط تصاویر فوندوسکوپی تشخیص داده می­ شود. بیماران دیابتی در کشورهای صنعتی معمولا در این شرایط تحت غربالگری منظم قرار می­ گیرند. برای تشخیص زودهنگام رگ­ های خونی غیرعادی شبکیه، از تصویر برداری استفاده می­ شود. تحلیل دستی این تصاویر، وقت­ گیر و غیر قابل اطمینان است. [۵۱] [۵۲] به منظور بالا بردن صحت، حساسیت و ویژگی روش تشخیص خودکار از CAD استفاده می­ شود. جایگزین کردن نیروی انسانی با سیستم ­های CAD می­ تواند ایمن و مقرون به صرفه باشد. [۵۲]

مراحل اصلی الگوریتم CAD شامل پیش ­پردازش، استخراج ویژگی و طبقه ­بندی است. [۵۳]

روش های پیش پردازش

نرمالیزه کردن تصاویر، تغییرات را در کل تصویر به حداقل می ­رساند. تغییرات شدت در نواحی بین کناره­ ها تا مرکز شبکیه چشم موجب عدم صحت تقطیع رگ ­ها می ­شود. [۵۴] بر اساس مطالعه مروری که در سال 2014 انجام شده، در اکثر مطالعات (11 مطالعه از بین 40 مورد تحقیق انجام شده از سال 2011) از این روش استفاده کرده ­اند. [۵۳]

تصویر نمونه بردار هیستوگرافی. چپ: تصویر فرسودگی عادی در حالت خاکستری. راست: پردازش انعطاف پذیری پس از هیستوگرام. [۵۵]

همسان­ سازی هیستوگرام، روشی برای افزایش کنتراست تصویر است. [۵۶] از این تکنیک برای افزایش کنتراست محلی استفاده می­ شود. پس از پایان پردازش، نواحی تاریک در تصویر ورودی، روشن­ تر خواهد شد که این امر ویژگی­ های موجود در آن ناحیه را بهبود می­ بخشد. از سوی دیگر، نواحی روشن­ تر در تصویر ورودی، روشن باقی­مانده یا از روشنایی آن­ها کاسته می­ شود تا با نواحی دیگر تصویر همسان شود. در کنار تقطیع رگ ها، ویژگی­ های دیگر رتینوپاتی دیابتی را می­ توان با این تکنیک پیش­ پردازش جداسازی کرد. میکروآنوریسم ­ها و لخته­ های خونی، ضایعاتی قرمز رنگ هستند در حالی که ترشحات، نقاط زرد رنگ می­ باشند. افزایش کنتراست بین این دو گروه، دیدن ضایعات را راحت­ تر می­ کند. مطالعه مروری در سال 2014 نشان داد که 10 مورد از 14 مطالعه اخیر (از سال 2011) از این روش استفاده کرده­ اند. [۵۳]

فیلتر کانال سبز، تکنیک مفید دیگری برای تمایز ضایعات از رگ ­ها بوده و به دلیل ایجاد حداکثر کنتراست بین ضایعات مرتبط با رتینوپاتی دیابتی بسیار مهم است. [۵۷] میکروآنوریسم­ ها و لخته­ های خونی ضایعاتی قرمز رنگ هستند که پس از اعمال فیلتر کانال سبز تیره خواهند شد. در مقابل، ترشحات، نقاط زرد رنگی بوده که پس از فیلتر کردن به صورت نقاط روشن دیده­ می­ شوند. بر اساس مطالعه مروری سال 2014، از این روش در 27 مورد از 40 مقاله منتشر شده در سه سال اخیر، استفاده شده ­است. [۵۳] علاوه بر این، از ترکیب فیلتر کانال سبز و سیستم پنجره­ گذاری دوگانه (double-windowing system) می­ توان در شناسایی نقطه مرکزی دیسک اپتیک (محل خروج اعصاب از چشم) بهره جست. [۵۶]

