تشخیص تخریب دیسک بین مهره‌ای کمر با استفاده از تصاویر MRI

نویسندگان

1 دانشکده مهندسی برق و کامپیوتر، دانشگاه پارس رضوی، گناباد، ایران،

2 دانشکده مهندسی برق و کامپیوتر، مجتمع آموزش عالی گناباد، گناباد، ایران

چکیده

بیشتر انسان‌ها حداقل یک‌بار در طول زندگی‌شان 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. و در ادامه پس از استخراج ویژگی‌های شاخص تصویر، نمونه‌ها توسط دسته بند SVM با دقت 89.9% به دو دسته سالم و ناسالم تقسیم شدند. دقت کار با سایر دسته بندها نظیر KNN، Ensemble و درخت تصمیم مورد مقایسه قرار گرفت. درنهایت مشخص شد، دسته بند SVM بالاترین دقت در دسته بندی داده ها را دارا می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Detection of Disc Destruction Between Lumbar Vertebrae Using MRI Images

نویسندگان [English]

  • َAli Mirzakhani 1
  • Mojtaba Mohammadpoor 2
چکیده [English]

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. So, diagnose the exact size of herniation and it`s location can greatly helps specialists in choosing the best treatment methods. In this research, an automated method for diagnosing lumbar disc herniation using MR images is proposed. To achieve this goal, 130 MR images was collected . 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 image, images were divided into healthy and unhealthy classes by SVM classifier with 89.9% accuracy. Classification accuracy also compared with other classifiers such as KNN, ensemble, decision trees, and finally determined, SVM classifier has the highest accuracy in classification.

کلیدواژه‌ها [English]

  • Intervertebral Disc
  • Magnetic Resonance Imaging
  • SVM
  • Classification
  • Feature extraction
  1. [1] WK Tan, S Hassanpour, PJ Heagerty, SD Rundell… - Academic radiology, Comparison of natural language processing rules-based and machine-learning systems to identify lumbar spine imaging findings related to low back pain, 2018. [2] Raja' S Alomari, Vipin Chaudhary, Gurmeet Dhillon, Subarna Ghosh, composite features for automatic diagnosis of intervertebral disc herniation from lumbar MRI, Annual International Conference of the IEEE Engineering in Medicine and Biology Society 2011. [3] Rahul Mishra, Galfat, Diagnostic accuracy of diagnostic imaging for lumbar disk herniation in adults with low backache – a prospective study, National Journal of Medical and Dental Research, October-December: Volume-7, Issue-1, 2018. [4] آخوندی رعنا، حسینی راحیل. ارایه مدل هوشمند هایبریدی فازی-تکامل ژنتیکی تفاضلی در یک سیستم خبره فازی برای پیش‌بینی خطر ابتلا به بیماری قلبی. نشریه علمی محاسبات نرم. ۱۳۹۶; ۶ (۲) :۳۲-۴۷ [5] قبائی ارانی مصطفی، مهدی بابایی فاطمه. رویکرد تخصیص منبع کارا برای پردازش داده های حوزه سلامت در محیط رایانش ابری. نشریه علمی محاسبات نرم. ۱۳۹۸; ۸ (۲) :۸۰-۱۰۱ [6] K. Doi and H. K. Huang, Computer-aided diagnosis (CAD) and image-guided decision support, Computerized Medical Imaging and Graphics, vol. 31, pp. 195-197, 2007. [7] K. Doi, Computer-aided diagnosis in medical imaging: Historical review, current status and future potential, Computerized Medical Imaging and Graphics, vol. 31, pp. 198-211, 2007. [8] H. K. Huang, Computer-Aided Diagnosis (CAD) and Image-Guided Decision Support, in PACS and Imaging Informatics: Basic Principles and Applications, 2nd ed., H. K. Huang, D.Sc, FRCR (Hon.), FAIMBE, Ed. New York: John Wiley & Sons, Inc., pp.775-806, 2010. [9] . B. I. Martin, Back pain prevalence and visit rates: Estimates from U.S. national surveys, Spine, vol. 31, pp. 2724-2727, 2002. [10] V. Haughton, Medical imaging of intervertebral disc degeneration: current status of imaging, Spine, vol. 29, pp. 2751-2756, 2004. [11] . K. Y. Kim, Y. T. Kim, C. S. Lee, J. S. Kang, and Y. J. Kim, Magnetic resonance imaging in the evaluation of the lumbar herniated intervertebral disc, Int Orthop,vol. 17, pp. 241-244, 1993. [12] C. W. A. Pfirrmann, A. Metzdorf, J. H. M. Zanetti, and N. Boos, Magnetic resonance classification of lumbar intervertebral disc degeneration, Spine, vol. 26, pp. 1873-1878, 2001. [13] J. F. Griffith, Y.X. J. Wang, G. E. Antonio, K. C. Choi, A. Yu, A. T. Jhuja, P. C. Leung, Modified pfirrmann grading system for lumbar intervertebral disc degeneration, Spine, vol. 32, pp. E708-E712, 2007. [14] Marcelo da Silva Barreiro, Marcello H. Nogueira-Barbosa1, Rangaraj M. Rangayyan, Semiautomatic classification of intervertebral disc degeneration in magnetic resonance images of the spine, Biorobotics Conference : Biosignals and Robotics for Better and Safer Living (BRC), 5th ISSNIP-IEEE , pp. 1-5, 2014. [15] Elham Salehi, Hamid Yousefi, Hassan Rashidi, Hossein Ghanaatti, Automatic Diagnosis of Disc Herniation In Two-dimensional MR Images with Combination of Distinct Features Using Machine Learning Methods, IEEE, DOI: 10.1109/EBBT.2019.8742052, 20 June 2019 [16] ویسی هادی، قایدشرف حمیدرضا، ابراهیمی مرتضی. بهبود کارایی الگوریتم‌های یادگیری ماشین در تشخیص بیماری‌های قلبی با بهینه‌سازی داده‌ها و ویژگی‌ها. نشریه علمی محاسبات نرم. ۱۳۹۸; ۸ (۱) :۷۰-۸۵ [17] Rolf Adams and Leanne Bischof, Seeded Region Growing IEEE Transactions on patfern analysis and machine intelligence, vol. 16, no. 6, June 1994 [18] Nobuyuki otsu , A Tlreshold Selection Method from Gray-Level Histogram, IEEE Transactions on systems, man, and cybernetics, vol. SMC-9, NO. 1, January 1979. [19] Michael kass, Andrew witkin and Demetri Terzopoulos, Snakes: Active Contour Models , International Journal of Computer Vision, 321-331, 1988. [20] Han J. Rodriguez J. C. & Beheshti M. Diabetes data analysis and prediction model discovery using rapidminer. In Future Generation Communication and Networking, FGCN'08. Second International Conference on, vol. 3, pp. 96‐99, IEEE, 2008. [21] Tom Fawcett, An introduction to ROC analysis, Institute for the Study of Learning and Expertise, 2164 Staunton Court, Palo Alto, CA 94306, USA, 19 December 2005