BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC QUY NHƠN LÊ TƠN HỒNG LONG TIẾP CẬN HỌC SÂU CHO PHÁT HIỆN BẤT THƢỜNG TRONG PHỔI DỰA VÀO DỮ LIỆU HÌNH ẢNH X-QUANG LỒNG NGỰC Chuyên ngành : Khoa học máy tính Mã số : 8.48.01.01 Ngƣời hƣớng dẫn: TS LÊ THỊ KIM NGA LỜI CAM ĐOAN Tôi xin cam đoan toàn nội dung luận văn với đề tài: “Tiếp cận học sâu cho phát bất thường phổi dựa vào liệu hình ảnh XQuang lồng ngực” thực dƣới hƣớng dẫn trực tiếp TS Lê Thị Kim Nga - Trƣờng Đại học Quy Nhơn Phần thực nghiệm chƣơng trình tơi tự xây dựng có hƣớng dẫn giảng viên, có sử dụng số thƣ viện chuẩn thuật toán đƣợc tác giả xuất công khai Kết thực nghiệm đƣợc minh họa luận văn trung thực Nội dung luận văn chƣa đƣợc công bố hay xuất dƣới hình thức Các tài liệu tham khảo đƣợc sử dụng luận văn có nguồn gốc rõ ràng trích dẫn xác, đầy đủ Nếu sai tơi xin hồn tồn chịu trách nhiệm Bình Định, ngày tháng năm 2021 Ngƣời cam đoan Lê Tôn Hồng Long LỜI CẢM ƠN Trong q trình nghiên cứu luận văn, cịn gặp nhiều khó khăn, nhƣng nhận đƣợc quan tâm, giúp đỡ quý thầy cô, bạn bè ngƣời thân Đây nguồn động lực lớn giúp tơi hồn thành đề tài luận văn Tôi xin gửi lời cảm ơn chân thành lòng biết ơn sâu sắc đến quý Thầy (Cô), ngƣời nuôi dƣỡng chắp cánh ƣớc mơ cho thân đến với đƣờng nghiên cứu khoa học đầy đam mê, đặc biệt TS Lê Thị Kim Nga - Trƣờng Đại học Quy Nhơn Với tâm huyết mình, thầy bảo tận tình chu thân hồn thành tốt cơng việc Và xin cảm ơn cán bộ, nhân viên phòng Đào tạo Sau đại học, trƣờng Đại học Quy Nhơn tạo điều kiện tốt cho tơi suốt q trình học tập trƣờng Cuối cùng, cho đƣợc gửi lời biết ơn đến gia đình, bạn bè tất ngƣời thân, bên cạnh động viên thân suốt thời gian học tập nghiên cứu Kính chúc q Thầy (Cơ) anh chị em lớp cao học ngành Khoa học Máy tính khóa 22 sức khỏe, hạnh phúc thành đạt Xin chân thành cảm ơn! Lê Tơn Hồng Long MỤC LỤC Trang LỜI CAM ĐOAN LỜI CẢM ƠN DANH MỤC CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG, HÌNH ẢNH MỞ ĐẦU 1 Lý chọn đề tài Mục đích nghiên cứu 3 Đối tƣợng phạm vi nghiên cứu Phƣơng pháp nghiên cứu Ý nghĩa khoa học thực tiễn đề tài Chƣơng TỔNG QUAN VỀ PHÁT HIỆN BẤT THƢỜNG TRÊN ẢNH Y KHOA 1.1 Giới thiệu ảnh y khoa 1.1.1 Cấu trúc ảnh y khoa 1.1.2 Dữ liệu ảnh DICOM 15 1.2 Bài toán phát bất thƣờng ảnh y khoa 23 1.2.1 Phát biểu toán 23 1.2.2 Ý nghĩa thực tiễn 23 1.2.3 Một số nghiên cứu liên quan 24 1.3 Một số kỹ thuật xử lý ảnh phát bất thƣờng ảnh y khoa 26 1.3.1 Tiếp cận dựa phân đoạn (Image Segmentation) 27 1.3.2 Tiếp cận dựa phân tích đặc trƣng (Feature Extraction) 31 1.4 Ứng dụng phát bất thƣờng phổi chẩn đoán bệnh 33 1.5 Kết luận chƣơng 34 CHƢƠNG PHÁT HIỆN BẤT THƢỜNG TRÊN ẢNH X-QUANG PHỔI DỰA VÀO TIẾP CẬN HỌC SÂU 35 2.1 Giới thiệu 35 2.1.1 Trí tuệ nhân tạo phát bất thƣờng phổi 35 2.1.2 Học sâu phát bất thƣờng phổi 36 2.2 Cơ sở lý thuyết số mô hình học sâu 38 2.2.1 Cơ sở lý thuyết học sâu 38 2.2.2 Một số mơ hình học sâu phân tích ảnh X-Quang phổi 41 2.3 Phát bất thƣờng phổi ảnh X-quang ứng dụng học sâu 60 2.4 Một số độ đo đánh giá kết phát vùng bất thƣờng 62 2.5 Kết luận chƣơng 65 CHƢƠNG THỬ NGHIỆM 66 3.1 Giới thiệu toán 66 3.2 Dữ liệu 68 3.3 Cài đặt thực nghiệm