تصحیح روشنایی غیر یکنواخت، تکنیکی برای تنظیم روشنایی غیر یکنواخت در تصاویر فوندوسکوپی می­ باشد. ممکن است روشنایی غیر یکنواخت، به علت تغییر ویژگی­ های آماری تصویر باشد. [۵۳] این تغییرات، پردازش­ های بعدی مانند استخراج ویژگی را تحت تاثیر قرار داده و مهم­تر از همه اینکه توسط انسان قابل مشاهده نیست. می­ توان از طریق تغییر شدت پیکسل با استفاده از شدت پیکسل اصلی (f)، متوسط­ گیری محلی(λ) و پیکسل ­های مورد نظر (μ)، تصحیح روشنایی غیر یکنواخت (f') را انجام داد (با استفاده از رابطه زیر).[۵۸] سپس با اعمال تبدیل والتر-کلین (Walter-Klein transformation)، روشنایی یکنواخت می­ شود. [۵۸] این روش در بین روش­های موجود در مقالات مطالعه مروری سال 2014، کم­ترین کاربرد را دارد.

f' = f + μ – λ

عملیات ریخت­ شناسی، دومین روشی است که در مطالعه مروری سال 2014، کم ­ترین کاربرد را دارد. [۵۳] هدف اصلی این روش، بهبود کنتراست، خصوصاً در نواحی تیره ­تر نسبت به پس زمینه است.

استخراج ویژگی و طبقه بندی

پس از انجام پیش ­پردازش، تصویر با روش ­های مختلف محاسباتی تحلیل می­ شود. با این حال بررسی مقالات نشان می ­دهد که برخی روش ­ها شامل شامل SVM، چند مقیاس (multi-scale)، دنبال کردن رگ (vessel tracking)، رویکرد رشد ناحیه (region growing approach) و رویکردهای مبتنی بر مدل، برای تقطیع رگ بیشتر مورد استفاده قرار می گیرند.

ماشین بردار پشتیبان (Support Vector Machine). بردارهای پشتیبان (خط چین­ها) جهت بیشینه کردن تمایز بین دو گروه ایجاد شده است.

ماشین بردار پشتیبان، طبقه­ بندی است که در بیش از 90% موارد برای تقطیع استفاده می­ شود. [۵۹] SVM، یک مدل یادگیری تحت نظارت از تکنیک ­های بازشناسی الگو است. الگوریتم آن از طریق ایجاد بزرگ ­ترین شکاف بین نمونه­ های داده عمل می­ کند. هدف، ایجاد بزرگ­ترین شکاف بین این اجزا، به منظور حداقل کردن خطای طبقه­ بند است. [۶۰] الگوریتم SVM، جهت جدا کردن اطلاعات مربوط به رگ­ های خونی، بردارهای پشتیبانی ایجاد می­ کند که در محیطی نظارت­ شده، پیکسل­ های رگ­ها را از سایر قسمت­ های تصویر تفکیک می­ کند. شناسایی رگ­ های خونی در تصاویر جدید، به روش مشابه و با استفاده از بردارهای پشتیبان انجام می ­شود. ترکیب این روش با سایر تکنیک ­های پیش پردازش، مانند فیلتر کانال سبز، صحت تشخیص رگ ­های خونی غیر طبیعی را بهبود می بخشد. [۵۳] برخی از مزایای SVM عبارتند از: [۶۰]

  • انعطاف پذیری - از لحاظ عملکرد بسیار انعطاف پذیر است
  • سادگی - ساده، به ویژه با مجموعه داده های بزرگ(برای تفکیک داده تنها بردارهای پشتیبان مورد نیاز است)

رویکرد چند مقیاسی (Multi-scale approach)، رویکردی با چند رزولوشن برای تقطیع رگ است. در رزولوشن­ های پایین، می­ توان ابتدا رگ­ های با قطر زیاد را استخراج کرد. با افزایش رزولوشن، شاخه­ های کوچک­تر رگ­ های قطور را می­ توان به سادگی شناسایی کرد. بنابراین، یکی از مزایای استفاده از این روش، افزایش سرعت تحلیل است. [۵۱] علاوه بر این، این روش را می ­توان برای تصاویر سه بعدی نیز به کار برد. نماینده سطح، یک سطح عادی از رگ است که شناسایی وضعیت غیرعادی سطح رگ را امکان­ پذیر می­ کند. [۵۶]

دنبال کردن رگ (vessel tracking)، توانایی الگوریتم برای شناسایی خط مرکزی رگ­ ها است. این خطوط مرکزی، حداکثر پیک منحنی رگ است. مرکز رگ را می­ توان با استفاده از اطلاعات جهتی فراهم شده از فیلتر گوسی، یافت.[۵۶] رویکردهای مشابه که از مفهوم خط مرکزی استفاده می­ کنند عبارتند از رویکرد مبتنی بر اسکلت (skeleton-based) و رویکرد تفاضلی مبتنی بر هندسه (differential geometry-based). [۵۱]

رویکرد رشد ناحیه (Region growing approach)، روشی برای شناسایی پیکسل­ های همسایه با استفاده از شباهت­ ها است. برای شروع نیاز به یک نقطه مرکزی داریم. دو جز اصلی این روش عبارتند از: شباهت و نزدیکی مکانی. هر یک از پیکسل ­های همسایه نقطه مرکزی، در صورت تشابه روشنایی، هم­نوع با نقطه مرکزی در نظر گرفته شده و به ناحیه افزوده می­ شود. یکی از معایب این روش، نیاز به انتخاب دستی نقطه مرکزی است که باعث ایجاد ناپایداری در آن می ­شود. [۵۱] کاربرد این تکنیک در شناسایی دیسک اپتیک نیز می­ باشد. [۵۶]

رویکردهای مبتنی بر مدل (Model-based approaches)، نماینده را برای استخراج رگ­ ها از تصویر به کار می­ برند. سه دسته اصلی روش ­های مبتنی بر مدل عبارتند از تغییرشکل­ پذیر (deformable)، پارامتریک و تطبیق الگو (template matching).[۵۱] روش ­های تغییرشکل­ پذیر یک شی را تغییر شکل داده تا با مرزهای شکل داخل تصویر مطابقت یابد. روش پارامتریک از شکل­ های هندسی رگ خونی مانند لوله، سیلندر، یا بیضی استفاده می ­کند. علاوه بر این، ترکیب روش کانتور ماری کلاسیک (Classical snake contour) و اطلاعات توپولوژی رگ خونی نیز یک رویکرد مبتنی بر مدل محسوب می­ شود. [۶۱] در نهایت، تطبیق الگو، استفاده از یک قالب است، که توسط فرایند تغییر شکل تصادفی با استفاده از حالت مخفی مارکف 1 مطابقت دارد.

تأثیرات در اشتغال زایی

خودکارشدن تشخیصی پزشکی (به عنوان مثال، اندازه گیری گلبول های قرمز ) سابقه تاریخی دارد . [۶۲] انقلاب یادگیری عمیق (deep learning revolution) در سال 2010، تاکنون AIهای ایجاد کرده که در بسیاری از موارد دقیق ­تر از رادیولوژیست­ ها و متخصصین پوست هستند و انتظار می ­رود این شکاف رشد کند. برخی از متخصصین، همچون پزشک­ها، اثرات این AIها را در رشته پزشکی رد می­ کنند. در مقابل، بسیاری از اقتصاددانان و کارشناسان هوش مصنوعی اعتقاد دارند که رشته­ هایی مانند رادیولوژی از بین خواهد رفت و شمار زیادی از رادیولوژیست­ ها بیکار شده یا دستمزد آن­ ها کاهش خواهد یافت؛ در نهایت بیمارستان ­ها رادیولوژیست ­های کم­تری نیاز داشته و رادیولوژیست­ های باقی­ مانده در بیمارستان­ ها نیز به آموزش مجدد نیاز دارند. جفری هینتون (Geoffrey Hinton)، پدر علم یادگیری عمیق، معتقد است که (با توجه به پیشرفت­ های احتمالی در 5 یا 10 سال آینده) بیمارستان ­ها باید تعلیم رادیولوژیست­ های جدید را کنار گذارند، زیرا وقت­ گیر و هزینه بر بوده و به زودی منسوخ خواهدشد. [۶۳] [۶۴] یک اپراتور در JAMA، استدلال می کند که رشته پاتولوژی و رادیولوژی باید باهم ادغام شده و «متخصص اطلاعات» نام گیرد؛ و رادیولوژیست ­ها باید با کامپیوتر جایگزین شوند. متخصصان اطلاعات باید منطق Bayesian، آمار و علوم داده، ژنومیک و زیست­ سنجی را بیاموزند. بازشناسی الگوی دستی برای رادیولوژیست­ ها از اهمیت کم­تری نسبت به قبل برخوردار است. [۶۵]

