Liver tumor segmentation using deep learning
Φόρτωση...
Ημερομηνία
2025-10-07
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
Περίληψη
Liver is a very important organ of the human body, responsible for many crucial functions.
Since liver cancer is among the ones that cause many deaths worldwide, and metastases frequently
have liver origin, it is essential to have high quality and accurate liver and tumor segmentations
for early cancer diagnosis. From the other hand, manual identification and segmentation of lesions
in three-dimensional CT scans requires too much time, is difficult to reproduce, and the
segmentation results depend on the operator. To overcome these problems, many Deep Learning
models have been utilized with promising results.
This work is a Deep Learning approach for liver and tumor segmentation, more specifically
two U-net (convolutional neural network (CNN)) variants, namely the Resnet34 and Resnet50
models, both pre-trained and afterwards fine-tuned (transfer learning), and tested on 131 CT scans
of the LiTS (Liver Tumor Segmentation) challenge dataset. A 10% of these CT scans were used
for evaluation of the models, and the highest DSC scores achieved were 0.926 for liver and 0.619
for tumor segmentation
Το συκώτι είναι ένα πάρα πολύ σημαντικό όργανο του ανθρώπινου σώματος, υπεύθυνο για πολλές ζωτικές λειτουργίες. Επειδή ο καρκίνος του συκωτιού είναι μέσα στους πιο θανατηφόρους σε παγκόσμιο επίπεδο, είναι πολύ σημαντικό να υπάρχουν τεχνικές ανίχνευσής του από ιατρικές εικόνες για την έγκαιρη διάγνωσή του. Από την άλλη πλευρά, η χειροκίνητη διάγνωση του καρκίνου του συκωτιού από ειδικούς απαιτεί πολύ χρόνο, είναι δύσκολη και υποκειμενική διαδικασία. Για αυτούς τους λόγους, πολλές Deep Learning μέθοδοι έχουν προταθεί για την κατάτμηση (segmentation) συκωτιού και όγκων από εικόνες αξονικής τομογραφίας (CT scans) με ελπιδοφόρα αποτελέσματα. Σε αυτήν την εργασία θα ασχοληθούμε με μια μέθοδο Deep Learning για κατάτμηση (segmentation) συκωτιού και όγκων από εικόνες αξονικής τομογραφίας (CT scans) και πιο συγκεκριμένα με δύο παραλλαγές του U-net (Convolutional neural network (CNN)), τα Resnet34 και Resnet50, τα οποία είναι προ –εκπαιδευμένα (transfer learning) και εκπαιδεύτηκαν περεταίρω (fine-tuning) και δοκιμάστηκαν (testing) σε 131 αξονικές τομογραφίες από το σετ δεδομένων LITS (Liver tumor segmentation). Το 10% από τις αξονικές χρησιμοποιήθηκε για την αξιολόγηση των εξεταζόμενων μοντέλων και οι καλύτερες επιδόσεις όσον αφορά στο DSC score για την κατάτμηση (segmentation) εικόνας ήταν 0.926 για το συκώτι και 0.619 για τους όγκους.
Το συκώτι είναι ένα πάρα πολύ σημαντικό όργανο του ανθρώπινου σώματος, υπεύθυνο για πολλές ζωτικές λειτουργίες. Επειδή ο καρκίνος του συκωτιού είναι μέσα στους πιο θανατηφόρους σε παγκόσμιο επίπεδο, είναι πολύ σημαντικό να υπάρχουν τεχνικές ανίχνευσής του από ιατρικές εικόνες για την έγκαιρη διάγνωσή του. Από την άλλη πλευρά, η χειροκίνητη διάγνωση του καρκίνου του συκωτιού από ειδικούς απαιτεί πολύ χρόνο, είναι δύσκολη και υποκειμενική διαδικασία. Για αυτούς τους λόγους, πολλές Deep Learning μέθοδοι έχουν προταθεί για την κατάτμηση (segmentation) συκωτιού και όγκων από εικόνες αξονικής τομογραφίας (CT scans) με ελπιδοφόρα αποτελέσματα. Σε αυτήν την εργασία θα ασχοληθούμε με μια μέθοδο Deep Learning για κατάτμηση (segmentation) συκωτιού και όγκων από εικόνες αξονικής τομογραφίας (CT scans) και πιο συγκεκριμένα με δύο παραλλαγές του U-net (Convolutional neural network (CNN)), τα Resnet34 και Resnet50, τα οποία είναι προ –εκπαιδευμένα (transfer learning) και εκπαιδεύτηκαν περεταίρω (fine-tuning) και δοκιμάστηκαν (testing) σε 131 αξονικές τομογραφίες από το σετ δεδομένων LITS (Liver tumor segmentation). Το 10% από τις αξονικές χρησιμοποιήθηκε για την αξιολόγηση των εξεταζόμενων μοντέλων και οι καλύτερες επιδόσεις όσον αφορά στο DSC score για την κατάτμηση (segmentation) εικόνας ήταν 0.926 για το συκώτι και 0.619 για τους όγκους.
Περιγραφή
Λέξεις-κλειδιά
Liver, Tumor, Deep learning, Convolutional neural networks (CNNs), Συκώτι, 'Ογκος, Βαθιά μάθηση, Συνελικτικά νευρωνικά δίκτυα