kết đánh giá 69 KẾT LUẬN 75 DANH MỤC TÀI LIỆU THAM KHẢO 77 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN THẠC SĨ (BẢN SAO) DANH MỤC CÁC CHỮ VIẾT TẮT Chữ tắt Dạng đầy đủ Mô tả CSDL Cơ sở liệu Cơ sở liệu PACS Picture and Hệ thống lƣu trữ hình archiving ảnh giao tiếp Communication System DICOM Digital Imaging and Tiêu chuẩn ảnh số Communications in Medicine CNN Convolutional truyền thơng y tế Neural Mạng nơ-ron tích chập Network YOLO YOU ONLY LOOK ONCE Mơ hình YOLO DANH MỤC CÁC BẢNG, HÌNH ẢNH Bảng 2.1: Một số nghiên cứu sử dụng học sâu cho toán bất thƣờng phổi 38 Hình 1.1: Ví dụ ảnh y khoa Hình 1.2: Minh họa kết sử dụng AI ảnh y khoa 12 Hình 1.3: Ví dụ ảnh DICOM phổi liệu bệnh nhân 16 Hình 1.4: Minh họa đối tƣợng thông tin dịch vụ DICOM 21 Hình 1.5: Sơ đồ toán phát bất thƣờng ảnh y khoa 23 Hình 1.6: Dải màu ảnh xám 27 Hình 1.7: Phân đoạn ảnh chụp phổi 27 Hình 1.8: Phân đoạn ảnh phổi giá trị ngƣỡng khác 29 Hình 1.9: Phân đoạn phổi dựa biên 30 Hình 2.1: Mối quan hệ học sâu với lĩnh vực liên quan 36 Hình 2.2: Mơ hình mơ tả mạng nơ-ron sâu nhiều tầng 39 Hình 2.3: Mảng ma trận RGB ảnh 42 Hình 2.4: Mơ hình mạng CNN 42 Hình 2.5: Ma trận ảnh nhân ma trận lọc 43 Hình 2.6: Ma trận đầu 43 Hình 2.7: Một số lọc phổ biến 44 Hình 2.8: Hoạt động lớp ReLU 45 Hình 2.9: Mơ hình làm việc Max Pooling 45 Hình 2.10: Kiến trúc mạng CNN hoàn chỉnh 46 Hình 2.11: Ý tƣởng bƣớc YOLO 47 Hình 2.12: Sơ đồ kiến trúc mạng YOLO 47 Hình 2.13: Kiến trúc output mơ hình YOLO 49 Hình 2.14: Các đồ đặc trƣng mạng YOLO 50 Hình 2.15: Xác định hộp neo cho đối tƣợng vật thể 51 Hình 2.16: Minh họa dự đốn bouding box 54 Hình 2.17: Ví dụ Non-max suppression 55 Hình 2.18: Kiến trúc mạng YOLOv3 57 Hình 2.19: So sánh hiệu suất YOLOv4 với mơ hình học sâu stateof-art thời điểm (trong có YOLOv3) 58 Hình 2.20: Các phiên YOLOV5 59 Hình 2.21: Kết thử nghiệm so sánh phiê YOLOv5 59 Hình 2.22: Mơ hình bƣớc toán 60 Hình 2.23: Hình ảnh X-quang ngực đƣợc xử lý CNN 61 Hình 2.24: Kiến trúc mạng YOLO phát bất thƣờng phổi ảnh Xquang 61 Hình 2.25: Độ đo IoU 63 Hình 3.1: Sơ đồ mơ hình bƣớc tốn 67 Hình 3.2: Danh sách bệnh phổi dataset 68 Hình 3.3: Quy trình hệ thống xây dựng tập liệu 69 Hình 3.4: Kết tiền xử lý liệu 70 Hình 3.5: Chỉnh sửa cấu hình mạng (số class) 71 Hình 3.6: File mơ tả liệu train 71 Hình 3.7: Kết train mơ hình YOLOv5 72 Hình 3.8: Lƣu file weights mơ hình (lƣu sau epoch) 73 Hình 3.9: Kết xác định dự đoán bệnh ảnh X-quang YOLOv5 73 Hình 3.10: So sánh kết YOLOv5 nhãn thực tế 74 MỞ ĐẦU Lý chọn đề tài Những năm gần đây, khoa học công nghệ ngành y tế đƣợc quan tâm nghiên cứu ứng dụng nhiều phát triển khoa học nhƣ nhu cầu bệnh tật ngày lớn đa dạng Việc chẩn đoán phát bệnh sớm quan trọng, giúp trình khám chữa bệnh hiệu hơn, hạn chế bƣớc điều trị khơng cần thiết, có khả lành bệnh cao hơn, qua tiết kiệm cho bệnh nhân Một kênh thông tin quan trọng hỗ trợ chẩn đốn điều trị bệnh dựa vào hình ảnh y khoa nhƣ X-Quang, CT, MRI, chụp xạ hình… Để tiến đến việc hỗ trợ chẩn đốn điều trị bệnh dựa hình ảnh y khoa phải cần đến nhiều thuật tốn khác nhau, chẳng hạn nhƣ phân vùng ảnh, phát hiện, nhận dạng tự động vùng thể phù hợp xác nhằm phát bất thƣờng phận thể Phát nhận dạng xác vùng ảnh vùng bệnh giúp tính tốn đánh giá xác bệnh lý nhƣ khả hoạt động phận trƣờng hợp bị tổn thƣơng Trong năm gần đây, khoa học chẩn đốn hình ảnh y tế chứng tỏ đƣợc cần thiết chẩn đoán điều trị bệnh Chẩn đốn hình ảnh góp phần quan trọng nâng cao tính xác, kịp thời hiệu cao chẩn đốn điều trị bệnh Dựa hình ảnh siêu âm hay chụp XQuang, bác sĩ đo đƣợc tƣơng đối xác kích thƣớc tạng đặc (Phổi, Tim, Gan, Lách, Thận, Tuỵ, ) phát khối u bất thƣờng có Từ hình ảnh X-Quang lồng ngực, bác sĩ xác định cấu trúc, kích thƣớc tồn phổi, chi tiết phổi mạch máu lớn Trong sản khoa, siêu âm giúp xác định theo dõi phát triển thai nhi bụng mẹ; Từ hình ảnh y tế DICOM giúp bác sĩ xác định đƣợc vùng bất thƣờng hay khối u có hình thái, kích thƣớc, khối lƣợng,… số tạng đặc thể nhƣ Gan, Dạ dày, Phổi, Não, … Tuy nhiên việc hỗ trợ bác sĩ tính tốn xác định vùng bất thƣờng cách tự động ảnh CT, MRI nhiều khó khăn độ tƣơng phản thấp giá trị cƣờng độ ảnh vùng tạng khác tƣơng đồng Vì vậy, nghiên cứu phƣơng pháp hay thuật toán phát hay xác định bất thƣờng thể cách tự động thơng qua hình ảnh y tế nhằm giúp bác sĩ chấn đốn bệnh nhanh chóng, kịp thời xác đề hết cần thiết Bất chấp tiến y học, nhƣ tiến phƣơng pháp điều trị, bệnh gây bất thƣờng phổi đƣợc xem có khả gây tử vong cao toàn giới Ảnh hƣởng bệnh phổi sức khỏe ngày tăng rõ rệt nhanh chóng thay đổi mơi trƣờng, khí hậu, lối sống yếu tốt khác Theo thống kê từ WHO, tính đến 09/2019, có 65 triệu ngƣời sống với COPD triệu ngƣời chết COPD năm; ung thƣ phổi ung thƣ có tỷ lệ tử vong cao với 1.76 triệu ngƣời chết năm 91 phần trăm dân số giới sống mơi trƣờng khơng khí nhiễm q mức tiêu chuẩn WHO [1] Nguy mắc bệnh phổi lớn, đặc biệt quốc gia phát triển có mức thu nhập trung bình thấp nhƣ Việt Nam, nơi hàng triệu ngƣời đối mặt với khó khăn tài nhiễm khơng khí Từ thấy, phát sớm bất thƣờng phổi từ hỗ trợ chẩn đoán điều trị sớm bệnh phổi vô cấp thiết quan trọng hết Tại phòng khám trung tâm y tế, bất thƣờng phổi thƣờng đƣợc xác định nhiều phƣơng thức hình ảnh nhƣ XQuang, CT, MRI,… Do khả tiếp cận dễ dàng chi phí thấp, chụp XQuang phổi đƣợc sử dụng rộng rãi để chẩn đoán theo dõi sức khỏe Tuy nhiên việc đọc chẩn đốn từ hình ảnh y tế đòi hỏi chuyên viên y tế, bác sĩ 70 o Các file ảnh tập train khơng có kích thƣớc cố định nên khơng thể hardcode width height convert, file csv khơng có kích thƣớc ảnh nên cần phải đọc ảnh trƣớc convert o Tiến hành đọc file CSV, lấy tên file tọa độ box, nhãn chẩn đốn file Đọc file ảnh để biết kích thƣớc ảnh o Convert sang YOLO format ghi vào folder train với tên giống file ảnh phẩn mở rộng txt o Kết trình tiền xử lý liệu ảnh đƣợc chẩn đốn có bệnh, bên cạnh ảnh có file chứa nhãn txt Hình 3.4: Kết tiền xử lý liệu Chia liệu thành Train, Val theo cấu trúc YOLOv5: o Cấu trúc YOLOv5 yêu cầu: Một thƣ mục images chứa 71 ảnh, có thƣ mục train val Một thƣ mục labels chứa nhãn (các file txt) có thƣ mục tƣơng tự nhƣ images o Ở đây, ta tiến hành chia 20% ảnh cho val 80% cho train Tiến hành clone YOLOv5 lệnh git clone đƣờng dẫn: https://github.com/ultralytics/yolov5 Sau clone về, hai việc cần thực là: