Questo documento presenta una pipeline completa per la diagnosi automatica di varie masse epatiche, composta da componenti basati su modelli di apprendimento profondo sia per la segmentazione automatica del fegato e delle sue lesioni, sia per la classificazione delle masse in 5 classi, ovvero cisti semplici, emangiomi, carcinoma epatocellulare, calcificazioni e metastasi. Riceve simultaneamente 3 scansioni di tomografia computerizzata (TC) come input per un singolo paziente, che rappresentano diverse fasi di acquisizione, tutte necessarie per una diagnosi accurata. Tutte le masse epatiche visibili vengono automaticamente segmentate in una singola classe, quindi estratte e preelaborate come immagini 2D per essere inviate come input a un classificatore che determina il tipo di lesione. Lo studio viene eseguito su scansioni TC ottenute in collaborazione con una clinica regionale da 184 pazienti sintomatici. Un'analisi sperimentale approfondita valuta comparativamente diversi modelli di apprendimento profondo, sfruttando gli ultimi progressi nel campo della visione artificiale per affrontare attività di segmentazione e classificazione. I modelli migliori registrano un punteggio Dice medio di 0,8653 per la componente di segmentazione e un'accuratezza di 0,9272 per la componente di classificazione con un punteggio F1 di 0,9135. I risultati dimostrano la fattibilità di costruire sistemi completamente automatizzati per supportare la diagnosi di malattie epatiche.
Questo è uno degli articoli scientifici pubblicati da uno o più collaboratori e data scientist di synbrAIn. LEGGI L'ARTICOLO COMPLETO