Computed tomography (CT) images are commonly used to diagnose liver disease. It is sometimes very difficult to comment on the type, category and level of the tumor, even for experienced radiologists, directly from the CT image, due to the varying intensities. In recent years, it has been important to design and develop computer-assisted imaging techniques to help doctors/physicians improve their diagnosis. The proposed work is to detect the presence of a tumor region in the liver and classify the different stages of the tumor from CT images. CT images of the liver have been classified between normal and tumor classes. In addition, CT images of the tumor have been classified between Hepato Cellular Carcinoma (HCC) and Metastases (MET). The performance of six different classifiers was evaluated on different parameters. The accuracy achieved for different classifiers varies between 98.39% and 100% for tumor identification and between 76.38% and 87.01% for tumor classification. To further, improve performance, a multi-level ensemble model is developed to detect a tumor (liver cancer) and to classify between HCC and MET using features extracted from CT images. The k-fold cross-validation (CV) is also used to justify the robustness of the classifiers. Compared to the individual classifier, the multi-level ensemble model achieved high accuracy in both the detection and classification of different tumors. This study demonstrates automated tumor characterization based on liver CT images and will assist the radiologist in detecting and classifying different types of tumors at a very early stage.

计算机断层扫描 (CT) 图像通常用于诊断肝脏疾病。由于不同的强度，有时很难直接从 CT 图像评论肿瘤的类型、类别和水平，即使是有经验的放射科医师。近年来，设计和开发计算机辅助成像技术以帮助医生/医师改进诊断变得非常重要。拟议的工作是检测肝脏中肿瘤区域的存在，并从 CT 图像中对肿瘤的不同阶段进行分类。肝脏的 CT 图像已分为正常和肿瘤类别。此外，肿瘤的 CT 图像已分为肝细胞癌 (HCC) 和转移瘤 (MET)。在不同的参数上评估了六个不同分类器的性能。不同分类器的准确率在肿瘤识别的 98.39% 和 100% 之间变化，肿瘤分类的准确率在 76.38% 和 87.01% 之间。为了进一步提高性能，开发了一种多级集成模型来检测肿瘤（肝癌）并使用从 CT 图像中提取的特征在 HCC 和 MET 之间进行分类。k 折交叉验证 (CV) 也用于证明分类器的稳健性。与个体分类器相比，多级集成模型在不同肿瘤的检测和分类上均取得了较高的准确率。这项研究展示了基于肝脏 CT 图像的自动肿瘤表征，并将帮助放射科医生在早期检测和分类不同类型的肿瘤。39% 和 100% 用于肿瘤识别，76.38% 和 87.01% 用于肿瘤分类。为了进一步提高性能，开发了一种多级集成模型来检测肿瘤（肝癌）并使用从 CT 图像中提取的特征在 HCC 和 MET 之间进行分类。k 折交叉验证 (CV) 也用于证明分类器的稳健性。与个体分类器相比，多级集成模型在不同肿瘤的检测和分类上均取得了较高的准确率。这项研究展示了基于肝脏 CT 图像的自动肿瘤表征，并将帮助放射科医生在早期检测和分类不同类型的肿瘤。39% 和 100% 用于肿瘤识别，76.38% 和 87.01% 用于肿瘤分类。为了进一步提高性能，开发了一种多级集成模型来检测肿瘤（肝癌）并使用从 CT 图像中提取的特征在 HCC 和 MET 之间进行分类。k 折交叉验证 (CV) 也用于证明分类器的稳健性。与个体分类器相比，多级集成模型在不同肿瘤的检测和分类上均取得了较高的准确率。这项研究展示了基于肝脏 CT 图像的自动肿瘤表征，并将帮助放射科医生在早期检测和分类不同类型的肿瘤。开发了一个多级集成模型来检测肿瘤（肝癌）并使用从 CT 图像中提取的特征对 HCC 和 MET 进行分类。k 折交叉验证 (CV) 也用于证明分类器的稳健性。与个体分类器相比，多级集成模型在不同肿瘤的检测和分类上均取得了较高的准确率。这项研究展示了基于肝脏 CT 图像的自动肿瘤表征，并将帮助放射科医生在早期检测和分类不同类型的肿瘤。开发了一个多级集成模型来检测肿瘤（肝癌）并使用从 CT 图像中提取的特征在 HCC 和 MET 之间进行分类。k 折交叉验证 (CV) 也用于证明分类器的稳健性。与个体分类器相比，多级集成模型在不同肿瘤的检测和分类上均取得了较高的准确率。这项研究展示了基于肝脏 CT 图像的自动肿瘤表征，并将帮助放射科医生在早期检测和分类不同类型的肿瘤。多级集成模型在不同肿瘤的检测和分类上均取得了较高的准确率。这项研究展示了基于肝脏 CT 图像的自动肿瘤表征，并将帮助放射科医生在早期检测和分类不同类型的肿瘤。多级集成模型在不同肿瘤的检测和分类上均取得了较高的准确率。这项研究展示了基于肝脏 CT 图像的自动肿瘤表征，并将帮助放射科医生在早期检测和分类不同类型的肿瘤。