Detection of Hepatocellular Carcinoma in CT Images Using Deep Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The purpose of this paper is to develop a method to detect hepatocellular carcinoma, namely liver cancer in CT (Computerized Tomography) images using the deep learning that is a kind of AI (Artificial Intelligence). Firstly, the learning and recognition programs were developed using Python as a programming language and TensorFlow provided by Google that is a machine learning library. The CT images of 30 clinical subjects were selected from the DICOM format data provided by Graduate School of Medicine of Ehime University. Then 150 sets of CT images were selected where one set consists of two CT images for early and late phases in the cases with hepatocellular carcinoma. In addition, 150 sets of CT images were also selected in the cases without hepatocellular carcinoma. The 450 sets of CT images to each the 150 sets, namely 900 sets in total were created by rotating each original CT image. Consequently, 1,200 sets of CT images (2,400 CT images) in total were used for the learning. Then validity and usefulness of the learning and recognition programs were proved by examining the calculated results. This time, the hepatocellular carcinoma could be detected with relatively high sensitivity of 92.2% even with a relatively small number of learning data, namely 1,200 sets of CT images.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle