SU‐FF‐I‐03: Computer‐Aided Diagnostic Scheme for Detection of Hepatocellular Carcinoma in Contrast‐Enhanced Hepatic CT: Preliminary Results
Notice bibliographique
Résumé
Purpose: Hepatocellular carcinoma (HCC) is one of the most common primary malignant tumors of the liver. We developed a computer‐aided diagnostic (CAD) scheme for detection of HCC in arterial‐phase hepatic CT in order to assist radiologists in their HCC detection. Materials and Methods: Our database consists of isotropic arterial‐phase CT scans of 14 patients acquired with a multi‐detector‐row CT system with a 64 channel detector scanner, which includes 16 radiologist‐determined HCCs that were confirmed pathologically. Lesion sizes ranged 6–50 mm, with a mean of 22.6 mm. We developed a CAD scheme consisting of 1) liver segmentation, using fast‐marching rough‐segmentation followed by geodesic‐active‐contour fine‐segmentation coupled with a level‐set algorithm, 2) detection of HCC candidates from the segmented liver, based on a watershed segmentation algorithm, 3) calculation of both 2D and 3D morphologic‐, intensity‐ and texture‐based features of the detected candidates, and 4) classification of HCC candidates by means of linear discriminant analysis (LDA) of the calculated features, with a stepwise feature selection method based on the Wilks. lambda and the F value. The performance of the CAD scheme was evaluated by free‐response receiver‐operating‐characteristic analysis. Results: With the candidate selection segment of the detection scheme, we achieved 100% sensitivity with 15.1 false positives per patient. Of the 254 calculated features, the stepwise LDA selected 45 “useful” features for candidate characterization. Using these 45 features, we decreased the false positive rate to 6.1 false positives per patient, with no loss in sensitivity. Conclusion: In contrast‐enhanced arterial‐phase hepatic CT, our CAD scheme achieved a 100% sensitivity in detection of HCCs with 6.1 false positives per patient. This detection scheme could assist radiologists in detecting HCCs; thus, it would potentially improve radiologists' detection sensitivity for HCCs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».