همچنین نگاه کنید

  • سیستم های کامپیوتری مورد استفاده در آزمایشات بالینی
  • ربات تشخیصی

منابع


  1. ↑ "Computer-aided Diagnosis: The Tipping Point for Digital Pathology". Digital Pathology Association. 27 April 2017.
  2. ↑ Bird, R. E.; Wallace, T. W.; Yankaskas, B. C. (1992). "Analysis of cancers missed at screening mammography". Radiology. 184: 613–617. doi:10.1148/radiology.184.3.1509041.
  3. ↑ Baker, J. A.; Rosen, E. L.; Lo, J. Y.; et al. (2003). "Computer-Aided Detection (CAD) in Screening Mammography: Sensitivity of Commercial CAD Systems for Detecting Architectural Distortion". American Journal of Roentgenology. 181: 1083–1088. doi:10.2214/ajr.181.4.1811083. {{cite journal}}: Explicit use of et al. in: |last4= (help)
  4. ↑ Jang, H. J.; Lee, K. S.; Kwon, O. J.; et al. (1996). "Bronchioloalveolar carcinoma: focal area of ground-glass attenuation at thin-section CT as an early sign". Radiology. 199: 485–488. doi:10.1148/radiology.199.2.8668800. {{cite journal}}: Explicit use of et al. in: |last4= (help)
  5. ↑ Suzuki, K.; Li, F.; Sone, S.; Doi, K. (2005). "Computer-aided diagnostic scheme for distinction between benign and malignant nodules in thoracic low-dose CT by use of massive training artificial neural network". IEEE Transactions on Medical Imaging. 24: 1138–1150. doi:10.1109/tmi.2005.852048.
  6. ↑ Lostumbo, A.; Suzuki, K.; Dachman, A. H. (2010). "Flat lesions in CT colonography". Abdom Imaging. 35: 578–583. doi:10.1007/s00261-009-9562-3.
  7. ↑ Echegaray, Sebastian; Gevaert, Olivier; Shah, Rajesh; Kamaya, Aya; Louie, John; Kothary, Nishita; Napel, Sandy (18 November 2015). "Core samples for radiomics features that are insensitive to tumor segmentation: method and pilot study using CT images of hepatocellular carcinoma". Journal of Medical Imaging. 2 (4): 041011. doi:10.1117/1.JMI.2.4.041011. PMC 4650964.
  8. ↑ Murphy, K.; van Ginneken, B.; Schilham, A. M.; et al. (2009). "A large-scale evaluation of automatic pulmonary nodule detection in chest CT using local image features and k-nearest-neighbour classification". Medical Image Analysis. 13: 757–770. doi:10.1016/j.media.2009.07.001. {{cite journal}}: Explicit use of et al. in: |last4= (help)
  9. ↑ Suzuki, K.; Armato, 3rd, S. G.; Li, F.; Sone, S.; Doi, K. (2003). "Massive training artificial neural network (MTANN) for reduction of false positives in computerized detection of lung nodules in low-dose computed tomography". Med Phys. 30: 1602–1617. doi:10.1118/1.1580485.
  10. ↑ Chan, H. P.; Lo, S. C.; Sahiner, B.; et al. (1995). "Computer-aided detection of mammographic microcalcifications: pattern recognition with an artificial neural network". Med Phys. 22: 1555–1567. doi:10.1118/1.597428. {{cite journal}}: Explicit use of et al. in: |last4= (help)
  11. ↑ Chen, S.; Suzuki, K.; MacMahon, H. (2011). "Development and evaluation of a computer-aided diagnostic scheme for lung nodule detection in chest radiographs by means of two-stage nodule enhancement with support vector classification". Med Phys. 38: 1844–1858. doi:10.1118/1.3561504. PMC 3069992. PMID 21626918.
