|
|
|
|
تشخیص تخریب دیسک بین مهره‌ای کمر با استفاده از تصاویر mri
|
|
|
|
|
|
|
|
نویسنده
|
میرزاخانی علی ,محمدپور مجتبی
|
|
منبع
|
محاسبات نرم - 1399 - دوره : 9 - شماره : 1 - صفحه:114 -123
|
|
چکیده
|
بیشتر انسان‌ها حداقل یک‌بار در طول زندگی خود درد در ناحیه پایین کمر را احساس نموده‌اند. فتق دیسک بین مهره‌ای کمر یکی از عمده‌ترین علل درد در ناحیه پایین کمر می‌باشد. روش‌های درمان فتق دیسک بین مهره‌ای کمر بسیار متنوع می‌باشند. بنابراین، تشخیص اندازه دقیق فتق و مکان آن می‌تواند به متخصص‌ها در انتخاب بهترین روش درمان بسیار یاری رساند. در این پژوهش یک روش خودکار برای تشخیص بیماری دیسک کمر با استفاده از تصاویر mr ارائه شده است. برای رسیدن به این منظور، از130 تصویر mr استفاده شده است. در روش پیشنهادی با استفاده از سه الگوریتم رشد ناحیه‌ای، آتسو و کانتور فعال دیسک‌های بین مهره‌ای کمر و محدوده آن‌ها به دقت از پس زمینه تصویر جدا شده است. در ادامه پس از استخراج ویژگی‌های شاخص تصویر، نمونه‌ها توسط دسته‌بند svm با دقت 89.9% به دو دسته سالم و ناسالم تقسیم شدند. دقت کار با سایر دسته‌بندها نظیر knn، ensemble و درخت تصمیم مورد مقایسه قرار گرفت. درنهایت مشخص شد، دسته‌بند svm بالاترین دقت در دسته‌بندی داده‌ها را دارا می‌باشد.
|
|
کلیدواژه
|
دیسک بین مهره‌ای کمر، mri، svm، دسته‌بندی، استخراج ویژگی
|
|
آدرس
|
دانشگاه پارس رضوی, دانشکده مهندسی برق و کامپیوتر, ایران, مجتمع آموزش عالی گناباد, دانشکده مهندسی برق و کامپیوتر, ایران
|
|
پست الکترونیکی
|
mohammadpur@gonabad.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Detection of Disc Destruction Between Lumbar Vertebrae Using MRI Images
|
|
|
|
|
Authors
|
Mohammadpoor Mojtaba
|
|
Abstract
|
Most people experience low back pain at least once in their lifetime. Lumbar disc herniation is one of the major causes of low back pain. Treatment methods for disc herniation are very diverse. Therefore, diagnosis of the exact size of herniation and its location can greatly help specialists to select the best treatment method. In this research, an automated method for diagnosing lumbar disc herniation using 130 MR images is proposed. In the proposed method, using three algorithms, namely region growing, OTSU and active contour, the intervertebral discs and their boundary were precisely separated from the background of the image. In the next step, after extracting the most significant features of the images, they are divided into healthy and unhealthy classes by SVM classifier with 89.9% accuracy. The classification accuracy was compared with classifiers KNN, Ensemble, and decision tree. Finally, it was determined the SVM classifier has the highest accuracy for the classification.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|