چکيده— این مقاله، محاسبه اتوماتیک اندازه و مقدار تومورهای کبدی در تصاویر CT شکمی را ارائه می کند. این تصاویر موبوط به مجموعه ای از بیماران می باشند که البته میزان بهبود تمایز تصویر (کنتراست)، در آنها نامناسب می باشد. در ابتدا، بخش بندی اتوماتیک کبد مورد بررسی قرار می گیرد. در این جا از یک روش جدید و سه بعدی پارامترسازی شکل با ویژگی affine invariant (ناوردای آفین) استفاده می شود تا اینکه شکل موضعی در اندام ها مقایسه شود. با انجام یک نمونه برداری منظم از سطوح اندام، پارامتری سازی می تواند بگونه ای موثر برای مقایسه ویژگی های یک مجموعه از سطوح سه بعدی بسته به صورت نقطه به نقطه، بکار گرفته شود و به این ترتیب از مشکلات معمول ناشی از پارامتری سازی سطوح مقعر (کاو) جلوگیری شود. سطوح شکل موضعی غیر معمول و ناهنجار با استفاده از مجموعه های آموزشی و از روی بخش بندی اولیه نمونه های کبد، تعیین می شوند. برش های گراف، تومور های کبدی را با استفاده از قیود بهبود تمایز تصویر و شکل، بخش بندی می کنند. در این صورت، خطا های بخش بندی کبد به صورت قابل توجهی کاهش می یابند و تمامی تومور ها تشخیص داده می شوند. در نهایت نیز، به منظور کاهش تعداد موارد تشخیص نادرست تومور، از ماشین های بردار پشتیبان و پروسه انتخاب ویژگی استفاده می شود. میزان تشخیص صحیح تومور به ازای 2.3 مورد تشخیص مثبت کاذب، به مقدار 100 درصد می رسد. نتایج حاصل از داده های آزمون، قدرتمندی روش پیشنهادی را برای آنالیز کبد های مربوط به نمونه های بالینی مختلف اثبات می نماید و امکان مانیتورینگ لحظه ای بیماران مبتلا به سرطان کبد را فراهم می آورد.
کلمات کليدي-سرطان، مقطع نگاری کامپیوتری همراه با بهبود تمایز تصویر، کبد، پارامتری سازی، شکل، سایز تومور

Abstract:  The paper presents the automated computation of hepatic tumor burden from abdominal computed tomography (CT) images of diseased populations with images with inconsistent enhancement. The automated segmentation of livers is addressed first. A novel 3-D affine invariant shape parameterization is employed to compare local shape across organs. By generating a regular sampling of the organ’s surface, this parameterization can be effectively used to compare features of a set of closed 3-D surfaces point-to-point, while avoiding common problems with the parameterization of concave surfaces. From an initial segmentation of the livers, the areas of atypical local shape are determined using training sets. A geodesic active contour corrects locally the segmentations of the livers in abnormal images. Graph cuts segment the hepatic tumors using shape and enhancement constraints. Liver segmentation errors are reduced significantly and all tumors are detected. Finally, support vector machines and feature selection are employed to reduce the number of false tumor detections. The tumor detection true position fraction of 100% is achieved at 2.3 false positives/case and the tumor burden is estimated with 0.9% error. Results from the test data demonstrate the method’s robustness to analyze livers from difficult clinical cases to allow the temporal monitoring of patients with hepatic cancer.
Keywords-Cancer, contrast-enhanced computed tomography (CT), liver, parameterization, segmentation, shape, tumor burden