ارائه یک روش مبتنی بریادگیری عمیق جهت قطعه بندی تصاویر رادیولوژی جهت مراکز آموزشی درمانی

تصویربرداری اشعه ایکس یکی از قدیمی‌ترین، ساده‌ترین و کاربردی ترین روش‌های تشخیص پزشکی است که در بسیاری از کاربردها مانند تشخیص محل و نوع شکستگی استخوان، انتخاب روش درمان مناسب و نظارت بر مراحل بهبود مورد استفاده قرار می‌گیرد . تقسیم‌بندی خودکار بخش استخوانی در یک تصویر اشعه ایکس دیجیتال، به دلیل کنتراست پایین با بافت اطراف آن، یک مشکل چالش برانگیز است. دراین مقاله با استفاده از توانایی شبکه های عمیق در یادگیری و حل مسائل، به بررسی روش های بخش بندی تصاویر رادیولوژی(x-ray) می پردازیم و یک راه‌ حل نهایی ارائه می‌کنیم که منجر به استنتاج قوی و کارآمد می‌شود. از آنجا که اغلب موسسات پزشکی منابع لازم برای پردازش و برچسب مقدار زیادی از تصاویر x - ray را معمولا برای آموزش شبکه عصبی ندارند، روش‌های کنونی به شدت بر یک سیستم پیچیده از تکنیک‌های پردازش تصویر کلاسیک تکیه دارند، با این حال، استفاده از یادگیری ماشین مزایای متعددی نسبت به این روش‌های سنتی ارائه می‌دهد.

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

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.