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
140
Lista 2021
Status:
Autorzy: Dzierżak Róża, Omiotek Zbigniew, Tkacz Ewaryst, Uhlig Sebastian
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2022
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 15
Wolumen/Tom: 11
Numer artykułu: 4526
Strony: 1 - 11
Web of Science® Times Cited: 1
Scopus® Cytowania: 2
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Finansowanie: This research was funded by the Ministry of Education and Science—Poland, grant number FD-20/EE-2/302 and FD-20/EE-2/315.
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 3 sierpnia 2022
Abstrakty: angielski
The aim of the study was to compare the accuracy of the classification pertaining to the results of two types of soft tissue and bone reconstructions of the spinal CT in detecting the porosity of L1 vertebral body spongy tissue. The dataset for each type of reconstruction (high-resolution bone reconstruction and soft tissue reconstruction) included 400 sponge tissue images from 50 healthy patients and 50 patients with osteoporosis. Texture feature descriptors were calculated based on the statistical analysis of the grey image histogram, autoregression model, and wavelet transform. The data dimensional reduction was applied by feature selection using nine methods representing various approaches (filter, wrapper, and embedded methods). Eleven methods were used to build the classifier models. In the learning process, hyperparametric optimization based on the grid search method was applied. On this basis, the most effective model and the optimal subset of features for each selection method used were determined. In the case of bone reconstruction images, four models achieved a maximum accuracy of 92%, one of which had the highest sensitivity of 95%, with a specificity of 89%. For soft tissue reconstruction images, five models achieved the highest testing accuracy of 95%, whereas the other quality indices (TPR and TNR) were also equal to 95%. The research showed that the images derived from soft tissue reconstruction allow for obtaining more accurate values of texture parameters, which increases the accuracy of the classification and offers better possibilities for diagnosing osteoporosis.