Liver lesions classification from simplified intravoxel incoherent motion Diffusion-Weighted MRI Parameters using a deep convolutional neural network

การจำแนกรอยโรคในตับจากพารามิเตอร์ภาพการตรวจทางคลื่นแม่เหล็กไฟฟ้าชนิดถ่วงน้ำหนักการแพร่กระจายการเคลื่อนไหวที่ไม่ต่อเนื่องกันภายในว็อกเซลอย่างง่าย โดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึก

Name: Phimphitcha Ratiphunpong

LCSH: Liver cells – Cancer

LCSH: Bile ducts – Cancer

LCSH: Cancer -- Radiotherapy

LCSH: Medical radiology

Abstract: Objectives:To develop and evaluate a deep learning technique for differentiating hepatocellular carcinoma (HCC) from intrahepatic cholangiocarcinoma and liver abscess using "Simplified Intravoxel Incoherent Motion (IVIM) parameters" derived from only three b-value diffusion-weighted imaging (DWI).Methods:Retrospective magnetic resonance imaging (MRI) data were collected, including T2-weighted imaging with fat suppression, in-phase (IP), out-of-phase (OP), and DWI (b = 0, 100, 800 s/mm²). After data preprocessing, DWI images were used to compute Simplified IVIM and apparent diffusion coefficient (ADC) maps. A 17-layer 3D convolutional neural network (3D-CNN) was implemented, and the input channels were modified for different strategies of input images.Results and Discussion:The 3D-CNN with simplified IVIM maps (i.e., ADC, f, and D*), demonstrated superior performance compared to other strategies of input images. Its accuracy of 83.25 ± 6.24% and area under the receiver operating characteristic curve of 92.70 ± 8.24% were achieved. This success underscores the effectiveness of simplified IVIM parameters in combination with a 3D-CNN architecture for enhancing HCC differentiation accuracy.Conclusions:Simplified IVIM parameters derived from three b-values, when integrated with a 3D-CNN architecture, offer a robust framework to differentiate HCC from intrahepatic cholangiocarcinoma and liver abscess.

Abstract: วัตถุประสงค์:เพื่อพัฒนาและประเมินเทคนิคการเรียนรู้เชิงลึกสำหรับแยกแยะความแตกต่างของมะเร็งเซลล์ตับ (Hepatocellular Carcinoma: HCC) ออกจากมะเร็งท่อน้ำดีภายในตับและฝีในตับ โดยใช้พารามิเตอร์ Simplified Intravoxel Incoherent Motion (Simplified IVIM) ซึ่งได้มาจากการคำนวณด้วยภาพเทคนิคชนิดถ่วงน้ำหนักการแพร่กระจาย (Diffusion-weighted imaging: DWI) เพียงสาม b-valueวิธีการ:เป็นการศึกษาย้อนหลังโดยเก็บภาพเอ็มอาร์ไอประกอบด้วย ภาพ T2-weighted ที่กดสัญญาณไขมัน ภาพ in-phase ภาพ out-of-phase และภาพ DWI (b = 0, 100, 800 s/mm²) ภาพ DWI ถูกนำมาคำนวณและสร้างภาพเป็นแผนที่ภาพของพารามิเตอร์ Simplified IVIM และสัมประสิทธิการแพร่กระจาย (Apparent Diffusion Coefficient: ADC) ข้อมูลเหล่านี้ถูกใช้เป็นอินพุตในการเรียนรู้โดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึกสามมิติ (3D convolutional neural network: 3D-CNN) 17 ชั้นผลลัพธ์และอภิปรายผล:การพัฒนา 3D-CNN ร่วมกับแผนที่ภาพของพารามิเตอร์ Simplified IVIM (ได้แก่ ADC, f และ D*) แสดงให้เห็นถึงประสิทธิภาพที่เหนือกว่าเมื่อเปรียบเทียบกับกลยุทธ์การใช้อินพุตอื่นๆ โดยค่าความถูกต้องเป็น 83.25 ± 6.24% และพื้นที่ใต้กราฟของ Receiver operating characteristic curve อยู่ที่ 92.70 ± 8.24% ซึ่งแสดงให้เห็นถึงประสิทธิภาพของ 3D-CNN ร่วมกับข้อมูล Simplified IVIM ในการแยกแยะ HCC ได้อย่างถูกต้องสรุป:พารามิเตอร์ Simplified IVIM ซึ่งคำนวณมาจากภาพ DWI เพียง 3 b-value เมื่อนำไปพัฒนาร่วมกับ 3D-CNN สามารถแยกแยะ HCC ออกจากมะเร็งท่อน้ำดีภายในตับ และ ฝีในตับได้อย่างมีประสิทธิภาพ

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Uten Yarach

Role: Advisor

Name: Nakarin Inmutto

Role: Advisor

Name: Salita Angkurawaranon

Role: Advisor

Created: 2025

Modified: 2025-07-20

Issued: 2025-07-20

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Medical Radiation Sciences

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	651131022.pdf	5.04 MB

ใช้เวลา

0.03309 วินาที