chỉnh sửa số class file cấu hình mạng tạo file mơ tả liệu train Hình 3.5: Chỉnh sửa cấu hình mạng (số class) Hình 3.6: File mô tả liệu train Tiến hành train mô hình YOLOv5 Colab !python train.py img 640 batch 16 epochs data mô 72 hìnhs/data.yaml weights yolov5x.pt -img 640: kích thƣớc ảnh đầu vào, tạm thời để mặc định -batch 16: batch_size, chuyển batch tràn nhớ train mơ hình -epochs 5: số lƣợng epoch, thông số cần điều chỉnh tăng/giảm tùy ý cho mơ hình có mAP hội tụ -data mơ hìnhs/data.yaml: trỏ đến file data.yaml tạo trƣớc -weights yolo5x.pt: weight pretrain YOLOv5 Sau train thành công, ta đƣợc kết nhƣ sau: Hình 3.7: Kết train mơ hình YOLOv5 Khi train mơ hình YOLOv5, cần theo dõi ba tham số P-Precision (khung màu xanh cây), R-Recall (màu đỏ) mAP@.5 (màu xanh nƣớc biển) để biết mơ hình đƣợc train tốt (các khung đƣợc đánh dấu hình 3.6) Nếu sau nhiều vịng train (ví dụ 100 vịng) mà mAP@.5 khơng giảm 73 mà quanh quẩn giá trị (hội tụ) dừng train mơ hình, mAP có giá trị cao tốt Lƣu weights mơ hình: Hình 3.8: Lƣu file weights mơ hình (lƣu sau epoch) Train tiếp từ weight lƣu: !python train.py img 640 batch 16 epochs data mô hìnhs/data.yaml weights runs/train/exp2/weights/best.pt Tiến hành kiểm thử mơ hình: !python detect.py weights runs/train/exp2/weights/best.pt img 640 conf 0.25 source data/images/train/aba07c1.jpg -weights runs/train/exp2/weights/best.pt: trỏ đến weight train -conf 0.25: ngƣỡng dự đoán -source: trỏ đến file ảnh cần dự đốn Kết chƣơng trình thực nghiệm: Hình 3.8 thể kết chạy YOLOv5 xác định vùng bất thƣờng chẩn đoán bệnh ảnh X-quang lồng ngực đầu vào: Hình 3.9: Kết xác định dự đoán bệnh ảnh X-quang YOLOv5 74 Hình 3.10a 3.10b thể so sánh kết chạy thử nghiệm mơ hình YOLOv5 dataset VinDr-CXR so sánh với nhãn thực tế đƣợc đánh sẵn: (a) Nhãn thực tế (b) Kết YOLO Hình 3.10: So sánh kết YOLOv5 nhãn thực tế 3.4 KẾT LUẬN CHƢƠNG Trong chƣơng này, luận văn tiến hành cài đặt thử nghiệm mơ hình học sâu YOLOv5 đƣợc trình bày chƣơng hai nhằm giải toán mục tiêu “Tiếp cận học sâu cho phát bất thường phổi dựa vào liệu X-quang lồng ngực” Kết đánh giá đạt đƣợc thành cơng từ ý tƣởng áp dụng mơ hình học sâu đề Độ xác nằm mức tƣơng đối cao tập liệu đầu vào đƣợc sử dụng tập VinDr-CXR với độ lớn tập liệu cao có độ uy tín khoa học Trong trƣờng hợp tập liệu có nhãn dán khơng hợp lý, với nhiều yếu tố ngoại lai kết khơng nhƣ mong muốn, cần phải phát triển khắc phục số hạn chế để đạt đƣợc kết tốt 75 KẾT LUẬN NỘI DUNG NGHIÊN CỨU VÀ KẾT QUẢ ĐẠT ĐƢỢC CỦA LUẬN VĂN Bài toán phát bất thƣờng phổi đƣợc đặt từ lâu hàng loạt nghiên cứu đề tài đƣợc xác lập, ứng dụng đƣợc triển khai Bài tốn ln đặt nhiều thách thức khó khăn Các khó khăn chứng tỏ phƣơng pháp giải tốn khơng thể tránh khỏi số khiếm khuyết định Mỗi hƣớng tiếp cận đƣợc đƣa đạt đƣợc thành định, hƣớng có thành cơng, hạn chế Vì tốn tốn khơng có lời giải tối ƣu cho trƣờng hợp Tuy nhiên, tính cấp thiết từ yêu cầu thực tế mà đề tài hấp dẫn nhà khoa học, chuyên gia nghiên cứu ứng dụng Trong nội dung nghiên cứu đề tài “Tiếp cận học sâu cho phát bất thường phổi dựa vào liệu X-quang lồng ngực”, thân tìm hiểu thuật tốn, mơ hình học sâu xử lý, nhƣ áp dụng mơ hình để giải tốn đặt Qua nghiên cứu, kết mà luận văn đạt đƣợc nhƣ sau: - Khái quát ảnh y tế kỹ thuật xử lý ảnh y tế, ảnh chuẩn DICOM cấu trúc ảnh DICOM - Trình bày số mơ hình học sâu nhƣ CNN YOLO, mơ hình học sâu đƣợc sử dụng nhiều toán phát vật thể vào vấn đề cụ thể vùng bất thƣờng phổi ảnh X-quang ngực - Cài đặt thử nghiệm mơ hình YOLOv5 với tập liệu huấn luyện VinDr-CXR, kết đạt đƣợc độ xác cao, đánh giá hiệu tiềm khoa học ứng dụng để phát triển tƣơng lai 76 KIẾN NGHỊ VÀ HƢỚNG NGHIÊN CỨU TIẾP THEO Bài toán phát vùng bất thƣờng quan nội tạng ngƣời, đặc biệt phổi, tiếp tục toán đƣợc nhiều nhà nghiên cứu cộng đồng quan tâm với nhiều ứng dụng khoa học thực tiễn to lớn, có tầm quan trọng không phát triển mô hình kỹ thuật cơng nghệ mà cịn hỗ trợ chẩn đoán y tế Với hạn chế khó khăn cịn gặp q trình phát triển, giải toán, hƣớng nghiên cứu luận văn tiếp tục đào sâu vào mơ hình học máy, học sâu, song song với phiên tiền xử lý liệu nhƣ kỹ thuật xử lý ảnh để nâng cao hiệu suất đầu toán 77 DANH MỤC TÀI LIỆU THAM KHẢO [1] WHO, Weekly Operational Update on COVID-19, 20 November 2020 [2] Holger R Roth, et al (2018),“An application of cascaded 3D fully convolutional networks for medical image segmentation”, Computerized Medical Imaging and Graphics, 66, pp.90-99 [3] Krzyszt of Pawełczyk, Michal Kawulok, Jakub Nalepa, Michael P.Hayball, Sarah J McQuaid, Vineet Prakash (2017), “Towards Detecting High-Uptake Lesions from Lung CT Scans Using Deep Learning”, International Conference on Image Analysis and Processing (ICIAP) 2017 [4] Nguyen Ho Minh Duy, Tran Anh Tuan, Nguyen Hai Duong, Tran Anh Tuan, Nguyen Kim Dao, Atsuo Yoshitaka, Kim Jin Young, Seung Ho Choi and Pham The Bao (2016), “3D-Brain MRI Segmentation Based on Improved Level Set by AI Rules and Medical Knowledge Combining 3Classes-EM and Bayesian Method”,Journal of KIIT,14(5), pp.5-88 [5] Nguyen Thi Hong Nhung, Vu Tran Minh Khuong, Vu Quang Huy and Pham The Bao (2016), “Classifying prostate cancer patients based on total prostate-specific antigen and free prostate-specific antigen features by support vector machine”, Journal of Cancer Research and Therapeutics,12, pp.818-825 [6] Le Trong Ngoc, Kieu Duc Huynh, Pham The Bao, Huynh Trung Hieu, “Liver Intensity Determination in The 3D Abdominal MR Image Using Neural Network”, Journal of Science and Technology, 54(3A), pp.98-105 [7] Trong Ngoc Le, Pham The Bao and Hieu Trung Huynh (2016), “Liver 78 Tumor Segmentation from MR Images Using 3D Fast Marching Algorithm and Single Hidden Layer Feed forward Neural Network”, BioMed Research International Journal [8] Abdallah Y, Yousef R Augmentation of X-rays images using pixel intensity values adjustments International Journal of Science and Research(IJSR).2015;4(2):2425-2430 [9] AbdallahY Increasing of Edges Recognition in Cardiac Scintography for Ischemic Patients Germany: Lambert Publishing Press GmbH&Co.KG;2011.pp.123-125 [10] AbdallahYM History of medical imaging Archives of Medicine and Health Sciences 2017;5:275- 278.DOI:10.4103/amhs.amhs_97_17 [11] Kostis, W.J., Reeves, A.P., Yankelevitz, D.F., et al., “Three dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images”, IEEE Trans., Medical Imaging 22,pp.1259–1274 ,2003 [12] Imran Fareed Nizami, Saad Ul Hasan, Ibrahim Tariq Javed, “A Wavelet Frames + K-means based Automatic Method for Lung Area Segmentation in Multiple Slices of CT Scan “ISBN: 978-14799-5754-5/14/$26.00 ©2014 IEEE 245 [13] Ashwin S, Kumar SA, Ramesh J, Gunavathi K: Efficient and reliable lung nodule detection using a neural network based computer aided diagnosis system In Emerging Trends in Electrical Engineering and Energy Management (ICETEEEM), 2012 International Conference 2012:135–142 [14] G Raghuraman, S Sabena, and L Sairamesh, “Image Retrieval Using Relative Location of Multiple ROIS,”Asian Journal of 79 Information Technology., vol.15,no.4, pp 772–775, 2016 [15] Laniketbombale, C.G.Patil , “Segmentation of lung nodule in CT data using k-mean clustering”, international journal of electrical, electronics and data communication, issn: 2320-2084 vol-5, issue-2,feb.-2017 [16] Nanusha, “Lung Nodule Detection Using Image Segmentation Methods”, International Journal of Advanced Research in Electronics and Communication Engineering (IJARECE) Volume 6, Issue 7, July 2017 [17] Gu, S., Meng, D., Zuo, W., and Zhang L., “Joint Convolutional Analysis and Synthesis Sparse Representation for Single Image Layer Separation”, IEEE International Conference on Computer Vision,pp 1717-1725, 2017 [18] Yan, X., and Li, Y., “A Method of Lane Edge Detection Based on Canny Algorithm”, IEEE, pp 2120-2124, 2017 [19] Nagao, M., Miyake, N Yoshino, Y., Lu, H., Tan, J.K.,Kim, H., Murakami, S., Aoki, T., Hirano, Y., and Kido,S., “Detection of Abnormal Candidate Regions on Temporal Subtraction Images Based on DCNN”, Proceedings of 17th International Conference on Control, Automation and Systems, pp 1444-1448, 2017 [20] Shao, W., Liu, M., Xu, Y.-Y., Shen, H.B., and Zhang, D.,“An Organelle Correlation-Guided Feature Selection Approach for Classifying Multi-Label Sub cellular Bio-images”, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2017 [21] Al-Zubaidi, A.K., Sideseq, F.B Faeq, A., and Basil, M.,“Computer Aided Diagnosis in Digital Pathology Application: Review and 80 Perspective Approach in Lung Cancer Classification”, Annual Coference on New Trends in Information & Communication Technology, Application, pp 219-224, 2017 [22] Zubair, A.R., “Frequency Domain Image Restoration”, International Journal of Computer and Information Technology, Volume 7, No 2, pp 64-73, 2018 [23] Li, Y., Qian, M., Liu, P., Cai, Q., Li, X., Guo, J., Yan, H.,Yu, F., Yuan, K., and Yu, J., “The Recognition of Rice Images by UAV Based on Capsule network”, Cluster Computing, pp 1-10, 2018 [24] Berahim, M., Samsudin, N.A., and Nathan, S.S., “A Review: Image Analysis Techniques to Improve Labeling Accuracy of Medical Image Classification”, Recent Advances on Soft Computing and Data Mining, pp 298-307, 2018 [25] Talukdar, J., and Sarma, D.P., “A Survey on Lung Cancer Detection in CT scans Images Using Image Processing Techniques”, International Journal of Current Trends in Science and Technology, Volume 