دانلود مقاله تجزیه و تحلیل مبتنی بر داده روندهای جهانی پژوهش در تصویربرداری پزشکی

چکیده

     با گسترش هوش مصنوعی و تجهیزات محاسباتی با کارایی بالا، فناوری های جدید تأثیرات بسزایی بر پژوهش های تصویربرداری پزشکی دارند. با این وجود تشخیص مواردی نظیر اینکه چه زمانی موضوعات پژوهشی نوین تظاهر می‌یابند، نویسندگان تأثیرگذار چه کسانی هستند و انتشارات مرتبط چگونه بر جامعه دانشگاهی تأثیر می‌گذارد دشوار است. برای رسیدن به روندهای پژوهشی سراسری، روش‌ های مرسوم بررسی متون برای کسب اطلاعات کافی نیستند. در این مورد تحلیل مبتنی بر داده، رویکرد کمی نوینی برای مطالعه روند پژوهشی ارائه می دهد. در این بررسی از چندین نمایه متن‌ سنجی بنیادی برای توصیف روندهای کلی پژوهشی تصاویر پزشکی از سال 1993 تا 2022 از جمله خروجی سالانه، مجلات فعال، نویسندگان تاثیرگذار، مؤسسات فعال و کشورهای عمده استفاده شده است. همچنین از شیوه های مبتنی بر شبکه برای تجزیه و تحلیل ارتباط درونی هم‌واژه ها، هم‌نویسندگی، و هم‌استنادی استفاده شد تا نقاط مهم جامعه دانشگاهی را پیدا کرده و روندهای کلی پژوهشی توضیح داده شوند. برخی از نتایج نهایی به شرح زیر است: (1) پژوهش تصویربرداری پزشکی حال حاضر روندی صعودی را طی می کند. تعداد انتشارات در حیطه تصویربرداری پزشکی از سال 2015 با پیشرفت های فراوان در یادگیری عمیق افزایش یافته است. یادگیری عمیق و شبکه های عصبی پیچیده (CNN) هر دو کلیدواژه پژوهشی متداولی در سال های اخیر هستند. (2) تراکنش های IEEE در تصویربرداری پزشکی (IEEE Transactions on Medical Imaging) تأثیرگذارترین مجله از نظر امتیاز استناد منطقه ای (TLCS)، مجموع امتیازات استناد جهانی (TGCS) و تحلیل تصاویر پزشکی است. همچنین مجلات Neurocomputing و Information Fusion در جامعه پژوهشی منطقه ای به خوبی شناخته شده اند. (3) Van Ginneken B و Aerts HJWL در بررسی TLCS و TGCS پژوهشگران کاندید هستند. (4) ایالات متحده آمریکا کشوری پیشرو در پژوهش های تصویربرداری پزشکی است. از دیگر کشورهای تاثیرگذار می توان چین، هند، بریتانیا، آلمان، فرانسه، کانادا، هلند، استرالیا، ایتالیا، کره جنوبی و سوئیس را نام برد. موثرترین موسسات نظیر هاروارد، یومیچ، استنفورد، UPenn، UNC، CAS، SJTU، UCL، UofT، RU، (3) Van از این کشورها هستند. (5) استفاده از فناوری‌ های هوش مصنوعی به خصوص CNN، مطالعات کلی تصویربرداری پزشکی را از سال 2015 به بعد به‌ طور چشمگیری ترقی داده است. همکاری های بین رشته ای در میان متخصصان رشته های مختلف متداول تر خواهد شد. می‌توان استنباط کرد که تجزیه و تحلیل تصاویر پزشکی و کاربرد مبتنی بر یادگیری عمیق در آینده نه چندان دور با بهبود الگوریتم‌ ها و استفاده از تجهیزات محاسباتی با کارایی بالا همچنان زمینه‌ پژوهشی پر از پیشرفت خواهد بود. 

1. مقدمه

     تصاویر پزشکی توزیع ویژگی های فیزیکی اندازه گیری شده مختلفی از بدن انسان را توصیف می کنند [1]. پژوهش های تصویربرداری پزشکی شامل دو خط سیر تحقیقاتی نسبتا مستقل است: سیستم تصویربرداری پزشکی و پردازش تصاویر پزشکی. تصویربرداری پزشکی دارای دسته بندی هایی نظیر تصویربرداری سونوگرافی، تصویربرداری با اشعه ایکس، توموگرافی کامپیوتری (CT)، تصویربرداری تشدید مغناطیسی (MRI)، توموگرافی انتشار پوزیترون (PET) و غیره است [2]. پردازش تصاویر پزشکی شامل وظایف متعددی نظیر قطعه قطعه سازی [3]، ثبت کردن [4]، تقویت [5]، تبدیل [2]، دسته بندی [6] و غیره است. 

