1. Trang chủ
  2. » Luận Văn - Báo Cáo

Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.

135 20 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 135
Dung lượng 3,93 MB

Nội dung

Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.

Ngày đăng: 27/05/2022, 06:13

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
3. Ali, S., Zhou, F., Daul, C., Braden, B., Bailey, A., Realdon, S., East, J., Wagnieres, G., Loschenov, V., Grisan, E., & others. (2019).Endoscopy artifact detection (EAD 2019) challenge dataset. ArXiv PreprintArXiv:1905.03209 Sách, tạp chí
Tiêu đề: ArXivPreprint
Tác giả: Ali, S., Zhou, F., Daul, C., Braden, B., Bailey, A., Realdon, S., East, J., Wagnieres, G., Loschenov, V., Grisan, E., & others
Năm: 2019
4. Anh-Cang, P., Thuong-Cang, P., & others. (2019). Detection and Classification of Brain Hemorrhage Based on Hounsfield Values and Convolution Neural Network Technique. 2019 IEEE-RIVF International Conference on Computing and CommunicationTechnologies (RIVF), 1–7 Sách, tạp chí
Tiêu đề: 2019 IEEE-RIVFInternational Conference on Computing and Communication"Technologies (RIVF)
Tác giả: Anh-Cang, P., Thuong-Cang, P., & others
Năm: 2019
5. Ba, H. N., Thanh, D. N., Van, C. T., & Viet, S. D. (2021). Polyp segmentation in colonoscopy images using ensembles of u-nets with efficientnet and asymmetric similarity loss function. 2021 IEEE-RIVF International Conference on Computing and CommunicationTechnologies (RIVF), 1–6 Sách, tạp chí
Tiêu đề: 2021 IEEE-RIVFInternational Conference on Computing and Communication"Technologies (RIVF)
Tác giả: Ba, H. N., Thanh, D. N., Van, C. T., & Viet, S. D
Năm: 2021
6. Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). Segnet: A deep convolutional encoder-decoder architecture for image segmentation.IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(12), 2481–2495 Sách, tạp chí
Tiêu đề: IEEE Transactions on Pattern Analysis and Machine Intelligence,39
Tác giả: Badrinarayanan, V., Kendall, A., & Cipolla, R
Năm: 2017
7. Berman, M., Triki, A. R., & Blaschko, M. B. (2018). The lovász- softmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks. Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition, 4413–4421 Sách, tạp chí
Tiêu đề: Proceedings ofthe"IEEE Conference on Computer Vision and Pattern Recognition
Tác giả: Berman, M., Triki, A. R., & Blaschko, M. B
Năm: 2018
8. Bernal, J., Sánchez, J., & Vilarino, F. (2012). Towards automatic polyp detection with a polyp appearance model. Pattern Recognition, 45(9), 3166–3182 Sách, tạp chí
Tiêu đề: Pattern Recognition, 45
Tác giả: Bernal, J., Sánchez, J., & Vilarino, F
Năm: 2012
12. Brent H.Taylor, M. (n.d.). Endoscopy/Colonoscopy.https://brenttaylormd.com/endoscopy-colonoscopy/ Sách, tạp chí
Tiêu đề: Endoscopy/Colonoscopy
13. Browet, A., Absil, P.-A., & van Dooren, P. (2011). Community detection for hierarchical image segmentation. International Workshop on Combinatorial Image Analysis, 358–371 Sách, tạp chí
Tiêu đề: International Workshopon Combinatorial Image Analysis
Tác giả: Browet, A., Absil, P.-A., & van Dooren, P
Năm: 2011
14. Chen, L., Bentley, P., Mori, K., Misawa, K., Fujiwara, M., & Rueckert, D. (2019). Self-supervised learning for medical image analysis using image context restoration. Medical Image Analysis, 58, 101539 Sách, tạp chí
Tiêu đề: Medical Image Analysis, 58
Tác giả: Chen, L., Bentley, P., Mori, K., Misawa, K., Fujiwara, M., & Rueckert, D
