view in publisher's site

A fully automatic computer-aided diagnosis system for hepatocellular carcinoma using convolutional neural networks

The cancer of liver, which is the leading cause of cancer death, is commonly diagnosed by comparing the changes of gray level of liver tissue in the different phases of the patient's CT images. To aid the doctor in reducing misdiagnosis or missed diagnosis, a fully automatic computer-aided diagnosis (CAD) system is proposed to diagnose hepatocellular carcinoma (HCC) using convolutional neural network (CNN) classifier. The automatic segmentation and classification are two core technologies of the proposed CAD system, which are both realized based on CNN. The segmentation of liver and tumor is implemented by a fully convolutional networks (FCN) based on a fine tuning VGG-16 model with two additional ‘skip structures’ using a weighted loss function which helps to solve the problem of inaccurate tumor segmentation caused by the inevitably unbalanced training data. HCC classification is implemented by a 9-layer CNN classifier, whose input is a 4-channel image data constructed by combining the segmentation result of FCN with the original CT image. A total of 165 venous phase CT images including 46 diffuse tumors, 43 nodular tumors, and 76 massive tumors are used to evaluate the performance of the proposed CAD system. The classification accuracy of CNN classifier for diffuse, nodular and massive tumors are 98.4%, 99.7% and 98.7% respectively, which are significantly improved in contrast with the traditional feature-based ANN and SVM classifiers. The proposed CAD system, which is unaffected by the difference of preprocessing method and feature type, is proved satisfactory and feasible by the test set.

یک سیستم تشخیص کاملا خودکار به کمک کامپیوتر برای سرطان کبد با استفاده از شبکه‌های عصبی کانولوشن

سرطان کبد، که علت اصلی مرگ ناشی از سرطان است، معمولا با مقایسه تغییرات سطح خاکستری بافت کبد در مراحل مختلف تصاویر CT بیمار تشخیص داده می‌شود. به منظور کمک به پزشک در کاهش تشخیص اشتباه یا تشخیص از دست رفته، یک سیستم تشخیص کامپیوتری کاملا خودکار (CAD)برای تشخیص سرطان کبد (HCC)با استفاده از طبقه‌بندی شبکه عصبی کانولوشن (سی ان ان)پیشنهاد شده‌است. بخش‌بندی و طبقه‌بندی خودکار دو فن‌آوری اصلی سیستم CAD پیشنهادی هستند که هر دو براساس سی ان ان تحقق می‌یابند. بخش‌بندی کبد و تومور توسط یک شبکه کانولوشن کامل (FCN)براساس یک مدل VGG - ۱۶ با دو "ساختار حذف" اضافی با استفاده از یک تابع اتلاف وزن دار اجرا می‌شود که به حل مشکل جداسازی نادرست تومور ناشی از داده‌های آموزشی نامتعادل اجتناب‌ناپذیر کمک می‌کند. طبقه‌بندی HCC توسط یک طبقه‌بندی کننده ۹ لایه‌ای سی ان ان اجرا می‌شود که ورودی آن یک داده تصویری ۴ کاناله است که با ترکیب نتایج قطعه‌بندی FCN با تصویر اصلی CT ساخته شده‌است. در مجموع ۱۶۵ تصویر CT فاز وریدی شامل ۴۶ تومور منتشر، ۴۳ تومور ندولار و ۷۶ تومور عظیم برای ارزیابی عملکرد سیستم CAD پیشنهادی مورد استفاده قرار می‌گیرند. دقت طبقه‌بندی طبقه‌بندی کننده سی ان ان برای تومورهای منتشر، ندولار و توده‌ای به ترتیب ۹۸.۴ %، ۹۹.۷ % و ۹۸.۷ % می‌باشد که در مقایسه با طبقه‌بندی کننده‌های ANN و SVM مبتنی بر ویژگی‌های سنتی به طور قابل‌توجهی بهبود یافته‌است. سیستم CAD پیشنهادی، که تحت‌تاثیر تفاوت روش پیش‌پردازش و نوع ویژگی قرار نگرفته است، به وسیله مجموعه آزمایش رضایت‌بخش و امکان پذیر است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Biomedical Engineering
  • ترجمه مقاله Biomedical Engineering
  • مقاله مهندسی پزشکی
  • ترجمه مقاله مهندسی پزشکی
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.