     هنگامی که تصاویر پزشکی برای اولین بار به صورت دیجیتالی و در کامپیوتر پردازش شدند، دانشمندان تلاش کردند آن ها را به صورت خودکار تجزیه و تحلیل کنند. مجموعه قوانینی برای پردازش تصاویر پزشکی در روزهای ابتدایی ایجاد شد. در اواخر دهه 1990 تشخیص الگو و یادگیری ماشینی به خصوص شیوه های نظارت شده، از محبوبیت فوق‌ العاده‌ ای در میان جامعه دانشگاهی تحلیل تصاویر پزشکی برخوردار بود [7,8]. در اوایل دهه 2000 بسیاری از پژوهشگران به بهینه سازی مدل های یادگیری با تمرکز بر به مسائل خاصی روی آوردند [9,10]. از زمان موفقیت بزرگ AlexNet در سال 2012 [11]، شبکه های پیچیده تر گسترش زیادی در بینایی کامپیوتر داشته اند [12]. کمی بعد یادگیری عمیق در تجزیه و تحلیل تصاویر پزشکی در کنفرانس های بین المللی ظاهر شد و از سال 2015 پیشرفت چشمگیری داشته است. 

7. نتیجه گیری

     در این مقاله بر تجزیه و تحلیل روندهای کلی پژوهشی در تصویربرداری پزشکی از سال 1993 تا 2022 بر اساس یک روش مبتنی بر داده تمرکز کردیم. جمع‌ آوری داده‌ ها از طریق Web of Science با تنظیم شرایط جستجوی محدود انجام شد. 19762 مورد را با موفقیت درآوردیم. همچنین هم شاخص‌ های کتاب‌ سنجی و هم روش‌ های شبکه‌ محور برای مطالعه کانون‌ های پژوهشی و روندهای کلی بکار برده شدند. با در نظر گرفتن تحلیل ارائه شده، در نهایت به نتایج زیر رسیدیم: 

     1. در زمینه تصویربرداری پزشکی، تعداد کلی مقالات در حدود به سه دهه افزایش یافته است. بازده سالانه از 635 به 2240 در ده سال گذشته به دلیل گسترش یادگیری عمیق و تجهیزات محاسباتی با کارایی بالا افزایش یافته است. Medical Physics فعال ترین مجله از نظر تعداد انتشارات بود، در حالی که IEEE Transactions on Medical Imaging و Medical Image Analysis تاثیرگذارترین مجلات از نظر TLCS و TGCS هستند. Neurocomputing و Information Fusion مجلاتی شناخته شده در جامعه پژوهشی منطقه‌ای هستند.

     2. 141 دسته موضوعی در انتشارات پژوهش های تصویربرداری پزشکی بدست آمد. مهندسی و علوم کامپیوتر در حال حاضر اغلب پژوهشگران را در تحقیقات تصویربرداری پزشکی جذب می کنند. Van Ginneken B و Aerts HJWL به ترتیب از نظر TLCS و TGCS پژوهشگران نماینده برای نویسندگان فعال هستند.

Abstract

     With the development of artificial intelligence and high-performance computing equipment, new technologies have huge effects on medical image research. However, it is difficult to find out when new research topics appear, who those authors with influences are, and how relevant publications influence the academic community. In order to catch up with global research trends, traditional methods of literature review are inadequate to acquire information. In this case, a data-driven analysis offers a new quantitative approach to studying global research trends. Specifically, this paper used several basic bibliometric indexes to characterize the global trends of medical image research from 1993 to 2022, including yearly output, active journals, important authors, active institutions, and main countries. Furthermore, we utilized network-based methods to analyze the internal relations of co-word, co-authorship, and co-citation, so as to discover academic hotspots and clarify global research trends. Finally, some conclusions are drawn as follow: (1) The present medical image research is on an upward trend. The number of publications on medical image surged since 2015 due to advances in deep learning. Deep learning and convolutional neural networks (CNNs) are both popular research keywords in recent years. (2) IEEE Transactions on Medical Imaging is the most influential journal in view of Total Local Citation Score (TLCS) and Total Global Citation Score (TGCS), followed by Medical Image Analysis. Neurocomputing and Information Fusion are well-recognized in local research community. (3) Van Ginneken B and Aerts HJWL are representative scholars in consideration of TLCS and TGCS. (4) The USA is a leading country in medical image research. Other influential countries include China, India, UK, Germany, France, Canada, Netherlands, Australia, Italy, South Korea, Switzerland, etc. Most important institutions are from these countries, including Harvard, UMich, Stanford, UPenn, UNC, CAS, SJTU, UCL, UofT, RU, etc. (5) Application of artificial intelligence technologies, especially CNNs, has dramatically promoted global studies of medical image since 2015. Interdisciplinary collaborations become popular among experts with different disciplines backgrounds. We can infer that medical image analysis and application based on deep learning will still be a flourishing field in the near future with the improvement of algorithms and the application of high-performance computing equipment.