Năm: 2019
16. CVC-Colon team. (2017, November 15). Building up IntelligentSystems for Colonoscopy. http://www.cvc.uab.es/CVC- Colon/index.php/our-mission/ Sách, tạp chí
Tiêu đề: Building up Intelligent"Systems for Colonoscopy
Tác giả: CVC-Colon team
Năm: 2017
19. Fang, Y., Chen, C., Yuan, Y., & Tong, K. (2019). Selective feature aggregation network with area-boundary constraints for polyp segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention, 302–310 Sách, tạp chí
Tiêu đề: International Conference on Medical Image Computingand Computer-Assisted Intervention
Tác giả: Fang, Y., Chen, C., Yuan, Y., & Tong, K
Năm: 2019
20. Ganz, M., Yang, X., & Slabaugh, G. (2012). Automatic segmentation of polyps in colonoscopic narrow-band imaging data. IEEE Transactions on Biomedical Engineering, 59(8), 2144–2151 Sách, tạp chí
Tiêu đề: IEEE Transactions on Biomedical Engineering, 59
Tác giả: Ganz, M., Yang, X., & Slabaugh, G
Năm: 2012
21. Geetha, K., & Rajan, C. (2016). Automatic colorectal polyp detection in colonoscopy video frames. Asian Pacific Journal of Cancer Prevention:APJCP, 17(11), 4869 Sách, tạp chí
Tiêu đề: Asian Pacific Journal of Cancer Prevention:"APJCP, 17
Tác giả: Geetha, K., & Rajan, C
Năm: 2016
24. Hashemi, S. R., Salehi, S. S. M., Erdogmus, D., Prabhu, S. P., Warfield, S. K., & Gholipour, A. (2018). Asymmetric loss functions and deep densely-connected networks for highly-imbalanced medical image segmentation: Application to multiple sclerosis lesion detection. IEEE Access, 7, 1721–1735 Sách, tạp chí
Tiêu đề: IEEEAccess, 7
Tác giả: Hashemi, S. R., Salehi, S. S. M., Erdogmus, D., Prabhu, S. P., Warfield, S. K., & Gholipour, A
Năm: 2018
25. He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask r-cnn.Proceedings of the IEEE International Conference on Computer Vision, 2961–2969 Sách, tạp chí
Tiêu đề: Proceedings of the IEEE International Conference on Computer Vision
Tác giả: He, K., Gkioxari, G., Dollár, P., & Girshick, R
Năm: 2017
26. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770–778 Sách, tạp chí
Tiêu đề: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition
Tác giả: He, K., Zhang, X., Ren, S., & Sun, J
Năm: 2016
27. Hsu, C.-M., Hsu, C.-C., Hsu, Z.-M., Shih, F.-Y., Chang, M.-L., & Chen, T.-H. (2021). Colorectal Polyp Image Detection and Classification through Grayscale Images and Deep Learning. Sensors, 21(18), 5995 Sách, tạp chí
Tiêu đề: Sensors, 21
Tác giả: Hsu, C.-M., Hsu, C.-C., Hsu, Z.-M., Shih, F.-Y., Chang, M.-L., & Chen, T.-H
Năm: 2021
28. Huynh, H. T., & Anh, V. N. N. (2019). A deep learning method for lung segmentation on large size chest X-ray image. 2019 IEEE-RIVF International Conference on Computing and CommunicationTechnologies (RIVF), 1–5 Sách, tạp chí
Tiêu đề: 2019 IEEE-RIVFInternational Conference on Computing and Communication"Technologies (RIVF)
Tác giả: Huynh, H. T., & Anh, V. N. N
Năm: 2019
29. Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1125–1134 Sách, tạp chí
Tiêu đề: Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition
Tác giả: Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A
Năm: 2017
(2020). Doubleu-net: A deep convolutional neural network for medical image segmentation. 2020 IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), 558–564 Sách, tạp chí
Tiêu đề: 2020 IEEE 33rd International Symposium onComputer-Based Medical Systems (CBMS)

