مروری بر تشخیص تومورهای کبدی با استفاده از شبکه های عصبی پیچیده

تشخیص زود هنگام سرطان کبد با استفاده از سی تی اسکن می‎تواند از مرگ میلیونها بیمار در سال جلوگیری کند. با این حال خواندن صد ها یا حتی ده ها اسکن توموگرافی کامپیوتری برای رادیولوژیست‎ها بار سنگینی است.بنابراین خواندن خودکار و شناسایی و ارزیابی دقیق اسکن ضروری است. تقسیم بندی خودکار تومورهای کبد با سی تی اسکن‎های شکمی برای کمک به متخصصان پزشکی در زمینه ارزیابی رشد تومور و ایجاد برنامه درمانی سریع ضروری است. اگرچه شبکه های عصبی کانولوشن عمیق به پیشرفت های بسیاری در زمینه تصویربرداری کمک کرده اند ، اما این کارهمچنان چالش برانگیز است. یک شبکه می تواند برای تقسیم بندی خودکار و دقیق کبد بر روی تصاویر به دست آمده با روش های مختلف تصویر برداری آموزش ببیند. برای این کار از ۲ روش استفاده می شود: ابتدا از تصاویر MRIکاملا هماهنگ در مجموعه داده های دوبعدی استفاده شده و سپس از روش یادگیری انتقالی برای تعمیم این کانولوشن استفاده شده است. در این الگوریتم تصاویر در مقیاس خاکستری به عنوان نقش برجسته توپوگرافی در نظر گرفته می‎شود. دو آزمایش اعتبارسنجی برای ارزیابی دقت CNN چندوجهی اولیه و نهایی برای تقسیم‎بندی کبد انجام شده که در آزمایش اول دقت CNN اولیه را برای تقسیم‎بندی کبد با استفاده از هر یک از شش اکو از ۵۰ آزمایش MRI multiecho ۲Dو SPGR ۳D از مجموعه داده اعتبارسنجی داخلی استفاده شده و در ازمایش دوم دقت CNN اولیه و چندوجهی برای تقسیم‎بندی کبد با استفاده از هر چهار نوع تصویر از مجموعه داده‎های اعتبارسنجی داخلی و خارجی مقایسه شده است.