This study proposes a new predictive segmentation method for liver tumors detection using computed tomography (CT) liver images. In the medical imaging field, the exact localization of metastasis lesions after acquisition faces persistent problems both for diagnostic aid and treatment effectiveness. Therefore, the improvement in the diagnostic process is substantially crucial in order to increase the success chance of the management and the therapeutic follow-up. The proposed procedure highlights a computerized approach based on an encoder–decoder structure in order to provide volumetric analysis of pathologic tumors. Specifically, we developed an automatic algorithm for the liver tumors defect segmentation through the Seg-Net and U-Net architectures from metastasis CT images. In this study, we collected a dataset of 200 pathologically confirmed metastasis cancer cases. A total of 8,297 CT image slices of these cases were used developing and optimizing the proposed segmentation architecture. The model was trained and validated using 170 and 30 cases or 85% and 15% of the CT image data, respectively. Study results demonstrate the strength of the proposed approach that reveals the superlative segmentation performance as evaluated using following indices including F1-score = 0.9573, Recall = 0.9520, IOU = 0.9654, Binary cross entropy = 0.0032 and p-value <0.05, respectively. In comparison to state-of-the-art techniques, the proposed method yields a higher precision rate by specifying metastasis tumor position.

中文翻译：

---

U-Net：一种有价值的编码器-解码器架构，用于 CT 图像中的肝肿瘤分割

本研究提出了一种使用计算机断层扫描 (CT) 肝脏图像进行肝脏肿瘤检测的新预测分割方法。在医学成像领域，获取后转移病灶的精确定位在诊断辅助和治疗效果方面都面临着持续存在的问题。因此，诊断过程的改进对于增加管理和治疗随访的成功机会至关重要。所提出的程序强调了一种基于编码器-解码器结构的计算机化方法，以提供病理性肿瘤的体积分析。具体来说，我们通过 Seg-Net 和 U-Net 架构从转移 CT 图像中开发了一种用于肝肿瘤缺陷分割的自动算法。在这项研究中，我们收集了 200 例经病理证实的转移癌病例的数据集。总共使用了这些病例的 8,297 个 CT 图像切片来开发和优化所提出的分割架构。该模型分别使用 170 和 30 例或 85% 和 15% 的 CT 图像数据进行训练和验证。研究结果证明了所提出方法的强度，该方法揭示了使用以下指标评估的最高级分割性能，包括 F1-score = 0.9573、Recall = 0.9520、IOU = 0.9654、Binary cross entropy = 0.0032 和 p-value <0.05，分别。与最先进的技术相比，所提出的方法通过指定转移肿瘤位置产生更高的精确率。这些病例的 297 个 CT 图像切片用于开发和优化所提出的分割架构。该模型分别使用 170 和 30 例或 85% 和 15% 的 CT 图像数据进行训练和验证。研究结果证明了所提出方法的强度，该方法揭示了使用以下指标评估的最高级分割性能，包括 F1-score = 0.9573、Recall = 0.9520、IOU = 0.9654、Binary cross entropy = 0.0032 和 p-value <0.05，分别。与最先进的技术相比，所提出的方法通过指定转移肿瘤位置产生更高的精确率。这些病例的 297 个 CT 图像切片用于开发和优化所提出的分割架构。该模型分别使用 170 和 30 例或 85% 和 15% 的 CT 图像数据进行训练和验证。研究结果证明了所提出方法的强度，该方法揭示了使用以下指标评估的最高级分割性能，包括 F1-score = 0.9573、Recall = 0.9520、IOU = 0.9654、Binary cross entropy = 0.0032 和 p-value <0.05，分别。与最先进的技术相比，所提出的方法通过指定转移肿瘤位置产生更高的精确率。研究结果证明了所提出方法的强度，该方法揭示了使用以下指标评估的最高级分割性能，包括 F1-score = 0.9573、Recall = 0.9520、IOU = 0.9654、Binary cross entropy = 0.0032 和 p-value <0.05，分别。与最先进的技术相比，所提出的方法通过指定转移肿瘤位置产生更高的精确率。研究结果证明了所提出方法的强度，该方法揭示了使用以下指标评估的最高级分割性能，包括 F1-score = 0.9573、Recall = 0.9520、IOU = 0.9654、Binary cross entropy = 0.0032 和 p-value <0.05，分别。与最先进的技术相比，所提出的方法通过指定转移肿瘤位置产生更高的精确率。