Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
40
Lista 2021
Status:
Autorzy: Omiotek Zbigniew, Dzierżak Róża, Uhlig Sebastian
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2019
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 12
Wolumen/Tom: 233
Strony: 1269 - 1281
Web of Science® Times Cited: 4
Scopus® Cytowania: 7
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: NIE
Abstrakty: angielski
Fractal analysis was used in the study to determine a set of feature descriptors which could be applied in the process of diagnosing bone damage caused by osteoporosis. The subject of the research involved the computed tomography images of vertebrae on the thoraco-lumbar region. The data set contained the images of healthy patients and patients diagnosed with osteoporosis. On the basis of fractal analysis and feature selection by linear stepwise regression, three descriptors were obtained. They were two fractal dimensions calculated with the variation method (transect – first differences and filter 1 estimators) and one fractal lacunarity calculated by means of the box counting method. The first two descriptors were obtained as a result of the analysis of grey images, and the third was the result of analysis of binary images. The effectiveness of the descriptors was verified using six popular supervised classification methods: linear and quadratic discriminant analysis, naive Bayes classifier, decision tree, K-nearest neighbours and random forests. The best results were obtained using the K-nearest neighbours classifier; they were as follows: overall classification accuracy – 81%, classification sensitivity – 78%, classification specificity – 90%, positive predictive value – 90%, and negative predictive value – 77%. The results of the research showed that fractal analysis can be a useful tool to extract feature vector of spinal computed tomography images in the diagnosis of osteoporotic bone defects