Diagnosis of lumbar disc hernia from images using artificial neural network

Abstract

Bu tez çalışmasında, Manyetik Rezonans (MR) görüntüleri kullanılarak, Yapay Sinir Ağları yöntemi ile bel fıtığı teşhis ve sınıflandırması gerçekleştirilmiştir. Teşhiste denetimli öğrenme modeli kullanılmıştır. MR görüntüleri fıtık teşhisinde yaygın olarak kullanılan bir yöntemdir. Çalışmada sagital (dikey) MR görüntüleri kullanılmıştır. Örnek görüntüler Dr. Lütfi Kırdar Eğitim ve Araştırma Hastanesi'nden alınmıştır.İlk aşamada, ön işlem ve öz nitelik çıkarımı gerçekleştirilmiştir. Görüntülere histogram eşitleme uygulanmıştır. Öznitelik çıkarımında öncelikle dalgacık dönüşümü kullanılmıştır. Dönüşüm sonucu elde edilen giriş vektörünün uzunluğu sebebiyle ortalama mutlak sapma yöntemi diğer bir öznitelik çıkarım yöntemi olarak uygulanmıştır. Örnek görüntüler karesel alt görüntülere (10x10) bölünmüş ve her alt görüntüye ortalama mutlak sapma uygulanarak öznitelik vektörü çıkartılmıştır.Son aşamada, sınıflandırmada çok katmanlı yapay sinir ağı kullanılmış ve en düşük hata oranı gözlenmiştir.

In this study, Magnetic Resonance (MR) images and Artificial Neural Network (ANN) approach are used to diagnose and classify Lumbar Disc Hernia (LDH). The classification is realized using supervised classification model. MR images are widely used in hernia classification in medicine. Sagittal (vertical) MR images are selected and used in the study. Sample MR images related with lumbar disc hernia were collected from Radiology department of Dr. Lütfi Kırdar Hospital.In the first part of the study, preprocessing and feature extraction methods are implemented. Histogram equalization is applied to the original MR images. Previously Wavelet Transformation is used for feature extraction process. Long coefficient input vector provided by wavelet transformation directed the study to use another feature extraction technique. Average Absolute Deviation (ADD) is used in feature extraction process to reduce the number of inputs to the model. As a result, original image divided into small squared pieces (10x10 pixels) and ADD is applied to each for getting feature vector.In the last phase of the study, Multi-Layered Perceptron Neural Network is used in the classification and minimum error rate is observed.