  12. ↑ Papadopoulos, A.; Fotiadis, D. I.; Likas, A. (2005). "Characterization of clustered microcalcifications in digitized mammograms using neural networks and support vector machines". Artif Intell Med. 34: 141–150. doi:10.1016/j.artmed.2004.10.001.
  13. ↑ Wollenweber T.; Janke B.; Teichmann A.; Freund M. (2007). "Korrelation zwischen histologischem Befund und einem Computer-assistierten Detektionssystem (CAD) für die Mammografie". Geburtsh Frauenheilk. 67: 135–141. doi:10.1055/s-2006-955983.
  14. ↑ Taylor P, Potts HW (2008). "Computer aids and human second reading as interventions in screening mammography: Two systematic reviews to compare effects on cancer detection and recall rate". European Journal of Cancer. 44: 798–807. doi:10.1016/j.ejca.2008.02.016.
  15. ↑ Abe, Yoshiyuki; Hanai, Kouzo; Nakano, Makiko; Ohkubo, Yasuyuki; Hasizume, Toshinori; Kakizaki, Toru; Nakamura, Masato; Niki, Noboru; Eguchi, Kenji (2005-01-01). "A Computer-aided Diagnosis (CAD) System in Lung Cancer Screening with Computed Tomography". Anticancer Research (به انگلیسی). 25 (1B): 483–488. ISSN 0250-7005. PMID 15816616.
  16. ↑ Wu N, Gamsu G, Czum J, Held B, Thakur R, Nicola G (Mar 2006). "Detection of small pulmonary nodules using direct digital radiography and picture archiving and communication systems". J Thorac Imaging. 21 (1): 27–31. doi:10.1097/01.rti.0000203638.28511.9b. PMID 16538152.
  17. ↑ Giger, Maryellen Lissak; Doi, Kunio; MacMahon, Heber (1988-03-01). "Image feature analysis and computer-aided diagnosis in digital radiography. 3. Automated detection of nodules in peripheral lung fields". Medical Physics (به انگلیسی). 15 (2): 158–166. doi:10.1118/1.596247. ISSN 2473-4209.
  18. ↑ Ginneken, B. Van; Romeny, B. M. Ter Haar; Viergever, M. A. (2001-12-01). "Computer-aided diagnosis in chest radiography: a survey". IEEE Transactions on Medical Imaging. 20 (12): 1228–1241. doi:10.1109/42.974918. ISSN 0278-0062.
  19. ↑ Coppini, G.; Diciotti, S.; Falchini, M.; Villari, N.; Valli, G. (2003-12-01). "Neural networks for computer-aided diagnosis: detection of lung nodules in chest radiograms". IEEE Transactions on Information Technology in Biomedicine. 7 (4): 344–357. doi:10.1109/TITB.2003.821313. ISSN 1089-7771.
  20. ↑ Giger, M. L.; Bae, K. T.; MacMahon, H. (1994-04-01). "Computerized detection of pulmonary nodules in computed tomography images". Investigative Radiology. 29 (4): 459–465. doi:10.1097/00004424-199404000-00013. ISSN 0020-9996. PMID 8034453.
  21. ↑ Kanazawa, K.; Kawata, Y.; Niki, N.; Satoh, H.; Ohmatsu, H.; Kakinuma, R.; Kaneko, M.; Moriyama, N.; Eguchi, K. (1998-03-01). "Computer-aided diagnosis for pulmonary nodules based on helical CT images". Computerized Medical Imaging and Graphics (به انگلیسی). 22 (2): 157–167. doi:10.1016/S0895-6111(98)00017-2. ISSN 0895-6111. PMID 9719856.
  22. ↑ Chen, Sheng; Zhong, Sikai; Yao, Liping; Shang, Yanfeng; Suzuki, Kenji (2016). "Enhancement of chest radiographs obtained in the intensive care unit through bone suppression and consistent processing". Physics in Medicine and Biology. 61 (6): 2283–2301. doi:10.1088/0031-9155/61/6/2283.
  23. ↑ Chen, S.; Suzuki, K. (2014-02-01). "Separation of Bones From Chest Radiographs by Means of Anatomically Specific Multiple Massive-Training ANNs Combined With Total Variation Minimization Smoothing". IEEE Transactions on Medical Imaging. 33 (2): 246–257. doi:10.1109/TMI.2013.2284016. ISSN 0278-0062.
  24. ↑ Suzuki, K.; Abe, H.; MacMahon, H.; Doi, K. (2006-04-01). "Image-processing technique for suppressing ribs in chest radiographs by means of massive training artificial neural network (MTANN)". IEEE Transactions on Medical Imaging. 25 (4): 406–416. doi:10.1109/TMI.2006.871549. ISSN 0278-0062.
  25. ↑ LOOG, M; VANGINNEKEN, B; SCHILHAM, A (2006-12-01). "Filter learning: Application to suppression of bony structures from chest radiographs". Medical Image Analysis (به انگلیسی). 10 (6): 826–840. doi:10.1016/j.media.2006.06.002. ISSN 1361-8415.
  26. ↑ Chen, S.; Suzuki, K. (2013-02-01). "Computerized Detection of Lung Nodules by Means of #x201C;Virtual Dual-Energy #x201D; Radiography". IEEE Transactions on Biomedical Engineering. 60 (2): 369–378. doi:10.1109/TBME.2012.2226583. ISSN 0018-9294. PMC 4283823. PMID 23193306.
  27. ↑ doi:10.1016/j.crad.2018.02.009
  28. ↑ Suzuki, Kenji; Yoshida, Hiroyuki; Näppi, Janne; Dachman, Abraham H. (2006-10-01). "Massive-training artificial neural network (MTANN) for reduction of false positives in computer-aided detection of polyps: Suppression of rectal tubes". Medical Physics (به انگلیسی). 33 (10): 3814–3824. doi:10.1118/1.2349839. ISSN 2473-4209.
  29. ↑
    Chaplot، S.، LM Patnaik، و NR Jagannathan، طبقه بندی تصاویر مغز تشدید مغز با استفاده از موجک به عنوان ورودی برای پشتیبانی از دستگاه بردار و شبکه عصبی . پردازش و کنترل سیگنال های بیولوژیکی، 2006 (1): ص. 86-92.
  30. ↑
    Maitra، M. و A. Chatterjee، سیستم هوشمند مبتنی بر Slantlet برای طبقه بندی مغز تشدید مغناطیسی. پردازش و کنترل سیگنال های بیولوژیکی، 2006 (1) (4): ص. 299-306.
  31. ↑ Wang, S.; Wu, W. (2010). "A Novel Method for Magnetic Resonance Brain Image Classification based on Adaptive Chaotic PSO". Progress in Electromagnetics Research. 109: 325–343.
  32. ↑ Zhang, Yudong; Wu, L. (2011). "Magnetic Resonance Brain Image Classification by an Improved Artificial Bee Colony Algorithm". Progress in Electromagnetics Research. 2011: 65–79.
  33. ↑
  34. ↑ Zhang, Yudong; Dong, Zhengchao; Ji, Genlin (2015). "Effect of spider-web-plot in MR brain image classification". Pattern Recognition Letters. 62: 14–16. doi:10.1016/j.patrec.2015.04.016.
  35. ↑ Zhang, Y.; Wang, S.; Ji, G.; Dong, Z. (2013). "Genetic Pattern Search and its Application to Brain Image Classification". Mathematical Problems in Engineering. 2013: 1–8. doi:10.1155/2013/580876.
  36. ↑ Das S.; Chowdhury M.; Kundu M.K. (2013). "Brain MR Image Classification Using Multiscale Geometric Analysis of Ripplet". Progress in Electromagnetics Research-Pier. 137: 1–17. doi:10.2528/pier13010105.
  37. ↑ Zhang, Y.; Wang, S. (2013). "An MR Brain Images Classifier System via Particle Swarm Optimization and Kernel Support Vector Machine". The Scientific World Journal. 2013: 9. doi:10.1155/2013/130134.
  38. ↑ Kalbkhani H.; Shayesteh M.G.; Zali-Vargahan B. (2013). "Robust algorithm for brain magnetic resonance image (MRI) classification based on GARCH variances series". Biomedical Signal Processing and Control. 8 (6): 909–919. doi:10.1016/j.bspc.2013.09.001.
