مروري نظام‌مند و تحليلي بر رويكردها، روش‌ها و سيستم‌هاي بازيابي اطلاعات تصاوير پزشكي

Medical image retrieval approaches, methods and systems: A systematic review

چكيده سابقه و هدف: در ميان انواع مستندات براي ذخيره اطلاعات پزشكي، طبق آمارها، استفاده از تصوير پزشكي علاوه بر امر تشخيص، در پژوهش و آموزش به سرعت رو به رشد است. چنين رشدي، اهميت بازيابي اين تصاوير را در سيستم‌هايي با حجم بالاي تصاوير پزشكي، مطرح مي‌كند. بدين منظور نياز است تا جهت بررسي روند تحقيقات براي مطالعات بعدي و كمك به پژوهش‌هاي آينده، مروري نظام‌مند بر بازيابي تصاوير داشته باشيم. هدف از اين پژوهش، تحليل نظام‌مند روش‌ها، رويكردها و سيستم‌هاي بازيابي تصاوير در مقالات بين سال‌هاي 2006 تا 2016 است. براي اين‌كه پژوهشي در خصوص بازيابي اطلاعات تصاوير پزشكي در ادامه‌ي نتايج پژوهش‌هاي پيشين انجام گيرد، پژوهشگر بايد بداند كدام روش در ميان محققان اين حوزه داراي مقبوليت و عملكرد بهتري است و از چگونگي ارزيابي يك روش كه به عنوان روش بهتر تشخيص داده شده است، آگاه باشد. اين مقاله سعي دارد به اين سوالات پاسخ دهد. مواد و روش‌ها: بدين منظور پايگاه‌هاي اطلاعاتي Springer، ScienceDirect (Elsevier)، IEEE، PubMedCentral، SID و Magiran با استفاده از كليدواژه‌ Medical Image Retrieval"" در پايگاه‌هاي اطلاعاتي انگليسي و از تركيب "تصوير پزشكي AND بازيابي" براي جستجو در پايگاه‌هاي فارسي، در فاصله‌ي زماني 2006 تا 2016 مورد جستجو قرار گرفتند. مقالات بازيابي شده، با استفاده از فرم ارزيابي منتقدانه استاندارد، بررسي شده و بر اساس كيفيت‌شان، وارد مطالعه شدند. سپس مقالات انتخاب شده، مورد تحليل قرار گرفته و اطلاعاتي از آنها ارايه شده است. همه‌ي مقاله‌هايي كه به نوعي به بررسي و ارزيابي، مرور يا يك نوآوري در مورد بازيابي تصاوير پزشكي و سيستم‌هاي بازيابي تصاوير پزشكي پرداخته‌اند، در مطالعه پذيرفته شدند. مقالاتي كه به بازخورد مرتبط بودن، ارايه راه‌حل‌هايي با رويكردهاي محتوا محور، متن محور و تركيبي به منظور ارتقاي پارامترهاي دقت و فراخواني پرداخته بودند نيز وارد مطالعه شدند. معيارهاي خروج مقالات از مطالعه اين بود كه مقالات بازيابي شده به بازيابي تصاويري غير از تصاوير پزشكي پرداخته باشند يا به موضوع بازيابي نپرداخته باشند. مطالعاتي كه به تكرار يك مطالعه‌ي ديگر پرداخته بودند و يا به‌طوركلي تكراري بودند، از مطالعه كنار گذاشته شدند. همچنين مقالاتي كه تمام متن آنها در دسترس نبود، از مطالعه خارج شدند. يافته‌ها: نتيجه‌ي جستجو با كليدواژه‌ها در مجموع 47585 مقاله بود. با حذف مقالات طبق معيارهاي بيان شده، 66 مقاله انتخاب شده از لحاظ رويكرد، روش يادگيري و مجموعه‌‌ي داده‌اي كه براي ارزيابي استفاده كرده بودند، مورد تحليل قرار گرفتند. بيشترين رويكرد در مقالات مرتبط با بازيابي تصاوير پزشكي، محتوا محور (71%) و 15% با رويكرد تركيبي محتوا محور و متن محور بود. روش يادگيري با نظارت 28% و بدون نظارت 24% بوده و تقريباً ميزان گرايش به آنها برابر بود. در بيشتر مقالات (%39)، تيم پژوهشگر، مجموعه‌ي ارزيابي را تهيه كرده بود و 18% مقالات از مجموعه داده استاندارد محك ImageCLEFmed استفاده كرده بودند. همچنين روش‌هاي شاخص‌گذاري در مقالات نيز تحليل شده و مورد بررسي قرار گرفتند. نتيجه‌گيري: نتيجه اين بررسي نشان مي‌دهد كه با توجه به كاربردهاي گسترده‌ي تصاوير پزشكي، پژوهش در توسعه‌ي روش‌هاي موثر كه قادر باشند دقت، فراخواني و سرعت را در بازيابي افزايش دهند، رو به رشد است. علي‌رغم اين موضوع، نبود مجموعه‌هاي محك استاندارد قابل دسترس براي پژوهشگران چالشي است كه آمارها نشانگر نياز به انجام پژوهش‌هاي كافي در اين مورد است.

Abstract: Background and Aim: 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. Materials and Methods: The major scientific databases (Springer, Science Direct (Elsevier), IEEE, PubMed Central, SID and Magiran) were searched, using keyword "Medical Image Retrieval" in English databases and combination of "تصوير پزشكو پ AND بازرواب پ " 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. Results: 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. Conclusion: 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.