Journal of Iranian Association of Electrical and Electronics Engineers

fa تشخیص خودکار شکستگی استخوان در تصاویر رادیوگرافی با رویکرد سبک‌وزن مبتنی بر MobileNetV3 بهینه‌شده Lightweight Bone Fracture Detection in Radiographic Images Using an Optimized MobileNetV3 Approach الکترونیک Electronic پژوهشي Research شکستگی‌های استخوان از جمله آسیب‌های شایع اسکلتی هستند که در محیط‌های ورزشی پرفشار و اورژانس‌های پرمراجعه تشخیص سریع و دقیق آن‌ها اهمیت ویژه‌ای دارد؛ زیرا تأخیر یا اشتباه در شناسایی می‌تواند به تاخیر در التیام، ناتوانی حرکتی و افزایش هزینه‌های درمانی منجر شود. در این پژوهش سامانه‌ای سبک مبتنی بر نسخه اصلاح‌شده MobileNetV3 معرفی می‌شود که تصاویر رادیوگرافی را با دقت و سرعت بالا در دو گروه شکستگی و غیرشکستگی طبقه‌بندی می‌کند. برای آموزش از ۱۰۵۸۰ تصویر رادیوگرافی مربوط به نواحی مختلف بدن استفاده شد و داده‌ها پس از تغییر اندازه به ۲۲۴×۲۲۴ و نرمال‌سازی به شبکه داده شدند. معماری با به‌کارگیری میانگین‌گیری سراسری، لایه‌های تمام‌متصل و روش‌های کاهش بیش‌برازش بازطراحی شد و در آموزش از AdamW با نرخ یادگیری ۰.۰۰۰۱ استفاده گردید؛ لایه‌های ابتدایی فریز و لایه‌های انتهایی به‌صورت هدفمند تنظیم شدند تا عملکرد مدل بهبود یابد. ارزیابی بر روی ۵۰۶ تصویر آزمون نشان داد دقت 99.21% حاصل شده است و این مقدار با برخی معماری‌های سنگین‌تر قابل رقابت یا برتر است. ماهیت سبک سامانه، اجرای آن را بر روی دستگاه‌های کم‌منبع مانند تلفن هوشمند و تبلت پزشکی ممکن می‌سازد و می‌تواند به‌عنوان دستیار سریع رادیولوژیست‌ها در اورژانس، کلینیک‌ها و محیط‌های شلوغ بالینی به‌کار گرفته شود. Bone fractures are among the most common skeletal injuries, particularly in high-pressure sports environments and crowded emergency departments, where rapid and accurate diagnosis is of great importance. Delays or errors in fracture detection may lead to impaired healing, mobility limitations, and increased treatment costs. In this study, we propose a lightweight system based on an optimized version of MobileNetV3 to classify radiographic images into two categories: fractured and non-fractured. A dataset of 10,580 radiographs from different anatomical regions was used for training. The images were resized to 224×224 pixels, normalized, and fed into the network. The architecture was redesigned by incorporating global average pooling, fully connected layers, and regularization techniques to mitigate overfitting. During training, the AdamW optimizer with a learning rate of 0.0001 was employed, where the initial layers were frozen and the final layers were fine-tuned to improve performance. Evaluation on 506 test images demonstrated an accuracy of 99.21%, which is comparable to or even superior to some heavier architectures. Owing to its lightweight nature, the proposed system can be deployed on low-resource devices such as smartphones and medical tablets, making it a fast and reliable assistant for radiologists in emergency rooms, clinics, and crowded clinical settings.   تشخیص شکستگی, تصاویر رادیوگرافی, یادگیری عمیق, MobileNetV3, طبقه‌بندی دودسته‌ای Fracture detection, Radiographic images, Deep learning, MobileNetV3, Binary classification 60 68 http://jiaeee.com/browse.php?a_code=A-10-3174-1&slc_lang=fa&sid=1 Mohammadsam Andi محمدسام اندی m.andi05@umail.umz.ac.ir 100319475328460013094 100319475328460013094 No Department of Computer Engineering, Faculty of Engineering and Technology, University of Mazandaran, Babolsar, Iran گروه مهندسی کامپیوتر- دانشکده مهندسی و فناوری ـ دانشگاه مازندران Payam Mahmoudi پیام محمودی p.mahmoudi@umz.ac.ir 100319475328460013095 100319475328460013095 Yes Department of Computer Engineering, Faculty of Engineering and Technology, University of Mazandaran, Babolsar, Iran گروه مهندسی کامپیوتر- دانشکده مهندسی و فناوری ـ دانشگاه مازندران