Extraction of Texture Features from Knee Joint MRI Images Using Machine Learning Algorithms for Classification of Meniscal Tears
Artykuł w czasopiśmie
MNiSW
5
spoza listy
| Status: | |
| Warianty tytułu: |
Извлечение текстурных характеристик мрт-изображенийколенного сустава с применением алгоритмовмашинного обучения для классификацииразрывов мениска
Менисктің жыртылуын жіктеу үшін машиналық оқытуалгоритмдерін қолдана отырып, тізе буынының мрт суреттерінің текстуралық сипаттамаларын алу
|
| Autorzy: | Karmenova Marhaba, Toleugazy Zere, Duanbaeva Tolkyn, Tlebaldinova Aizhan, Kumargazhanova Saule, Omiotek Zbigniew |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | rosyjski | kazachski |
| Numer czasopisma: | 1 |
| Wolumen/Tom: | 1 |
| Strony: | 44 - 58 |
| Efekt badań statutowych | NIE |
| URL danych badawczych | LINK |
| 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: | 27 lutego 2026 |
| Abstrakty: | rosyjski | kazachski | angielski |
| В работе представлен подход к автоматической классификации состояния мениска коленного сустава на основе текстурного анализа МРТ-изображений с применением методов машинного обучения. Для извлечения признаков использовалось программное обеспече-ние MaZda 4.6, включающее показатели гистограмм, матрицы совместного появления уровней серого (GLCM), матрицы длин серий (GLRLM) и вейвлет-признаки. Отбор наиболее информа-тивных признаков выполнялся методами RFE, ANOVA и Fisher, что позволило сократить исходный набор с 297 до 16 признаков. Для бинарной классификации классов normal и tear применялись алгоритмы MLP и SVM, показавшие высокую точность (до 95%) при использовании оптимальных подмножеств признаков. Полученные результаты подтверждают диагностическую значимость текстурных характеристик и демонстрируют эффективность их использования для автоматизированного выявления разрывов мениска, что может быть полезно для поддержки клинической диагностики и прогностической оценки состояния коленного сустава. | |
| Бұл мақалада машиналық оқыту әдістерін қолдана отырып, МРТ кескіндерінің текстуралық талдауы негізінде тізе буыны менискісі-жіктеу, белгілер, шығару үшін гистограмма көрсеткіштерін, сұр деңгейлердің бірлескен пайда болу матрицасын (GLCM), серия ұзындықтарының матрицасын (GLRLM) және вейвлет-белгілерді қамтитын MaZda 4.6 бағдарламалық қамтамасыз етуі пайдаланылды. Ең ақпараттық белгілерді іріктеу RFE, ANOVA және Фишер әдістерімен жүргізіліп, бастапқы 297 белгіден 16 белгіге дейін қысқартуға мүмкіндік берді. Normal және tear кластары үшін бинарлық жіктеуде MLP және SVM алгоритмдері қолданылып, оңтайлы белгілер жиынтығында жоғары дәлдік (95 %-ға дейін) көрсетті. Алынған нәтижелер тексту-ралық сипаттамалардың диагностикалық маңыздылығын растап, мениск жыртылуын автоматтандырылған түрде анықтаудың тиімділігін көрсетеді, бұл клиникалық диагностиканы қолдауға және тізе буыны жағдайын болжауға пайдалы болуы мүмкін. | |
| This paper presents an approach to automatic classification of knee meniscus condition based on texture analysis of MRI images using machine learning methods. Feature extraction was performed with MaZda 4.6 software, including histogram features, gray-level co-occurrence matrix (GLCM), gray-level run-length matrix (GLRLM), and wavelet features. The most informative features were selected using RFE, ANOVA, and Fisher methods, reducing the original set from 297 to 16 features. For binary classification of thenormal and tear classes, MLP and SVM algorithms were applied, achieving high accuracy (up to 95%) when optimal feature subsets were used. The results confirm the diagnostic significance of texture characteristics and demonstrate their effectiveness for automated detection of meniscal tears, which may be useful for supporting clinical diagnosis and prognostic assessment of knee joint condition. |
