| LEADER |
06347nam a22002537a 4500 |
| 001 |
2105457 |
| 041 |
|
|
|a eng
|
| 044 |
|
|
|b فلسطين
|
| 100 |
|
|
|9 715904
|a الرشيدي، نايف عليان
|e مؤلف
|g Alresheedi, Naif Olayan
|
| 245 |
|
|
|a Optimal Deep Learning Network for Musculoskeletal X-Ray Imaging Classification for Hospital Medical Record System
|
| 246 |
|
|
|a شبكة التعليم العميق المثلي لتصنيف التصوير بالأشعة السينية للعضلات الهيكلية لنظام السجلات الطبية بالمستشفى
|
| 260 |
|
|
|b المركز القومي للبحوث
|c 2022
|g ديسمبر
|
| 300 |
|
|
|a 21 - 34
|
| 336 |
|
|
|a بحوث ومقالات
|b Article
|
| 520 |
|
|
|a أرشفة الصور الطبية هي أحد المكونات الأساسية لأي نظام للسجلات الطبية بالمستشفى (HMRS). وهي تشمل، على سبيل المثال، التصوير بالرنين المغناطيسي، والأشعة المقطعية، والأشعة السينية، والموجات فوق الصوتية، والأشعة السينية للعضلات الهيكلية وما إلى ذلك. تعد صور الأشعة السينية للعضلات الهيكلية ذات أهمية نسبية من حيث العدد بين الأنواع الأخرى من التصوير الطبي. تستخدم معظم نظام السجلات الطبية الموجودة بالمستشفى إما بالتعليق التوضيحي اليدوي للصور أو تستخدم البيانات الوصفية لكل صورة للأرشفة. وجد هذا النهج على انه ناقصا بسبب العمل اليدوي المكثف، وفرص سوء التصنيف، والاعتماد التام على الخبرة البشرية. علاوة على ذلك، من الصعب نسبيا معالجة أرشفة الصور وملفات التعريف الخاصة بها. المنهجية: يمكن معالجة هذه المشكلة من خلال الحل المختلط لرؤية الكمبيوتر والتعلم العميق. في الأدبيات الحديثة، اقترح الباحثون استخدام خوارزميات التعلم الآلي وخوارزميات التعلم العميق لتصنيف الصور الطبية الحيوية وأرشفتها. ومع ذلك، وجد أن الأدبيات ناقصة للتوصية بشبكة تعلم عميق موحدة لتصنيف صور السينية للعضلات الهيكلية بدقة وكفاءة أكبر. تعتبر مجموعة بيانات LERA واحدة من مجموعة بيانات صور الأشعة السينية للعضلات الهيكلية المعيارية. النتائج على حد علمي، لا يزال البحث عن أفضل مرشح للشبكة العصبية العميقة مفقودا في الأدبيات، وستقدم هذه الدراسة الأساس المنطقي والتجريبي للتوصية بشبكة التعلم العميق المثلى لتصنيف التصوير بالأشعة السينية لنظام السجلات الطبية بالمستشفى باستخدام مجموعة بيانات LERA (الصور الإشعاعية للعضلات الهيكلية). تم الاستنتاج أن المتغيرات من Resent وGoogle Net وDark Net هي المرشح المقترح لتصنيف صور الأشعة السينية. LEAR
|b Background: Medical image archiving is one of the integral components of any hospital medical record system (HMRS). It includes, but is not limited to, MRI, CT-Scan, X-ray, Ultrasound, Musculoskeletal X-rays etc. The musculoskeletal X-ray images are relatively significant in number among the other types of medical imaging. Most of the existing HMRS use either the manual annotation of the images or use metadata for every image for archiving. This approach is found to be deficient because of intensive manual work, chances of misclassification, and reliance on human expertise. Moreover, archiving the images and their metafiles is relatively difficult to handle. Methodology: This issue can be handled by a hybrid solution of computer vision and deep learning. In the recent literature, researchers have proposed using machine learning and deep learning algorithms for biomedical image classification and archiving. However, the literature is found to be insufficient to recommend a unified deep learning network for Musculoskeletal X-ray Image classification with greater accuracy and efficiency. The LERA dataset is considered one of the benchmark Musculoskeletal X-rays image datasets. Results: To the best of knowledge the investigation of the best candidate of deep neural network is still missing in the literature. This study will present the logical and empirical rationale for the recommendation of the optimal deep learning network for X-ray Imaging Classification for Hospital Medical Record System using LERA (musculoskeletal radiographs) dataset. It has been concluded that the variants of Resnet, Google Net, and DarkNet are the suggested candidates for LERA x-ray image classification.
|
| 653 |
|
|
|a الصور الطبية
|a السجلات الطبية
|a نظم الأرشفة
|a نظام إدارة المستشفى
|
| 692 |
|
|
|a التعلم العميق
|a تصنيف التصوير بالأشعة السينية للعضلات الهيكلية
|a نظام إدارة المستشفى
|a تحسين النموذج
|a مجموعة بيانات LERA
|a التعلم الآلي
|b Deep Learning
|b Musculoskeletal X-Ray Imaging Classification
|b Hospital Management System
|b Model Optimization
|b LERA Dataset
|b Machine Learning
|
| 700 |
|
|
|9 715903
|a الرشيدي، محمد بن عمير
|e م. مشارك
|g Alresheedi, Mohammed Omair
|
| 700 |
|
|
|9 715908
|a العضيبي، محمد علي
|e م. مشارك
|g Alodhaybi, Mohammed Ali Ahmed
|
| 773 |
|
|
|4 العلوم الإنسانية ، متعددة التخصصات
|6 Humanities, Multidisciplinary
|c 002
|f Mağallaẗ al-ʿulūm al-handasiyyaẗ wa-al-tiknūlūğiyā al-maʿlūmāt
|l 007
|m مج6, ع7
|o 1746
|s مجلة العلوم الهندسية وتكنولوجيا المعلومات
|t Journal of Engineering Sciences and Information Technology
|v 006
|x 2522-3321
|
| 856 |
|
|
|u 1746-006-007-002.pdf
|
| 930 |
|
|
|d y
|p y
|q n
|
| 995 |
|
|
|a HumanIndex
|
| 999 |
|
|
|c 1350238
|d 1350238
|
