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

Bibliography: pages 51-60.

Liver segmentation is an essential preprocessing step for liver disease diagnosis
and treatment procedures. It is vital for the assessment of liver morphology and tissue
mechanical properties, fibrosis grading, cirrhosis detection, liver transplantation,
surgical resection for treatment of hepatocellular carcinoma, and liver surgery planning.
However, segmentation of the liver is incredibly challenging due to the variability
of its size, shape, and boundaries across different patients and different liver
pathologies that deform its structure and texture. Moreover, manual segmentation is
time-consuming, labor-intensive, and an expensive process that is prone to inter-
observer variability. Additionally, many applications throughout the course of treatment
require different image acquisition techniques or even different modalities as they
provide complementary diagnostic information. This results in various images with
diverse characteristics which emphasize the need for cross-modality segmentation.
Consequently, we develop a modality-independent liver segmentation framework
that refines inexpert preliminary liver annotation using transfer learning. First, a semi-
autonomous segmentation technique that consists of a level-set algorithm and
morphological post-processing supervised by non-experts was used to produce weak
liver annotations from unannotated MRI images. Then, the weak segmentations were
improved by a U-Net-based architecture. The U-Net was pre-trained on the CT Liver
Tumor Segmentation benchmark (LiTS) dataset. The model was tested on unseen
volumes from LiTS and achieved a dice score of 93%. The pre-trained model was then
used to iteratively refine the weak MRI annotations. The improved MRI liver
annotations were then evaluated qualitatively and quantitatively. The qualitative
evaluation was performed by experts who chose the improved MRI annotations over
the weak labels 93.5% of the time. While the quantitative evaluation consisted of
measuring the dice between artificially deformed labels of Combined (CT-MR) Healthy
Abdominal Organ Segmentation challenge (CHAOS) liver CT data and its true labels.
The Dice metric improved from 87.5% to 92.23% using three iterations only

تجزئة الكبد هي خطوة أساسية تسبق الكثير من الإجراءات العلاجية لتشخيص أمراض الكبد. وتعد خطوة محورية لتقييم مورفولوجيا الكبد والخصائص الميكانيكية للأنسجة ، ودرجة التليف الكبدي واكتشافه ، وزرع الكبد ، والاستئصال الجراحي لعلاج سرطان الخلايا الكبدية ، وتخطيط جراحة الكبد. ومع ذلك ، تمثل تجزئة الكبد تحديًا كبيرًا نظرًا لاختلاف حجمه وشكله وحدوده باختلاف المرضى وإختلاف أمراض الكبد التي تشوه بنيته ونسيجه. علاوة على ذلك ، فإن التجزئة اليدوية تستغرق وقتًا طويلاً ، وتتطلب جهدًا كثيفًا ، و تعد عملية مكلفة وعرضة لنتائج مختلفة فى التجزئة بين المختصين . كما تتطلب العديد من التطبيقات -طوال فترة العلاج- تقنيات مختلفة للحصول على الصور لأنها توفر معلومات تشخيصية تكميلية.
هذا البحث يناقش تطوير إطارًا لتجزئة الكبد مستقل عن تقنية التصوير و يعمل على تحسين التجزئة الأولية للكبد غير الدقيقة باستخدام تعلم النقل (Transfer Learning). اولا, تم استخدام تقنية تجزئة شبه مستقلة تتكون من خوارزمية مجموعة المستوى (Level Set) والمعالجة المورفولوجية اللاحقة التي يشرف عليها غير الخبراء لإنتاج تجزئة ضعيفة للكبد من صور التصوير بالرنين المغناطيسي (MRI) غير المُجزأة باستخدام MeVisLab. بعد ذلك ، نقوم بتحسين التجزئة الضعيفة من خلال بنية قائمة على U-Net مدربه مسبقًا على مجموعة بيانات مقياس تجزئة ورم الكبد المقطعي المحوسب (CT LiTS).ثم اُختبر النموذج المدرب على صور لم يراها من قبل من LiTS وحقق دقة في التجزئة (Dice) بنسبة 93 ٪. و اُستخدم النموذج المُختبر مسبقًا لتحسين نتائج تجزئة صور الرنين المغناطيسي الضعيفة بتكرار النهج السابق عدة مرات متتالية. وتم تقييم نتائج التجزئة المحسنة بطريقتين الاولى نوعية والأخرى كمية. وجرى التقييم النوعي على أيدي مجموعة من الخبراء الذين اختاروا نتائج التجزئة المحسنة لصور الرنين المغناطيسي على التجزئة الاولية بنسبة 93.5٪ من المرات. بينما يتألف التقييم الكمي من قياس Dice بين تجزئة معدلة اصطناعياً لصور الاشعة المقطعية من قاعدة البيانات CHAOS والتجزئة الدقيقة. ثم قُورِن بقياس Dice بين التجزئة المحسنة للتجزئة المعدلة اصطناعيا و التجزئة الدقيقة، ولُحِظَ تحسن قياس Dice من 87.5٪ إلى 92.23٪ باستخدام ثلاثة تكرارات فقط.

Issued also as CD

Text in English and abstract in Arabic & English.