دوره 34، شماره 1 - ( فروردین 1405 )
جلد 34 شماره 1 صفحات 9774-9759 |
برگشت به فهرست نسخه ها
چکیده: (570 مشاهده)
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.
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.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |