Thesis (M.Sc)-Cairo University, 2024.

Bibliography: pages 95-108.

Liver cancer presents a substantial threat to life and is recognized as one of the rapidly growing forms of cancer globally. In Egypt, Liver cancer stands as a significant public health concern, with a report in 2020 from the World Health Organization indicating that it contrib-utes to 4.57% of total deaths, ranking Egypt second globally in liver cancer mortality. This indicates a significant increase compared to the previous data from 2018, which reported liver cancer deaths at 3.25% of total deaths. According to WHO in 2023, Egypt achieved a pro-gress on the path to elimination of hepatitis C. The malignancy of liver cancer can be classi-fied into various types, with the diagnosis and treatment of these different levels of differen-tiation playing a crucial role in determining patients’ survival rate and duration. In recent years, the development of a computer-assisted imaging technique using deep learning has be-come crucial for diagnosing liver diseases, thereby enhancing the accuracy of medical diag-noses. This thesis makes several contributions in the field of artificial intelligence (AI). AI is being used more and more to turn patient medical records into digital form, especially in medical record systems. The proposed liver dataset sourced from Ain Shams University Spe-cialized Hospital (ASUSH) in Egypt and annotated by two specialists. The liver dataset in-cludes 280 patients with about of 14,096 computed tomography (CT) images. These images were obtained from the PACS system and converted from the Digital Imaging and Commu-nications in Medicine (DICOM) to TIFF image format. The experiments are conducted in two phases. In the first phase, the expert radiologists classify the dataset into normal or abnormal cases. In the second phase, the expert radiologists classify the cases as either normal, or abnormal. For the abnormal cases, they further classify the patients into the following categories: non-tumorous abscess, malignant metastases, malignant hepatocellular carcinoma treated with radiofrequency ablation, malignant HCC, liver cirrhosis, benign haemangioma, and focal fatty sparing. However, it's worth noting that, to our latest knowledge, this dataset is the first multi-class liver cancer dataset in Egypt, making a significant and novel contribu-tion to the field. Additionally, the thesis benchmarks the dataset using various deep learning models, specifically a proposed CNN, along with fine-tuned pretrained models such as VGG16, VGG19, ResNet50, ResNet101, EfficientNetB1, EfficientNetB2, Xception, Vision transformer, Inception-V3, and InceptionRestNetV2. The experimental results reveal that all the models achieved an accuracy of 99% in predicting liver cancer variants. The results were evaluated under several performance metrics such as accuracy, specificity, sensitivity (recall), precision, ROC/AUC, F1-score

يمثل سرطان الكبد تهديدًا كبيرًا للحياة ويُعرف بأنه أحد أشكال السرطان سريعة النمو على مستوى العالم. وفي مصر، يمثل سرطان الكبد مصدر قلق كبير على الصحة العامة، حيث يشير تقرير صادر عن منظمة الصحة العالمية في عام 2020 إلى أنه يساهم في 4.57% من إجمالي الوفيات، مما يجعل مصر في المرتبة الثانية عالميًا في وفيات سرطان الكبد. ويشير ذلك إلى زيادة كبيرة مقارنة بالبيانات السابقة لعام 2018، والتي سجلت وفيات بسرطان الكبد بنسبة 3.25% من إجمالي الوفيات. وفقًا لمنظمة الصحة العالمية، حققت مصر في عام 2023 تقدمًا على طريق القضاء على التهاب الكبد C. ويمكن تصنيف الأورام الخبيثة لسرطان الكبد إلى أنواع مختلفة، حيث يلعب تشخيص وعلاج هذه المستويات المختلفة من التمايز دورًا مهمًا. دور حاسم في تحديد معدل بقاء المرضى ومدته. في السنوات الأخيرة، أصبح تطوير تقنية التصوير بمساعدة الكمبيوتر باستخدام التعلم العميق أمرًا بالغ الأهمية لتشخيص أمراض الكبد، وبالتالي تعزيز دقة التشخيص الطبي. تقدم هذه الأطروحة العديد من المساهمات في مجال الذكاء الاصطناعي (AI). يتم استخدام الذكاء الاصطناعي أكثر فأكثر لتحويل السجلات الطبية للمرضى إلى شكل رقمي، خاصة في أنظمة السجلات الطبية. تم الحصول على مجموعة بيانات الكبد المقترحة من مستشفى جامعة عين شمس التخصصي (ASUSH) في مصر وتم شرحها من قبل اثنين من المتخصصين. تتضمن مجموعة بيانات الكبد 280 مريضًا مع حوالي 14096 صورة مقطعية محوسب. تم الحصول على هذه الصور من نظام PACS وتم تحويلها من التصوير الرقمي والاتصالات في الطب (DICOM) إلى تنسيق صورة TIFF. يتم إجراء التجارب على مرحلتين. في المرحلة الأولى، يقوم خبراء الأشعة بتصنيف مجموعة البيانات إلى حالات عادية أو غير طبيعية. وفي المرحلة الثانية، يقوم خبراء الأشعة بتصنيف الحالات إلى طبيعية أو غير طبيعية. بالنسبة للحالات غير الطبيعية، يصنفون المرضى أيضًا إلى الفئات التالية: خراج غير ورمي، ورم خبيث خبيث، وسرطان الكبد الخبيث المعالج بالترددات الراديوية، وسرطان الخلايا الكبدية الخبيث، وتليف الكبد، والورم الوعائي الحميد، والورم الدهني البؤري. ومع ذلك، تجدر الإشارة إلى أنه وفقًا لأحدث معلوماتنا، فإن مجموعة البيانات هذه هي أول مجموعة بيانات متعددة الفئات لسرطان الكبد في مصر، مما يقدم مساهمة كبيرة وجديدة في هذا المجال. بالإضافة إلى ذلك، تقوم الأطروحة بقياس مجموعة البيانات باستخدام نماذج التعلم العميق المختلفة، وتحديدًا CNN المقترحة، جنبًا إلى جنب مع النماذج المدربة مسبقًا مثل VGG16، VGG19، ResNet50، ResNet101، EfficientNetB1، EfficientNetB2، Xception، Vision trans-former، Inception-V3، و InceptionRestNetV2. تكشف النتائج التجريبية أن جميع النماذج حققت دقة قدرها 99% في التنبؤ بمتغيرات سرطان الكبد. تم تقييم النتائج في ظل العديد من مقاييس الأداء مثل الدقة والنوعية والحساسية (الاستدعاء) والدقة وROC/AUC وF1-score.

Issues also as CD.

Text in English and abstract in Arabic & English.