在收集的MRI图像中使用几何特征和纹理分析对近接大腿骨进行定性分类,用于骨密度评估
Mojtaba Najafi1, Tohid Yousefi Rezaii1, Sebelan Danishvar2
1Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz 51666-16471, Iran.
Sensors (Basel, Switzerland)
|September 9, 2023
概括
这项研究使用机器学习来分析靠近腿骨的磁共振成像 (MRI). 来自MRI的几何特征有效地区分了健康的PFB和不健康的PFB,实现了高分类准确性.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 机器学习 机器学习
- 整形外科 整形外科 整形外科
背景情况:
- 骨质疏松症和相关骨折是严重的健康问题.
- 准确评估靠近大腿骨 (PFB) 的健康状况对于骨折风险预测至关重要.
- 当前的诊断方法可能会从先进的分析技术中受益.
研究的目的:
- 用MRI的几何和纹理特征来区分健康和不健康的近接大腿骨 (PFB).
- 确定对PFB健康状况的分类最有影响力的特征.
- 在这个分类任务中评估机器学习模型的性能.
主要方法:
- 从284名参与者获得的MRI和双能X射线吸收计 (DEXA) 数据.
- 从PFBMRI扫描中提取了204个几何和纹理特征.
- 采用机器学习算法,包括支持矢量机 (SVM),决策树和后勤回归.
- 使用遗传算法 (GA) 进行特征选择,以优化分类准确性.
主要成果:
- 带有辐射基函数内核的支持向量机 (SVM) 实现了最高的分类性能,达到89.08%.
- 几何特征被确定为对健康和不健康的PFB进行歧视最有影响力的特征.
- 该研究成功地根据DEXAT分数将185名参与者归类为健康者,99人归类为不健康者.
结论:
- 机器学习,特别是从MRI中获得的几何特征的SVM,显示出对分类近接大腿骨 (PFB) 健康的巨大潜力.
- 这种方法为PFB的定性评估提供了一种新的非侵入性方法.
- 建议对更大的队列进行进一步研究,以验证和完善模型.