1. Introduction

     Medical images describe distributions of various physical features measured from the human body [1]. Medical image research contains two relatively independent research directions: medical imaging system and medical image processing. Medical imaging has categories including ultrasound imaging, X-ray imaging, computed tomography (CT), magnetic resonance imaging (MRI), Positron Emission Tomography (PET), etc. [2] Medical image processing involves several tasks such as segmentation [3], registration [4], enhancement [5], conversion [2], clustering [6], etc.

     When the medical images were first digitized and processed in a computer, scientists tried to analyze them automatically. Sets of rules were established for medical image processing in the early days. In the late 1990 s, pattern recognition and machine learning, especially supervised methods, enjoyed tremendous popularity among academics of medical image analysis [7,8]. In the early 2000 s, many researchers turned to optimize learning models according to specific problems [9,10]. Since the great success of AlexNet [11] in 2012, deeper convolutional networks have made great progress in computer vision [12]. Deep learning in medical image analysis appeared at international conferences soon and has grown dramatically since 2015.

7. Conclusions

     In this paper, we concentrated on the analysis of global research trends in medical image from 1993 to 2022 based on a data-driven method. Data acquisition was carried out through the Web of Science by setting some restricted search conditions. We successfully fetched 19,762 records. Further, both bibliometric indexes and network-based methods were taken to study the research hotspots and global trends. Taking into account the analysis presented above, we eventually reached the following conclusions:

     (1) In the field of medical imaging, the overall number of papers has been increasing for nearly-three decades. In particular, the annual output skyrocketed from 635 to 2,240 in the past ten years due to the development of deep learning and highperformance computing equipment. Medical Physics is the most active journal from the standpoint of publication counts, while IEEE Transactions on Medical Imaging and Medical Image Analysis are the most influential journals in view of TLCS and TGCS. Neurocomputing and Information Fusion are well-recognized journals in the local research community.

     (2) There are 141 subject categories discovered in the publications of medical image research. Engineering and Computer Science currently attract most scholars in medical image research. For active authors, Van Ginneken B and Aerts HJWL are representative researchers from the viewpoint of TLCS and TGCS, respectively.

(جهت بزرگ نمایی روی عکس کلیک نمایید)

چکیده

1. مقدمه

2. جمع آوری داده ها

3. روش شناسی (متودولوژی)

3.1 شاخص های عددی

3.2 روش های مبتنی بر شبکه

4. تجزیه و تحلیل پایه علم سنجی

4.1 بازده سالانه

4.2 مجلات مولد 

4.3 عمده نویسندگان 

4.4 نهادهای فعال و کشورهای عمده

5. تجزیه و تحلیل شبکه 

5.1 تحلیل هم واژه در تصاویر پزشکی

5.2 تحلیل نویسندگی مشترک در تصاویر پزشکی

5.3 تحلیل هم استنادی در تصاویر پزشکی

6. بحث

7. نتیجه گیری

منابع

Abstract

1. Introduction

2. Data acquisition

3. Methodologies

3.1. Numerical indexes

3.2. Network-based methods

4. Basic bibliometric analysis

4.1. Yearly output

4.2. Active journals

4.3. Important authors

4.4. Active institutions and main countries

5. Network analysis

5.1. Co-word analysis for medical image

5.2. Co-author analysis for medical image

5.3. Co-citation analysis for medical image

6. Discussions

7. Conclusions

Acknowledgement

References

این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 17 اسلاید و 6 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد. 

در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 7 صفحه (1700 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.

علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.

بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 55 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.