Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân loại hình ảnh MR của đĩa đệm bình thường và đĩa đệm thoát vị dựa trên các đặc trưng kết cấu
Tóm tắt
Thoát vị đĩa đệm được xem là một bất thường thường gặp ở cột sống, dẫn đến cơn đau nghiêm trọng ở lưng và chân. Ngoài ra, nó cũng gây ảnh hưởng lớn đến kinh tế của những bệnh nhân chịu đựng, và vì vậy có mối lo ngại về sự thiếu hụt bác sĩ chuyên khoa hình ảnh và nhu cầu cho hệ thống chẩn đoán hỗ trợ bằng máy tính. Trong bài báo này, các đặc trưng kết cấu thống kê đã được sử dụng để phân loại đĩa đệm liên đốt sống bình thường và đĩa đệm thoát vị từ các chuỗi MRI thu được trong mặt phẳng cắt dọc. Mục tiêu chính của công trình này là đánh giá khả năng của các đặc trưng kết cấu thu được từ hình ảnh MR của đĩa đệm liên đốt sống và phân biệt giữa đĩa đệm liên đốt sống bình thường và đĩa đệm thoát vị bằng ba bộ phân loại khác nhau, cụ thể là BPNN, KNN và SVM. Các khu vực quan tâm (ROI) từ bệnh nhân có đĩa đệm thoát vị đã được bác sĩ chuyên khoa hình ảnh kinh nghiệm từ viện SKIMS, Srinagar, trích xuất. Ba kỹ thuật đã được áp dụng cho mỗi ROI để thu được các đặc trưng kết cấu, bao gồm ma trận độ dài chuỗi mức xám (GLRLM), ma trận đồng xuất hiện mức xám (GLCM), và phương pháp chênh lệch mức xám (GLDM). Các kết quả thu được cho thấy các đặc trưng kết cấu từ GLRLM có khả năng phân biệt tốt để phân loại giữa đĩa đệm liên đốt sống bình thường và đĩa đệm thoát vị khi sử dụng SVM. Các đặc trưng kết cấu được trích xuất từ GLCM cho thấy khả năng phân biệt tốt khi phân loại giữa đĩa đệm liên đốt sống bình thường và đĩa đệm thoát vị khi sử dụng các bộ phân loại K-NN và BPNN. Các đặc trưng được chọn từ GLCM có thể phân biệt đĩa đệm liên đốt sống bình thường với đĩa đệm thoát vị một cách chính xác hơn khi sử dụng các bộ phân loại K-NN và BPNN. Khi so sánh độ chính xác phân loại giữa K-NN và BPNN, được phát hiện rằng BPNN mang lại kết quả tốt hơn. K-NN là một thuật toán đơn giản để hiểu và triển khai nhưng lại chậm hơn vì nó bắt đầu học từ dữ liệu kiểm tra. Đối với SVM, tập hợp các đặc trưng được chọn từ GLRLM phân loại đĩa đệm liên đốt sống bình thường với đĩa đệm thoát vị với độ chính xác phân loại tốt hơn so với các phương pháp khác.
