The Journal of Shahid Sadoughi University of Medical Sciences

fa مروری جامع بر رویکردهای یادگیری ماشین و یادگیری عمیق در تصاویر PET و SPECT برای تشخیص متاستازهای استخوانی A Comprehensive Review of Machine and Deep Learning Approaches in PET and SPECT Images to Bone Metastasis Detection سایر other مروری Review article <div style="text-align: justify;">مقدمه: متاستاز استخوانی بیانگر مرحله پیشرفته بسیاری از سرطان‌ها و یکی از عوامل اصلی بروز عوارض بالینی شدید است.  شناسایی و طبقه‌بندی دقیق این ضایعات در تصویربرداری پزشکی هسته‌ای، برای مستندسازی بار بیماری و ارزیابی روند پیشرفت آن اهمیت ویژه‌ای دارد .هدف اصلی این مقاله‌ی مروری، دسته‌بندی روش‌های رایج یادگیری ماشین و یادگیری عمیقی است که در جهت تقسیم‌‌بندی و طبقه‌بندی متاستازهای استخوانی موجود در تصاویر پزشکی هسته‌ای، مورد استفاده قرار گرفته است.. روش بررسی: این مطالعه در مرداد ۱۴۰۴انجام گرفت که به بررسی جامعی از مطالعات با کلمات کلیدیbone metastases، segmentation ،classification ، machine learning وdeep learning از پایگاه‌های داده‌ Web of Science (WoS) و PubMed پرداخته است. مقالات یافت شده بالغ بر۵۰۰ عدد بوده که پس از غربالگری‌های صورت گرفته، پژوهش‌هایی که با هدف نگارش این مقاله‌ در یک جهت بود، انتخاب گردید. در ادامه، مقالات منتخب با توجه به نوع الگوریتم و روش تصویربرداری مورد استفاده، در چهار دسته‌ اصلی طبقه‌بندی شدند: مطالعات مبتنی بر یادگیری ماشین، مطالعات مبتنی بر یادگیری عمیق، پژوهش‌های انجام‌شده بر روی تصاویر حاصل از توموگرافی با گسیل پوزیترون و پژوهش‌های مبتنی بر توموگرافی با گسیل تک‌فوتون. نتایج: روش‌های یادگیری ماشین و یادگیری عمیق در تحلیل تصاویر SPECT و PET توانسته‌اند ضایعات استخوانی را با دقت بالا شناسایی و طبقه‌بندی کنند و عملکردی بهتر نسبت به روش‌های سنتی ارائه دهند. نتیجه‌گیری: ادغام هوش مصنوعی در تصویربرداری پزشکی هسته‌ای، امکان تشخیص به‌موقع، تصمیم‌گیری بالینی دقیق‌تر و بهبود پیش‌آگهی بیماران با متاستاز استخوانی را فراهم می‌کند.  </div> <div style="text-align: justify;">Introduction: Bone metastasis represents an advanced stage of various cancers and is a major cause of severe clinical complications. Accurate detection and classification of these lesions in nuclear medicine imaging play a critical role in evaluating disease burden and assessing its progression. The main objective of this review article was to categorize common machine learning and deep learning methods that have been applied for the segmentation and classification of bone metastases in nuclear medicine images. Methods: This study was conducted in August 2025 and provided a comprehensive review of the literature using the keywords bone metastases, segmentation, classification, machine learning, and deep learning in the Web of Science (WoS) and PubMed databases. More than 500 articles were initially retrieved, and after applying the screening criteria, only those studies that aligned with the aims of this paper were selected. The included studies were then classified into four main categories based on the type of algorithm and imaging modality: machine learning–based studies, deep learning–based studies, studies utilizing positron emission tomography (PET), and those based on single-photon emission  computed tomography (SPECT). Results: Machine learning and deep learning methods applied to SPECT and PET imaging have demonstrated high accuracy in detecting and classifying bone lesions, often outperforming conventional diagnostic methods.  Conclusion: The integration of artificial intelligence into nuclear medicine imaging enables timely diagnosis, more precise clinical decision-making, and improved prognosis for patients with bone metastases.  </div> متاستاز استخوانی, بخش‌بندی, طبقه‌بندی, یادگیری ماشین, یادگیری عمیق Bone metastases, Segmentation, Classification, Machine learning, Deep learning. 9759 9774 http://jssu.ssu.ac.ir/browse.php?a_code=A-10-5554-1&slc_lang=fa&sid=1 Elham Vaez الهام واعظ vaez.e@eng.ui.ac.ir 0009-0009-2571-4484 No Department of Biomedical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran. گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران Alireza Karimian علیرضا کریمیان karimian@eng.ui.ac.ir 0000-0003-2543-4772 Yes Department of Biomedical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran. گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران Hamidreza Marateb حمیدرضا مراتب h.marateb@eng.ui.ac.ir 0000-0003-4408-2397 No Department of Biomedical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran. گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران Habibollah Dadgar حبیب الله دادگر reza.lt.dadgar@gmail.com 0000-0001-6073-7547 No Cancer Research Center, Razavi Hospital, Imam Reza International University, Mashhad, Iran. مرکز تحقیقات سرطان، بیمارستان رضوی، دانشگاه بین‌المللی امام رضا، مشهد، ایران Hossein Arabi حسین عربی h.a.hosein.arabi@gmail.com 0000-0001-6526-0960 No Division of Nuclear Medicine and Molecular Imaging, Department of Medical Imaging, Geneva University Hospital, CH-1211 Geneva, Switzerland. بخش پزشکی هسته‌ای و تصویربرداری مولکولی، گروه تصویربرداری پزشکی، بیمارستان دانشگاهی ژنو، ژنو 1211، سوئیس