دانلود ترجمه مقاله کاربرد یادگیری عمیق در تحلیل تصاویر پزشکی

1. مقدمه 2. معماری یادگیری ماشین 3. کاربردها در تحلیل تصاویر پزشکی 4. نتیجه گیری

موفقیت قابل توجه الگوریتم های یادگیری ماشینی در امور تشخیص تصویر در سالهای اخیر، با افزایش هنگفت استفاده از سوابق پزشکی الکترونیکی و تصویر برداری تشخیص بیماری، همزمان و مقارن شده است. این مرور ادبی، الگوریتم های یادگیری ماشینی بکار گرفته شده برای تحلیل تصویر پژشکی را با تاکید بر شبکه های عصبی کانولوشنال (پیچشی)، و با تاکید بر جنبه بالینی این زمینه، معرفی می کند. مزیت یادگیری ماشینی در عصر کلان داده های پزشکی این است که روابط سلسله مراتبی قابل توجه بین داده ها را می توان به صورت الگوریتمی بدون کار دستی قابل توجه در مورد ویژگی ها، کشف کرد. زمینه های پژوهشی کلیدی و کاربردهای دسته بندی، مکان یابی، تشخیص، بخش بندی و ثبت تصاویر پزشکی را در اینجا، پوشش می دهیم. با بحث در مورد موانع پژوهشی، گرایش های نوظهور و جهت های پژوهشی بعدی، نتیجه گیری می کنیم. مقدمه: الگوریتم های یادگیری ماشینی، شایستگی سرمایه گذاری زیاد در همه زمینه های پزشکی، از کشف دارو تا تصمیم گیری بالینی را دارد و در نتیجه به میزان قابل توجهی، روش اجرای پزشکی را تغییر خواهد داد. موفقیت الگوریتم های یادگیری ماشینی در امور بینایی کامپیوتری در سالهای اخیر، به یک فرصت زمانی رسیده است که بتوان سوابق پزشکی را به صورت بیش از پیش، دیجیتالی نمود. استفاده از سوابق سلامت الکترونیک (EHR) ، از 11.8 درصد به 39.6 درصد در میان پزشکان مطب دار در ایالات متحده از 2007 تا 2012 افزایش یافته است [1]. تصاویر پزشکی، قسمت لاینفک یک EHR بیمار است و در حال حاضر بوسیله رادیولوژیست های انسانی، کسانی که از نظر سرعت، خستگی و تجربه محدود هستند، مورد تحلیل قرار می گیرند. آموزش دادن یک رادیولوژیست شایسته نیاز به هزینه مالی و زمان بسیاری دارد و تعدادی از سیستم های مراقبت سلامت، گزارشگری رادیولوژی را به کشورهای کم هزینه تر مانند هند از طریق تله رادیولوژی، برون سپاری کرده اند. تشخیص اشتباه یا تاخیردار باعث آسیب به بیمار می شود. بنابراین، برای تحلیل تصویر پزشکی، ایده آل است که توسط یک الگوریتم یادگیری ماشینی خودکار، دقیق و کارآمد انجام شود.

The tremendous success of machine learning algorithms at image recognition tasks in recent years intersects with a time of dramatically increased use of electronic medical records and diagnostic imaging. This review introduces the machine learning algorithms as applied to medical image analysis, focusing on convolutional neural networks, and emphasizing clinical aspects of the field. The advantage of machine learning in an era of medical big data is that significant hierarchal relationships within the data can be discovered algorithmically without laborious hand-crafting of features. We cover key research areas and applications of medical image classification, localization, detection, segmentation, and registration. We conclude by discussing research obstacles, emerging trends, and possible future directions. INTRODUCTION: Machine learning algorithms have the potential to be invested deeply in all fields of medicine, from drug discovery to clinical decision making, significantly altering the way medicine is practiced. The success of machine learning algorithms at computer vision tasks in recent years comes at an opportune time when medical records are increasingly digitalized. The use of electronic health records (EHR) quadrupled from 11.8% to 39.6% amongst office-based physicians in the US from 2007 to 2012 [1]. Medical images are an integral part of a patient's EHR and are currently analyzed by human radiologists, who are limited by speed, fatigue, and experience. It takes years and great financial cost to train a qualified radiologist, and some health-care systems outsource radiology reporting to lower-cost countries such as India via tele-radiology. A delayed or erroneous diagnosis causes harm to the patient. Therefore, it is ideal for medical image analysis to be carried out by an automated, accurate and efficient machine learning algorithm.

بخشی از ترجمه مقاله (صفحه 7 فایل ورد ترجمه)