Deep Learning Model With Convolutional Neural Network for Detecting and Segmenting Hepatocellular Carcinoma in CT: A Preliminary Study
Notice bibliographique
Résumé
Introduction Hepatocellular carcinoma (HCC) is one of the most common malignancies in the world. Early detection and accurate diagnosis of HCC play an important role in patient management. This study aimed to develop a convolutional neural network-based model to identify and segment HCC lesions utilizing dynamic contrast agent-enhanced computed tomography (CT). Methods This retrospective study used CT image sets of histopathology-confirmed hepatocellular carcinoma over three phases (arterial, venous, and delayed). The proposed convolutional neural network (CNN) segmentation method was based on the U-Net architecture and trained using the domain adaptation technique. The proposed method was evaluated using 115 liver masses of 110 patients (87 men and 23 women; mean age, 56.9 years ± 11.9 (SD); mean mass size, 6.0 cm ± 3.6). The sensitivity for identifying HCC of the model and Dice score for segmentation of liver masses between radiologists and the CNN model were calculated for the test set. Results The sensitivity for HCC identification of the model was 100%. The median Dice score for HCC segmenting between radiologists and the CNN model was 0.81 for the test set. Conclusion Deep learning with CNN had high performance in the identification and segmentation of HCC on dynamic CT.
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) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».