Từ khóa
#thoát vị đĩa đệm #cột sống #hình ảnh MR #đặc trưng kết cấu #phân loại #BPNN #KNN #SVMTài liệu tham khảo
Al Kafri AS, Sudirman S, Hussain AJ, Fergus P, Al-Jumeily D, Al Smadi H, Khalaf M, Al-Jumaily M, Al-Rashdan W, Bashtawi M, Mustafina J (2017). Lumbar spine discs labeling using axial view MRI based on the pixels coordinate and gray level features. In: International Conference on Intelligent Computing. Springer, Cham, p 107–116
Alawneh K, Al-dwiekat M, Alsmirat M, Al-Ayyoub M (2015). Computer-aided diagnosis of lumbar disc herniation. In: Information and Communication Systems (ICICS), 2015 6th International Conference on. IEEE, p 286–291
Ali KH, Tala EB, Alsaad NJ (2016) Texture features analysis using gray level co-occurrence matrix for a spine MRI images. International Journal of Computer Science and Information Security 14(9):666
Alomari RS, Chaudhary V, Dhillon G (2011) Computer aided diagnosis system for lumbar spine. In: Proceedings of the 4th International Symposium on Applied Sciences in Biomedical and Communication Technologies. ACM, p 145
Alomari RS, Corso JJ, Chaudhary V, Dhillon G (2014) Lumbar spine disc herniation diagnosis with a joint shape model. In: Computational Methods and Clinical Applications for Spine Imaging. Springer, Cham, p 87–98
Boser BE, Guyon IM, Vapnik VN (1992) A training algorithm for optimal margin classifiers. In: Proceedings of the fifth annual workshop on Computational learning theory. ACM, p 144-152
Burges CJ (1998) A tutorial on support vector machines for pattern recognition. Data Min Knowl Disc 2(2):121–167
Chen C, Belavy D, Yu W, Chu C, Armbrecht G, Bansmann M, Felsenberg D, Zheng G (2015) Localization and segmentation of 3D intervertebral discs in MR images by data driven estimation. IEEE Trans Med Imaging 34(8):1719–1729
Chevrefils C, Chériet F, Grimard G, Aubin CE (2007). Watershed segmentation of intervertebral disk and spinal canal from MRI images. In: International Conference Image Analysis and Recognition. Springer, Berlin, Heidelberg, p 1017–1027
Conners RW, Harlow CA (1980) A theoretical comparison of texture algorithms. IEEE Transactions on pattern Analysis and Machine Intelligence 2(3):204–222
Dokare I, Kant N (2014) Performance analysis of SVM, KNN and BPNN classifiers for motor imagery. International Journal of Engineering Trends and Technology 10:19–23
Galloway MM (1974) Texture analysis using grey level run lengths. NASA Scientific and technical information/Recon Technical Report N, 75
García G, Maiora J, Tapia A, De Blas M (2012) Evaluation of texture for classification of abdominal aortic aneurysm after endovascular repair. J Digit Imaging 25(3):369–376
Ghosh S, Raja'S A, Chaudhary V, Dhillon G (2011) Composite features for automatic diagnosis of intervertebral disc herniation from lumbar MRI. In: Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of the IEEE. IEEE, p 5068–5071
Ghosh S, Raja'S A, Chaudhary V, Dhillon G (2011) Computer-aided diagnosis for lumbar mri using heterogeneous classifiers. In Biomedical Imaging: From Nano to Macro, 2011 IEEE International Symposium on. IEEE, p 1179–1182
Ghosh S, Raja'S A, Chaudhary V, Dhillon G (2011) Automatic lumbar vertebra segmentation from clinical CT for wedge compression fracture diagnosis. In: Medical Imaging 2011: Computer-Aided Diagnosis (Vol. 7963). International Society for Optics and Photonics, p 796303
Gibbs P, Turnbull LW (2003) Textural analysis of contrast-enhanced MR images of the breast. Magn Reson Med 50(1):92–98
Giger ML, Karssemeijer N, Armato SG (2001) Computer-aided diagnosis in medical imaging
Haralick RM, Shanmugam K (1973) Textural features for image classification. IEEE Transactions on Systems, Man and Cybernetics 3(6):610–621
Hing E, Hall MJ, Xu J (2008) National hospital ambulatory medical care survey: 2006 outpatient department summary. National Health Statistics Reports 4:1–31
JNTU, KR, JNTU, LPR (2009) A neural network based classification and diagnosis of brain hemorrhages. In Allied Academies International Conference. Academy of Management Information and Decision Sciences. Proceedings (Vol. 13, No. 1). Jordan Whitney Enterprises, Inc., p 52
Kim JK, Park HW (1999) Statistical textural features for detection of microcalcifications in digitized mammograms. IEEE Transactions on Medical Imaging 18(3):231–238
Kim KY, Kim YT, Lee CS, Kang JS, Kim YJ (1993) Magnetic resonance imaging in the evaluation of the lumbar herniated intervertebral disc. International Orthopaedics 17(4):241–244
Koh J, Chaudhary V, Dhillon G (2010) Diagnosis of disc herniation based on classifiers and features generated from spine MR images. In: Proceedings of SPIE Vol (Vol. 7624, pp. 76243O-1)
Koh J, Chaudhary V, Dhillon G (2010) Diagnosis of disc herniation based on classifiers and features generated from spine MR images. In: Medical Imaging 2010: Computer-Aided Diagnosis (Vol. 7624). International Society for Optics and Photonics, p 76243O
Koh J, Scott PD, Chaudhary V, Dhillon G (2011) An automatic segmentation method of the spinal canal from clinical MR images based on an attention model and an active contour model. In: Biomedical Imaging: From Nano to Macro, 2011 IEEE International Symposium on. IEEE, p 1467–1471
Koh J, Chaudhary V, Dhillon G (2012) Disc herniation diagnosis in MRI using a CAD framework and a two-level classifier. International Journal of Computer Assisted Radiology Surgery 7(6):861–869
Kotsiantis SB, Zaharakis I, Pintelas P (2007) Supervised machine learning: a review of classification techniques. Emerging Artificial Intelligence Applications in Computer Engineering 160:3–24
Lanitis A, Draganova C, Christodoulou C (2004) Comparing different classifiers for automatic age estimation. IEEE Transactions on Systems, Man and Cybernetics B Cybern 34(1):621–628
Lashari SA, Ibrahim R (2013) A framework for medical images classification using soft set. Procedia Technol 11:548–556
McCulloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys 5(4):115–133
Mir AH, Hanmandlu M, Tandon SN (1995) Texture analysis of CT images. IEEE Eng Med Biol Mag 14(6):781–786
Neighbor N (1991). Norms: (NN) pattern classification techniques. In: Dasarathy BV (ed) IEEE Computer Soc
Palaniappan R, Sundaraj K, Sundaraj S (2014) A comparative study of the svm and k-nn machine learning algorithms for the diagnosis of respiratory pathologies using pulmonary acoustic signals. BMC Bioinformatics 15(1):223
Raja’S A, Corso JJ, Chaudhary V, Dhillon G (2010) Computer-aided diagnosis of lumbar disc pathology from clinical lower spine MRI. Int J Comput Assist Radiol Surg 5(3):287–293
Raja'S A, Corso JJ, Chaudhary V, Dhillon G (2010) Automatic diagnosis of lumbar disc herniation with shape and appearance features from MRI. In: Medical Imaging 2010: Computer-Aided Diagnosis (Vol. 7624, p. 76241A). International Society for Optics and Photonics
Raja'S A, Corso JJ, Chaudhary V (2011) Labeling of lumbar discs using both pixel-and object-level features with a two-level probabilistic model. IEEE Trans Med Imaging 30(1):1–10
Reed TR, Dubuf JH (1993) A review of recent texture segmentation and feature extraction techniques. CVGIP: computer vision and Image understanding 57(3):359–372
Smitha P, Shaji L, Mini MG (2011) A review of medical image classification techniques. In International conference on VLSI, Communication & Intrumrnataiom. p 34–38
Tsai MD, Yeh YD, Hsieh MS, Tsai CH (2004) Automatic spinal disease diagnoses assisted by 3D unaligned transverse CT slices. Comput Med Imaging Graph 28(6):307–319
Valavanis IK, Mougiakakou SG, Nikita A, Nikita KS (2007). Evaluation of texture features in hepatic tissue characterization from non-enhanced CT images. In: Engineering in Medicine and Biology Society, 2007. EMBS 2007. 29th Annual International Conference of the IEEE. IEEE, p 3741–3744
Van Gool L, Dewaele P, Oosterlinck A (1985) Texture analysis anno 1983. Computer Vision, Graphics, and Image Processing 29(3):336–357
Vince DG, Dixon KJ, Cothren RM, Cornhill JF (2000) Comparison of texture analysis methods for the characterization of coronary plaques in intravascular ultrasound images. Computerized Medical Imaging and Graphics 24(4):221–229
Wang L, Zhang Z, Liu J, Jiang B, Duan X, Xie Q, ... Li Z (2009) Classification of hepatic tissues from CT images based on texture features and multiclass support vector machines. In: International Symposium on Neural Networks. Springer, Berlin, Heidelberg, p 374–381
Weszka JS, Dyer CR, Rosenfeld A (1976) A comparative study of texture measures for terrain classification. IEEE Transactions on Systems, Man, and Cybernetics 6(4):269–285