مروری بر بازیابی تصاویر پزشکی مبتنی بر محتوا در اسلایدهای هیستوپاتولوژی با استفاده از شبکه‌های یادگیر عمیق

با افزایش تصاویر میکروسکوپی در پزشکی، وجود روش‌هایی برای آرشیو، جست‌و‌جو و بازیابی کارآمد این تصاویر مورد تاکید قرار گرفت. تجمع فراوان تصاویر هیستوپاتولوژیک منجر به افزایش تقاضا برای پاتولوژی دیجیتال (dp) شده است. در طول زمان بازیابی به سه شکل، مبتنی بر متن(tbir) ، مبتنی بر معنا (sbir) و مبتنی بر محتوا (cbir) صورت می‌گرفت. براساس بهترین تحقیق، هنوز در حوزه ‎ی dp در خصوص tbir و sbir مقاله‌ای گزارش نشده است، پس تنها روش cbir معرفی می‌شود. در عین حال سیستم بازیابی تصاویر میکروسکوپی با نام بازیابی تصاویر هیستوپاتولوژی مبتنی بر محتوا (cbhir) شناخته می‌شود. سیستم cbhir با کمک مکانیزم چند لایه، نوع اصلی بیماری سرطان و زیرنوع بیماری سرطان را طبقه‌بندی می‌کند، که معمولاً برای تمایز و طبقه‌بندی پیچیده هستند. این سیستم هم جست‌جوی چند تصویری و هم بازیابی اسلایدهای پاتولوژی (wsis) را به منظور اطمینان از ثبات معنایی در بین تصاویر بازیابی شده امکان‌پذیر می‌کند. یادگیری عمیق (dl) در حال گسترش به حوزه پاتولوژی است و نتایج امیدوارکننده‌ای را در تحلیل پاتولوژی دیجیتال و wsis نشان داده‌است. هدف بیان تلاش‌های پیاده‌سازی مدل‌های dl در cbhir است. تجزیه و تحلیل مطالعه حاضر، چهار روند تحقیقاتی مدل‌های dl در مقابل dp را نشان می‌دهدکه شامل طبقه‎بندی، پیش‌بینی، تشخیص و بافت مطالعاتی است. چهار پایگاه داده جستجو الکترونیکی و 19 مطالعه شناسایی شدند. مقاله حاضر، نتیجه بررسی مطالعات موردی و تحلیل رویکردهای دیگر، با هدف بیان محبوب‌ترین روش‌ها برای ایجاد cbhir و همچنین معرفی برخی مشکلات خاص چنین تحلیلی است و نتایج منطبق براهداف داده‌کاوی در wsis می‌باشد. این مقاله تلاشی برای بحث در مورد الگوریتم‌های غالب، محدودیت‌ها و روش‌های مقابله با آن است، سپس چند پایگاه داده مناسب جهت بررسی و آزمودن سامانه‌های بازیابی بیان خواهد شد.