Key points are not available for this paper at this time.
Osteosarkom ist der häufigste maligne Knochentumor bei Kindern und Jugendlichen. In dieser Studie wurde eine Bildtexturanalyse durchgeführt, um Texturmerkmale aus Knochen-CR-Bildern zu extrahieren, um die Erkennungsrate von Osteosarkomen zu evaluieren. Um das optimale Set von Merkmalen zu erhalten, wurden die Sym4- und Db4-Wavelet-Transformationen sowie die graustufigen Häufigkeitsmatrizen auf das Bild angewendet, wobei statistische Methoden genutzt wurden, um die Merkmalsauswahl zu maximieren. Um die Leistung dieser Methoden zu bewerten, wurde ein Support-Vektor-Maschinen-Algorithmus verwendet. Die experimentellen Ergebnisse zeigten, dass das Sym4-Wavelet eine höhere Klassifikationsgenauigkeit (93,44 %) im Vergleich zum Db4-Wavelet in Bezug auf das Auftreten von Osteosarkomen in der Epiphyse hatte, während das Db4-Wavelet eine höhere Klassifikationsgenauigkeit (96,25 %) für das Auftreten von Osteosarkomen in der Diaphyse aufwies. Die Ergebnisse, einschließlich Genauigkeit, Sensitivität, Spezifität und ROC-Kurven, die mit den Wavelets erhalten wurden, waren alle höher als die mit den aus der GLCM-Methode abgeleiteten Merkmalen. Es wird geschlossen, dass eine Reihe von Texturmerkmalen aus den Wavelets extrahiert und in computergestützten Osteosarkomdiagnosesystemen verwendet werden kann. Darüber hinaus bestätigt diese Studie, dass die Multi-Resolutionsanalyse ein nützliches Werkzeug zur Extraktion von Texturmerkmalen während der Verarbeitung von Knochen-CR-Bildern ist.
Hu et al. (Wed,) haben diese Frage untersucht.