در حاشیه نویسی تصاویر پزشکی معمولاً تولید چهار بخش اطلاعاتی در مورد تصاویر لازم است. این بخش ها، شامل اطلاعاتی درباره ی تکنیک تهیه تصویر، اندام، جهت عکس برداری و سیستم بیولوژیکی است. حاشیه نویسی خودکار تصاویر با استفاده از سیستم یادگیری ماشین برای دسته بندی تصاویر به کلاس های مختلف انجام می شود، به طوری که هر کلمه معرف یک دسته است. ورودی سیستم یادگیری ماشین ویژگی های مستخرج از تصویر است. در حاشیه نویسی تصاویر پزشکی اگر تنها از یک دسته بندی کننده برای تولید هر چهار بخش اطلاعاتی تصویر استفاده شود، برای رسیدن به کارایی مناسب باید از تعداد بیش تری ویژگی مستخرج از تصویر استفاده کرد. این موضوع منجر به بالا رفتن طول بردار ورودی دسته بندی کننده می شود. در این رساله از چهار سیستم یادگیری ماشین مجزا برای تولید چهار حاشیه (بخش) برای هر تصویر استفاده شده است. بردار ورودی هر سیستم تنها شامل ویژگی های مناسب برای یک بخش است. استخراج ویژگی ها از طریق عمل گر الگوی باینری محلی، روش های مبتنی بر شکل، فیلتر گابور، ماتریس وقوع وsift انجام شده است. به منظور تولید سیستم بهینه برای هر بخش ابتدا ویژگی های مناسب هر بخش انتخاب شده است. این انتخاب براساس تأثیر ویژگی یا مجموعه ویژگی ها در تشخیص بخش مربوطه با استفاده از دسته بندی کننده های svm و adaboost انجام می شود. در مرحله ی بعد به منظور بهبود نتایج از دسته بندی کننده های ترکیبی با معماری پیشنهادی و بردارهای ورودی انتخاب شده، استفاده شده است. بنابراین برای هر بخش تنها ویژگی های مرتبط به کار رفته است. نتایج حاصل گویای تولید سیستمی کارا است که در مقایسه با کارهای انجام شده، با وجود استفاده از بردارهای ویژگی با طول کم تر (حداکثر 331) دقتی معادل 715/92 درصد دارد.