تشخیص تومور کبدی با استفاده از یادگیری عمیق مبتنی بر SU-Net و تصاویر MRI

سرطان کبد ششمین سرطان شایع در سراسر جهان است. بیشتر با MRI تشخیص داده می شود. امروزه از روش های یادگیریعمیق برای تقسیم بندی کبد و تومور آن از تصویربرداری تشدید مغناطیسی MRI استفاده می شود. این تحقیق عمدتا بر جداسازیکبد و تومور از MRI شکم با استفاده از روش یادگیری عمیق و به حداقل رساندن تلاش و زمان مورداستفاده برای تشخیص سرطانکبد متمرکز بود.در این تحقیق الگوریتم بر اساس معماری SU-Net است که نتایج نشان می دهد با استفاده از این الگوریتم مقدار DSC برای ناحیه کبد و محل ضایعه به ترتیب ۹۹.۸۹۵% و ۹۷.۲۸% به دست آمد و همچنین مقدار صحت برای کبد و محل ضایعه به ترتیب ۹۹.۸۳% و ۹۹.۴۲% می باشد. دیتاست مورد استفاده Lits Liver Kaggel می باشد که ۲۷ % داده ها برای آموزش و ۹۷ % برای تست استفاده شده است.