基于纹理和形状特征的压缩性骨折椎体计算分析

阿德拉·阿皮塔（Adela Arpitha）、拉利塔·兰加拉扬（Lalitha Rangarajan）

国际标准编号：1557-3958|EISSN公司：1557-3966|EISBN13：9781799859857|DOI（操作界面）：10.4018/IJCINI.20211001.oa21

MLA公司

Arpitha、Adela和Lalitha Rangarajan。“使用纹理和形状特征对压缩性骨折的椎体进行计算分析。”伊吉尼语第15卷，第4期，2021年：第1-24页。http://doi.org/10.4018/IJCINI.20211001.oa21

亚太地区

Arpitha，A.和Rangarajan，L.（2021）。使用纹理和形状特征对压缩性骨折的椎体进行计算分析。国际认知信息学与自然智能杂志（IJCINI），15(4), 1-24. http://doi.org/10.4018/IJCINI.20211001.oa21

芝加哥

Arpitha、Adela和Lalitha Rangarajan。“使用纹理和形状特征对椎体压缩性骨折进行计算分析”国际认知信息学与自然智能杂志（IJCINI）第15页，第4页：1-24。http://doi.org/10.4018/IJCINI.20211001.oa21

导出参考

收藏夹完整发布下载

查看全文HTML

查看全文PDF

摘要

本文的主要目标是在磁共振成像（MRI）脊柱扫描中实现椎体（VB）放射测量的自动化。它首先对图像进行预处理，然后检测和定位VB区域，然后对VB进行分割和标记，最后将每个VB分为三种情况：正常或断裂的情况1，良性或恶性的情况2，正常的情况3，良性或恶性循环。该任务是通过使用各种机器学习技术提取和组合VB的不同特征，如边界、灰度、形状和纹理特征来完成的。针对正常和骨折的类平衡赤字数据集通过数据增强进行平衡，该数据增强为学习系统提供了丰富的数据集，以便在类之间进行精确区分。在临床脊柱数据集上，该方法在535个VBs上进行了测试和验证，分割平均准确率达到94.59%，在315个VB上进行了分类，案例1的平均准确率为96.07%，案例2为93.23%，案例3为92.3%。