Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Detection of Sclerotic Spine Metastases via Random Aggregation of Deep Convolutional Neural Network Classifications Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Automated Radiological Grading of Spinal MRI

verfasst von : Meelis Lootus, Timor Kadir, Andrew Zisserman

Erschienen in: Recent Advances in Computational Methods and Clinical Applications for Spine Imaging

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper describes a fully automatic system for obtaining the standard Pfirrmann degeneration grading of individual intervertebral spinal discs in T2 MRI scans. It involves detecting and labeling all the vertebrae in the scan and then learning a regression from the disc region to the grading. In developing the regression function we investigate a spectrum of support regions which involve differing degrees of segmentation of the scan: our intention is to ascertain to what extent segmentation is necessary or detrimental in obtaining robust and accurate measurements. The methods are assessed on a heterogeneous clinical dataset containing 1,710 Pfirrmann-graded discs, from 285 symptomatic back pain patients. We are able to predict the grade to \(\pm 1\) precision at 85.8 % accuracy. Our novel method proposes new image features that outperform previous features and utilizes techniques to improve robustness to MR imaging variations.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Automatic Segmentation of the Spinal Cord Using Continuous Max Flow with Cross-sectional Similarity Prior and Tubularity Features
Nächstes Kapitel Automated 3D Lumbar Intervertebral Disc Segmentation from MRI Data Sets
Literatur
1.
Alomari, R.S., Corso, J.J., Chaudhary, V.: Desiccation diagnosis in lumbar discs from clinical MRI with a probabilistic model. In: ISBI (2009)
2.
Battie, M.C., Viderman, T., Gibbons, L.E., Fisher, L.D., Manninen, H., Gill, K.: 1995 volvo award in clinical sciences—determinants of lumbar disc degeneration. Spine 20(24), 2601–2612 (1995)
3.
Boykov, Y., Jolly, M.P.: Interactive graph cuts for optimal boundary and region segmentation of objects in N-D images. In: Proceedings ICCV (2001)
4.
Chang, C.-C., Lin, C.-J., LIBSVM: A library for support vector machines. ACM TIST, 2:27:1–27:27 (2011)
5.
Cheng, F., You, J., Rampersaud, Y.R.: Relationship between spinal magnetic resonance imaging findings and candidacy for spinal surgery. Can. Fam. Physician, 56, 323–330 (2010)
6.
Gamio, J.C., Belongie, S.J., Majumdar, S.: Normalized cuts in 3D for spinal MRI segmentation. TMI 23, 36–44 (2004)
7.
Hao, S., Jiang, J., Guo, Y., Li, H.: Active learning based intervertebral disk classification combining shape and texture similarities. Neurocomputing 101, 252–257 (2013)CrossRef
8.
Huang, S.-H., Chu, Y.-H., Lai, S.-H., Novak, C.L.: Learning-based vertebra detection and iterative normalized-cut segmentation for spinal MRI. TMI 28(10), 1595–1605 (2009)
9.
Lam, K., Anbar, A., O’Brien, A.: The correlation of the severity of lumbar disc degeneration with discogenic low back pain—a study utilizing a validated classification with awake provocative discography. J Bone Joint Surg. 92-B (2010)
10.
Law, M.W.K., Tay, K., Leung, A., Garvin, G., Shuo, L.I.: Intervertebrald disc segmentation in MR images using anisotropic oriented flux, In: Proceedings of MIA (2012)
11.
Lootus, M., Kadir, T., Zisserman, A.: Vertebrae detection and labelling in lumbar MR images. In: MICCAI CSI Workshop (2013)
12.
Lurie, J.D., Moses, R.A., Tosteson, A.N.A., Tosteson, T.D., Carragee, E.J., Carrino, J.A., Kaiser, J.A., Herzog, R.J.: Magnetic resonance imaging predictors of surgical outcome in patients with lumbar intervertebral disc herniation. Spine 38, 1216–1225 (2013)CrossRef
13.
Michopoulou, S., Costaridou, L., Vlychou, M., Speller, R., Todd-Pokropek, A.: Texture-based quantification of lumbar intervertebral disc degeneration from conventional T2-weighted MRI. Acta Radiol. 52, 91–98 (2011)CrossRef
14.
Neubert, A., Fripp, J., Engstrom, C., Walker, D., Weber, M.-A., Schwarz, R., Crozier, S.: Three-dimensional morphological and signal intensity features for detection of intervertebral disc degeneration from magnetic resonance images. J. Am. Med. Inform. Assoc. 4, 1082–1090 (2013)
15.
Pfirrmann, C.W.A., Metzdorf, A., Zanetti, M., Hodler, J., Boos, N.: Magnetic resonance classification of lumbar intervertebral disc degeneration. Spine 26, 1873–1878 (2001)
16.
Shen, J., Parent, S., Kadoury, S.: Classification of spinal deformities using a parametric torsion estimator. In: MICCAI CSI Workshop (2013)
17.
18.
Štern, D., Likar, B., Pernus, F., Vrtovec, T.: Parametric modelling and segmentation of vertebral bodies in 3D CT and MR images. Phys. Med. Biol. 56, 7505 (2011)CrossRef
19.
Unal, Y., Kocer, H.E., Akkurt. H.E.: A comparison of feature extraction techniques for diagnosis of lumbar intervertebral degenerative disc disease. INISTA (2011)
20.
Xu, Y., Gao, X., Lin, S., Wong, D.W.K., Liu, J., Xu, D. Cheng, C.-Y. Cheung, C.Y., Wong, T.Y.: Automatic grading of nuclear cataracts from slit-lamp lens images using group sparsity regression. In: MICCAI (2013)
Metadaten
Titel
Automated Radiological Grading of Spinal MRI
verfasst von
Meelis Lootus
Timor Kadir
Andrew Zisserman
Copyright-Jahr
2015
Buch
Recent Advances in Computational Methods and Clinical Applications for Spine Imaging

Print ISBN: 978-3-319-14147-3

Electronic ISBN: 978-3-319-14148-0

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-14148-0_11

Neuer Inhalt

    Bildnachweise