  39. ↑ El-Dahshan E.S.A.; Mohsen H.M.; Revett K. (2014). "Computer-aided diagnosis of human brain tumor through MRI: A survey and a new algorithm". Expert Systems with Applications. 41 (11): 5526–5545. doi:10.1016/j.eswa.2014.01.021. {{cite journal}}: Unknown parameter |displayauthors= ignored (|display-authors= suggested) (help)
  40. ↑ Zhou, Xing-Xing (2015). "Detection of Pathological Brain in MRI Scanning Based on Wavelet-Entropy and Naive Bayes Classifier". Bioinformatics and Biomedical Engineering: 201–209. doi:10.1007/978-3-319-16483-0_20.
  41. ↑
    Padma، A. و R. Sukanesh، جداسازی و طبقه بندی تصاویر سی تی مغز با استفاده از ترکیبی از ویژگی های بافت آمار است . مجله علمی و مهندسی عربی، 2014. 39 (2): ص. 767-776.
  42. ↑ Zhang, Yudong; Wang, Shuihua; Dong, Zhengchao (2014). "Classification of Alzheimer Disease Based on Structural Magnetic Resonance Imaging by Kernel Support Vector Machine Decision Tree". Progress in Electromagnetics Research - Pier. 144: 185–191.
  43. ↑ Friston, K.; Poline, J-P.; Holmes, C.J.,; Frith, C.D.; Frackowiak, R.S. (1996). "A multivariate Analysis of PET activation studies". Hum. Brain Mapp. 4: 140–151. doi:10.1002/(SICI)1097-0193(1996)4:2<140::AID-HBM5>3.0.CO;2-3.{{cite journal}}: نگهداری CS1: نقطه‌گذاری اضافه (link)
  44. ↑ Martínez-Murcia, F.J.; Górriz, J.M.; Ramírez, J.; Puntonet, C.G.; Illán, I.A. (2013). "Functional activity maps based on significance measures and Independent Component Analysis". Computer Methods and Programs in Biomedicine. 111 (1): 255–268. doi:10.1016/j.cmpb.2013.03.015.
  45. ↑ Dong, Z.C. (2015). "Detection of subjects and brain regions related to Alzheimer's disease using 3D MRI scans based on eigenbrain and machine learning". Frontiers in Computational Neuroscience. 66 (9): 1–15. doi:10.3389/fncom.2015.00066.
  46. ↑ Zhang, J.; Yu, C.; Jiang, G.; Liu, W.; Tong, L. (2012). "3d texture analysis on mri images of alzheimer's disease". Brain imaging and behavior. 6 (1): 61–69. doi:10.1007/s11682-011-9142-3.
  47. ↑ Chupin, Marie; Gérardin, Emilie; Cuingnet, Rémi; Boutet, Claire; Lemieux, Louis; Lehéricy, Stéphane; Benali, Habib; Garnero, Line; Colliot, Olivier (2009). "Fully automatic hippocampus segmentation and classification in Alzheimer's disease and mild cognitive impairment applied on data from ADNI". Hippocampus. 19 (6): 579–587. doi:10.1002/hipo.20626.
  48. ↑ Martinez-Murcia, F.J.; Gorriz, J.M.; Ramirez, J.; Ortiz, A. (2016). "A Spherical Brain Mapping of MR Images for the Detection of Alzheimer's Disease". Current Alzheimer Research. 13 (5): 575–588. doi:10.2174/1567205013666160314145158. PMID 26971941.
  49. ↑ "EXINI Diagnostics".
  50. ↑ Huang, Kao and Chen (18 June 2007). "A Set of Image Processing Algorithms for Computer-Aided Diagnosis in Nuclear Medicine Whole Body Bone Scan Images". IEEE Transactions on Nuclear Science. 54: 514–522.
  51. ↑ ۵۱٫۰ ۵۱٫۱ ۵۱٫۲ ۵۱٫۳ ۵۱٫۴ Kaur, M; Talwar, R (2014). "Review on: blood vessel extraction and eye retinopathy detection" (PDF). International Journal of Computer Science and Information Technologies. 5 (6): 7513–7516.
