تشخيص تخريب ديسك بين مهره‌اي كمر با استفاده از تصاوير MRI

بيشتر انسان‌ها حداقل يك‌بار در طول زندگي‌شان درد در ناحيه پايين كمر را احساس نموده‌اند. فتق ديسك بين مهره‌اي كمر يكي از عمده‌ترين علل درد در ناحيه پايين كمر مي‌باشد. روش‌هاي درمان فتق ديسك بين مهره‌اي كمر بسيار متنوع مي‌باشند. بنابراين، تشخيص اندازه دقيق فتق و مكان آن مي‌تواند به متخصص‌ها در انتخاب بهترين روش درمان بسيار ياري رساند. در اين پژوهش يك روش خودكار براي تشخيص بيماري ديسك كمر با استفاده از تصاوير MR ارائه شده است. براي رسيدن به اين منظور، از130 تصوير MR استفاده شده است. در روش پيشنهادي با استفاده از سه الگوريتم رشد ناحيه‌اي، آتسو و كانتور فعال ديسك‌هاي بين مهره‌اي كمر و محدوده آن‌ها به دقت از پس زمينه تصوير جدا شده است. و در ادامه پس از استخراج ويژگي‌هاي شاخص تصوير، نمونه‌ها توسط دسته بند SVM با دقت 89.9% به دو دسته سالم و ناسالم تقسيم شدند. دقت كار با ساير دسته بندها نظير KNN، Ensemble و درخت تصميم مورد مقايسه قرار گرفت. درنهايت مشخص شد، دسته بند SVM بالاترين دقت در دسته بندي داده ها را دارا مي‌باشد.

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.