کبد یک عضو مهم و حیاتی در بدن مهره داران است و سلامت کبد برای حفظ سلامتی کل بدن ضروری است. تشخیص و طبقه بندی ضایعات کانونی کبد از تصاویر سی تی اسکن، به دلیل اهمیت کبد در بدن انسان، چالشی بسیار مهم برای پزشکان است. این پژوهش با هدف بهبود دقت طبقه بندی کبد سالم و ضایعات کانونی کبد از جمله کیست ، هیپرپلازی ندولار کانونی ، کارسینوم سلولی کبد و همانژیوم ایجاد شده است و از شبکه های عصبی عمیق و یادگیری انتقالی استفاده کرده ایم. در این پژوهش، از سه شبکه عصبی عمیق ResNet، AlexNet و EfficientNet برای طبقه بندی تصاویر سی تی اسکن کبد با کنتراست بهبودیافته از سه مدالیته مختلف NC، ART و PV استفاده شده است. به دلیل تعداد محدود تصاویر سی تی اسکن کبد، از یادگیری انتقالی برای بهبود عملکرد مدل ها استفاده کرده ایم.در این پژوهش از دو نوع تابع اتلاف میانگین مربعات خطا و تابع اتلاف متقاطع آنتروپی استفاده کرده ایم. نتایج ارزیابی نشان می دهد که مدل ResNet با یادگیری انتقالی و تابع اتلاف متقاطع آنتروپی، بهترین عملکرد را در مقایسه با سایر مدل ها و روش های پیشرفته دیگر دارد و مقایسه ی آن با پژوهش های مشابه نشان دهنده نتایج مطلوب و قابل قبولی در حوزه قطعه بندی ضایعات کانونی کبد است. این پژوهش نشان می دهد که استفاده از شبکه های عصبی عمیق و یادگیری انتقالی می تواند دقت طبقه بندی ضایعات کانونی کبد را از تصاویر سی تی اسکن به طور قابل توجهی افزایش دهد.