  52. ↑ ۵۲٫۰ ۵۲٫۱ Tufail, A; Rudisill, C; Egan, C; Kapetanakis, VV; Salas-Vega, S; Owen, CG; Lee, A; Louw, V; Anderson, J (n.d.). "Automated diabetic retinopathy image assessment software: diagnostic accuracy and cost-effectiveness compared to human graders". Ophthalmology. 124: 343–351. doi:10.1016/j.ophtha.2016.11.014.
  53. ↑ ۵۳٫۰ ۵۳٫۱ ۵۳٫۲ ۵۳٫۳ ۵۳٫۴ ۵۳٫۵ ۵۳٫۶ Ahmad, A.; Mansoor, A. B.; Mumtaz, R.; Khan, M.; Mirza, S. H. (2014-12-01). "Image processing and classification in diabetic retinopathy: A review". 2014 5th European Workshop on Visual Information Processing (EUVIP): 1–6. doi:10.1109/EUVIP.2014.7018362.
  54. ↑ Fraz, M. M.; Barman, S. A.; Remagnino, P.; Hoppe, A.; Basit, A.; Uyyanonvara, B.; Rudnicka, A. R.; Owen, C. G. (2012-11-01). "An Approach to Localize the Retinal Blood Vessels Using Bit Planes and Centerline Detection". Comput. Methods Prog. Biomed. 108 (2): 600–616. doi:10.1016/j.cmpb.2011.08.009. ISSN 0169-2607.
  55. ↑ Priya, R; Aruna, P (2011). "Review of automated diagnosis of diabetic retinopathy using the support vector machine". International Journal of Applied Engineering Research, Dindigul. 1 (4): 844–862.
  56. ↑ ۵۶٫۰ ۵۶٫۱ ۵۶٫۲ ۵۶٫۳ ۵۶٫۴ Biradar, S; Jadhav, AS (2015). "A survey on blood vessel segmentation and optic disc segmentation of retinal images" (PDF). International Journal of Advanced Research in Computer and Communication Engineering. 4 (5): 21–26.
  57. ↑ Saleh, Marwan D.; Eswaran, C. (2012-10-01). "An Automated Decision-support System for Non-proliferative Diabetic Retinopathy Disease Based on MAs and HAs Detection". Comput. Methods Prog. Biomed. 108 (1): 186–196. doi:10.1016/j.cmpb.2012.03.004. ISSN 0169-2607.
  58. ↑ ۵۸٫۰ ۵۸٫۱ Antal, B.; Hajdu, A. (2012-06-01). "An Ensemble-Based System for Microaneurysm Detection and Diabetic Retinopathy Grading". IEEE Transactions on Biomedical Engineering. 59 (6): 1720–1726. arXiv:1410.8577. doi:10.1109/TBME.2012.2193126. ISSN 0018-9294.
  59. ↑ Patwari, Manjiri; Manza, Ramesh; Rajput, Yogesh; Saswade, Manoj; Deshpande, Neha (2013-10-01). "Review on Detection and Classification of Diabetic Retinopathy Lesions Using Image Processing Techniques". ResearchGate. 2 (10).
  60. ↑ ۶۰٫۰ ۶۰٫۱ Administrator (2015-05-20). "Review on: Detection of Diabetic Retinopathy using SVM and MDA". International Journal of Computer Applications. 117 (20).
  61. ↑ Espona, L.; Carreira, M. J.; Ortega, M.; Penedo, M. G. (2007-06-06). Martí, Joan (ed.). Pattern Recognition and Image Analysis. Lecture Notes in Computer Science (به انگلیسی). Springer Berlin Heidelberg. pp. 178–185. doi:10.1007/978-3-540-72849-8_23#page-1. ISBN 9783540728481.
  62. ↑ Paiva, Omir Antunes; Prevedello, Luciano M. (October 2017). "The potential impact of artificial intelligence in radiology". Radiologia Brasileira. 50 (5): V–VI. doi:10.1590/0100-3984.2017.50.5e1.
  63. ↑ Mukherjee, Siddhartha (27 March 2017). "A.I. Versus M.D." The New Yorker. Retrieved 3 February 2018.
  64. ↑ "Why scan-reading artificial intelligence is bad news for radiologists". The Economist (به انگلیسی). 29 November 2017. Retrieved 3 February 2018.
  65. ↑ Jha, Saurabh; Topol, Eric J. (13 December 2016). "Adapting to Artificial Intelligence". JAMA. 316 (22): 2353. doi:10.1001/jama.2016.17438.
برگرفته از «https://fa.wikipedia.org/w/index.php?title=تشخیص_به_کمک_کامپیوتر&oldid=25399153»