حاشیه نویسی خودکار، در واقع عمل دسته بندی تصاویر پزشکی می باشد که با استفاده از ویژگی های سراسری و محلی کدهای استاندارد irma برای آن ها استخراج می شود که خود شامل تولید چهار بخش اطلاعاتی (مدالیته، جهت، آناتومی و سیستم بیولوژی) می باشد. تحقیقات اخیر نشان می دهد که علیرغم این که دسته بندهایی با دقت بالا نتایج خوبی را حاصل می کنند ولی نمی توانند همیشه برای تمامی ویژگی های تصاویر به صورت بهینه از نظر دقت دسته بندی عمل کنند. یکی از بهترین روش ارائه شده برای حل مشکل فوق، استفاده از تکنیک ترکیبی رای گیری اکثریت (majority voting) برای استخراج بخش های مختلف تصویر( مدالیته، جهت، سیستم بیولوژی، آناتومی) می باشد. dz?eroski و همکارانش در سال 2009، روشی جدید مبتنی بر ترکیب دسته بندها برای حل این مشکل ارائه نمودند، اما با توجه به اینکه هیچ یک از آن ها اهمیتی به حاشیه نویسی دقیق خودکار تصاویر پزشکی که یک توسعه جدید در دسته بندی تصویر می باشد، ندارند. لذا در این تحقیق هدف، بهبود حاشیه نویسی خودکار تصاویر پزشکی از نظر دقت دسته بندی با استفاده از تکنیک ترکیبی رای گیری اکثریت (majority voting) و بکارگیری ویژگی رنگ برای تصاویر می باشد. روش پیشنهادی این تحقیق به صورت مرحله به مرحله انجام شده است. در مرحله ابتدایی، مطالعه بر روی استانداردهای حاشیه نویسی و بررسی حاشیه نویسی تصاویر پزشکی در حوزه های مرتبط جهت شناخت ویژگی ها، مزایا، معایب و سایر مسائل مرتبط با حاشیه نویسی انجام شده است. سپس در مرحله دوم، جمع آوری داده و dataset استاندارد انجام شده است و در مرحله سوم، مطالعه و بررسی مشخصه های تصویر بر اساس ویژگی های بصری نظیر، رنگ، بافت و شکل جهت طبقه بندی تصویر به کمک روش های naive bayes، decision tree، svm و غیره انجام شده است. و سپس پیاده سازی روش پیشنهادی به منظور بهبود حاشیه نویسی خودکار تصاویر پزشکی و بدست آوردن خروجی اصلی و مقایسه خروجی های روش پیشنهادی و روش های قبلی بر اساس دقت الگوریتم انجام می شود که نتایج آن نشان دهنده ی بهبود کیفیت سیستم پیشنهادی استناد مورد نظر می باشد که علاوه بر داشتن سرعت بالا در مقایسه با روش های پیشین به دقت مناسبی معادل 1/75 درصد دست یافته است. کلید واژه: حاشیه نویسی خودکار تصاویر، الگوی باینری محلی، فیلتر گابور در فضای رنگ hsv، ممنتوم رنگ، دسته بندی کننده ترکیبی رای حداکثری (majority voting