8, No 3,pp 20181-20186, 2018 [26] Jain, S., and Laxmi, V., “Color Image Segmentation Techniques: A Survey”, Proceedings of International Conference on Micro electronics, Computing & Communication Systems, pp 189-197, 2018 [27] Chowdhury, K., Chaudhuri, D., and Pal, A.K., “Seed Point Selection Algorithm in Clustering of Image Data”, Progress in Intelligent Computing Techniques: Theory, Practice, and Applications, pp 119-126, Springer, 2018 [28] Wang, P., Xu, S., Li, Y., Wang, L., and Song, Q., “Feature-Based Analysis of Cell Nuclei Structure for Classification of 81 Histopathological Images”, Digital Signal Processing, 2018 [29] Chouhan, S.S., Kaul, A., and Singh, U.P., “Image Segmentation Using Computational Intelligence Techniques”, Archives of Computational Methods in Engineering, pp 1-64, February, 2018 [30] Heden B, Ohlin H, Rittner R, et al A cute myocardialinfarction detected in the 12-lead ECG by artificial neuralnetworks Circulation 1997;96:1798-802 [31] Awai K, Murao K, Ozawa A, et al Pulmonary nodules at chest CT: effect of computer-aided diagnosison radiologists' detection performance Radiology2004;230:347-52 [32] Beigelman-Aubry C, Raffy P, Yang W, et al Computer-aided detection of solid lung nodules on follow-up MDCT screening: evaluation of detection, tracking, and readingtime AJR Am J Roentgenol 2007;189:948-55 [33] Brown M, Browning P, Wahi-Anwar MW, et al Integration of Chest CT CAD into the Clinical Workflow and Impact on Radiologist Efficiency Acad Radio l2019;26:626-31 [34] Anoushiravani AA, Patton J, Sayeed Z, et al Big Data, Big Research: Implementing Population Health-Based Research Mơ hìnhs and Integrating Care to Reduce Cost and Improve Outcomes Orthop Clin North Am2016;47:717-24 [35] van Riel SJ, Jacobs C, Scholten ET, et al Observer variability for Lung-RADS categorisation of lung cancerscreening CTs: impact on patient management Eur Radiol 2019;29:924-31 [36] Martin MD, Kanne JP, Broderick LS, et al Lung-RADS:Pushing the Limits Radiographics 2017;37:1975-93 82 [37] Mehta HJ, Mohammed TL, Jantz MA The American College of Radiology Lung Imaging Reporting and DataSystem: Potential Drawbacks and Need for Revision Chest 2017;151:539-43 [38] Huang X, Sun W, Tseng TB, et al Fast and fully-automated detection and segmentation of pulmonary nodules in thoracic CT scans using deep convolutional neural networks Comput Med Imaging Graph 2019; 74:25-36 [39] Pehrson LM, Nielsen MB, Ammitzbol Lauridsen C.Automatic Pulmonary Nodule Detection Applying Deep Learning or Machine Learning Algorithms to the LIDC- IDRI Database: A Systematic Review Diagnostics (Basel)2019;9:29 [40] Kieu, Phat & Tran, Hai & Le, Thai & Le, Tuan & Nguyen, Thuy (2018) Applying Multi-CNNs mô hình for detecting abnormal problem on chest x-ray images 300-305 10.1109/KSE.2018.8573404 [41] Xie Y, Zhang J, Xia Y, et al Fusing texture, shape and deepmơ hìnhlearned information at decision level for automated classification of lung nodules on chest CT Inf Fusion2018;42:102-10 [42] Xie Y, Xia Y, Zhang J, et al Knowledge-based Collaborative Deep Learning for Benign-Malignant Lung Nodule Classification on Chest CT IEEE Trans Med Imaging 2019;38:991-1004 [43] Zhao X, Liu L, Qi S, et al Agile convolutional neuralnetwork for pulmonary nodule classification using CT images Int J Comput Assist Radiol Surg 2018;13:585-95 [44] Causey JL, Zhang J, Ma S, et al Highly accurate mơ hình for prediction of lung nodule malignancy with CT scans.Sci Rep 2018;8:9286 83 [45] Shen W, Zhou M, Yang F, et al Multi-crop Convolutional Neural Networks for lung nodule malignancy suspiciousness classification Pattern Recognition 2017;61:663-73 [46] A Krizhevsky, I Sutskever, and G E Hinton, „„Image Net classification with deep convolutional neural networks,‟‟ inProc NIPS, vol.25, 2012, pp.1106–1114 [47] A.Krizhevsky, I.Sutskever, and G.E.Hinton, „„Image Net classification with deep convolutional neural networks,‟‟ in Proc.NIPS, vol.25, 2012,pp.1106–1114 [48] K.SimonyanandA.Zisserman,„„Very deep convolutional networks for large-scale image recognition,‟‟2014,arXiv:1409.1556 [49] Cho, Y., Kim, YG., Lee, S.M et al Reproducibility of abnormality detection on chest radiographs using convolutional neural network in paired radiographs obtained within a short-term interval Sci Rep 10, 17417 (2020) [50] Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi “You Only Look Once: Unified, Real-Time Object Detection” 2015, arXiv:1506.02640 [51] Cho, Y., Kim, YG., Lee, S.M et al Reproducibility of abnormality detection on chest radiographs using convolutional neural network in paired radiographs obtained within a short-term interval Sci Rep 10, 17417 (2020) [52] Joseph Redmon, Ali Farhadi “YOLOv3: An Incremental Improvement” 2018,arXiv:1804.02767 [53] Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao “YOLOv4: Optimal Speed and Accuracy of Object Detection” arXiv:2004.10934 84 [54] Dice L R., “Measures of the amount of ecologic association between species,” Ecology 26(3), 297–302 (1945) [55] Jaccard, Paul (1912) "THE DISTRIBUTION OF THE FLORA IN THE ALPINE ZONE.1" New Phytologist 11 (2): 37–50 [56] Tanimoto TT (1958) "An Elementary Mathematical theory of Classification and Prediction" Internal IBM Technical Report 1957 [57] Yeghiazaryan, Varduhi, and Irina D Voiculescu "Family of boundary overlap metrics for the evaluation of medical image segmentation." Journal of Medical Imaging 5.1 (2018): 015006 [58] Hamid Rezatofighi, Nathan Tsoi, JunYoung Gwak, Amir Sadeghian, Ian Reid, Silvio Savarese “Generalized Intersection over Union: A Metric and A Loss Regression”.arXiv:1902.09630 for Bounding Box ... “TIẾP CẬN HỌC SÂU CHO PHÁT HIỆN BẤT THƢỜNG TRONG PHỔI DỰA VÀO DỮ LIỆU HÌNH ẢNH X- QUANG LỒNG NGỰC” Mục đích nghiên cứu Mục tiêu đề tài nghiên cứu, ứng dụng phát triển số thuật toán x? ?? lý ảnh X- Quang. .. trúc ảnh X- Quang lồng ngực chuẩn DICOM X? ?y dựng CSDL ảnh y khoa chuẩn DICOM bệnh phổi Thuật toán x? ?? lý liệu ảnh X- Quang lồng ngực Mơ hình học máy, học sâu phát vùng bất thƣờng phổi ảnh. .. Phát bất thƣờng ảnh X- Quang phổi dựa vào tiếp cận học sâu Chƣơng trình bày cấu trúc bất thƣờng phổi ảnh X- Quang lồng ngực nhƣ lý thuyết thuật toán huấn luyện x? ?y dựng mơ hình học sâu để giải tốn