HÌNH ẢNH LIÊN QUAN

Hình 1.1. Minh họa thủ thuật nội soi đại tràng [12] - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 1.1. Minh họa thủ thuật nội soi đại tràng [12] (Trang 19)
-Phân vùng đối tượng: phân vùng các polyp, xác định hình dạng và kích thước của chúng trên ảnh. - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
h ân vùng đối tượng: phân vùng các polyp, xác định hình dạng và kích thước của chúng trên ảnh (Trang 21)
học máy, bao gồm mạng nơ-ron, mô hình xác suất phân cấp, và các thuật toán học [41]. Học sâu đã thúc đẩy những bước tiến lớn trong một loạt các bài toán thị giác máy tính, như phát hiện đối tượng (object detection), theo dõi chuyển động (motion tracking), - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
h ọc máy, bao gồm mạng nơ-ron, mô hình xác suất phân cấp, và các thuật toán học [41]. Học sâu đã thúc đẩy những bước tiến lớn trong một loạt các bài toán thị giác máy tính, như phát hiện đối tượng (object detection), theo dõi chuyển động (motion tracking), (Trang 28)
Hình 1.8. Kiến trúc mô hình học sâu phân vùng ảnh [74] - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 1.8. Kiến trúc mô hình học sâu phân vùng ảnh [74] (Trang 34)
Hình 1.9. Kiến trúc mạng UNet[59] - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 1.9. Kiến trúc mạng UNet[59] (Trang 35)
Hình 1.12. Phương pháp học tự giám sát các đặc trưng thị giác máy tính [36]. - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 1.12. Phương pháp học tự giám sát các đặc trưng thị giác máy tính [36] (Trang 39)
Bảng 1.2 là tổng hợp các công trình mới công bố gần đây cho bài toán phân tích ảnh nội soi đại tràng trên thế giới - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Bảng 1.2 là tổng hợp các công trình mới công bố gần đây cho bài toán phân tích ảnh nội soi đại tràng trên thế giới (Trang 43)
Hình 2.1. Tổng quan kiến trúc mô hình phân vùng polyp trên ảnh nội soi đại tràng - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 2.1. Tổng quan kiến trúc mô hình phân vùng polyp trên ảnh nội soi đại tràng (Trang 54)
Hình 2.3. Kiến trúc bộ mã hóa EfficientB7 [82] - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 2.3. Kiến trúc bộ mã hóa EfficientB7 [82] (Trang 57)
Hình 2.7. Ví dụ các phép biến đổi ảnh dùng cho tăng cường dữ liệu - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 2.7. Ví dụ các phép biến đổi ảnh dùng cho tăng cường dữ liệu (Trang 73)
Bảng 2.2. Độ chính xác mạng UNet điều chỉnh với các bộ mã hóa khác nhau - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Bảng 2.2. Độ chính xác mạng UNet điều chỉnh với các bộ mã hóa khác nhau (Trang 74)
Hình 2.8. Biểu đồ độ chính xác của mạng UNet điều chỉnh - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 2.8. Biểu đồ độ chính xác của mạng UNet điều chỉnh (Trang 75)
bố trong công trình CT3). Hình 2.9 là biểu diễn trực quan so sánh điểm số Dice của các mô hình khi có tích hợp lớp CRF-RNN và khi không tích hợp lớp CRF- RNN. - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
b ố trong công trình CT3). Hình 2.9 là biểu diễn trực quan so sánh điểm số Dice của các mô hình khi có tích hợp lớp CRF-RNN và khi không tích hợp lớp CRF- RNN (Trang 76)
AsymCE, mô hình cho kết quả với độ đo Precision và Recall khá cân bằng, do - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
sym CE, mô hình cho kết quả với độ đo Precision và Recall khá cân bằng, do (Trang 78)
Hình 2.11. Ảnh hưởng của các hàm mất mát trong quá trình học. - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 2.11. Ảnh hưởng của các hàm mất mát trong quá trình học (Trang 79)
Hình 2.12. Phân vùng polyp được tạo ra bởi các tùy biến của mô hình đề xuất - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 2.12. Phân vùng polyp được tạo ra bởi các tùy biến của mô hình đề xuất (Trang 79)
Hình 3.1. Tổng quan kiến trúc hệ thống học tự giám sát các đặc trưng thị giác cho phân vùng polyp trên ảnh nội soi đại tràng - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 3.1. Tổng quan kiến trúc hệ thống học tự giám sát các đặc trưng thị giác cho phân vùng polyp trên ảnh nội soi đại tràng (Trang 93)
Hình 3.3. Mô hình mạng tái tạo ảnh nội soi đại tràng - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 3.3. Mô hình mạng tái tạo ảnh nội soi đại tràng (Trang 96)
Hình 3.4. Minh họa các phương pháp học chuyển giao từ mạng tái tạo ảnh nội soi sang mạng phân vùng polyp - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 3.4. Minh họa các phương pháp học chuyển giao từ mạng tái tạo ảnh nội soi sang mạng phân vùng polyp (Trang 98)
Bảng 3.1. Độ chính xác SSIM của mạng tái tạo ảnh với tỉ lệ nhiễu khác nhau - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Bảng 3.1. Độ chính xác SSIM của mạng tái tạo ảnh với tỉ lệ nhiễu khác nhau (Trang 101)
Bảng 3.2. Độ chính xác của mạng phân vùng polyp học chuyển giao từ mạng tái tạo ảnh với tỉ lệ nhiễu khác nhau - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Bảng 3.2. Độ chính xác của mạng phân vùng polyp học chuyển giao từ mạng tái tạo ảnh với tỉ lệ nhiễu khác nhau (Trang 102)
Bảng 3.3. Độ chính xác của mạng phân vùng polyp với phương pháp học chuyển giao khác nhau - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Bảng 3.3. Độ chính xác của mạng phân vùng polyp với phương pháp học chuyển giao khác nhau (Trang 103)
Hình 3.6. Phân vùng polyp tạo bởi các mạng UNet huấn luyện theo phương pháp học chuyển giao khác nhau từ mạng tái tạo ảnh - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 3.6. Phân vùng polyp tạo bởi các mạng UNet huấn luyện theo phương pháp học chuyển giao khác nhau từ mạng tái tạo ảnh (Trang 104)
Bảng 3.4. So sánh điểm số Dice của các phương pháp phân vùng polyp - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Bảng 3.4. So sánh điểm số Dice của các phương pháp phân vùng polyp (Trang 105)
Hình 4.2. Huấn luyện bộ phân biệt - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 4.2. Huấn luyện bộ phân biệt (Trang 111)
Hình 4.4. Kiến trúc bộ sinh của PolypGenPix2Pix - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 4.4. Kiến trúc bộ sinh của PolypGenPix2Pix (Trang 112)
Hình 4.5. Kiến trúc bộ phân biệt của PolypGenPix2Pix - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Hình 4.5. Kiến trúc bộ phân biệt của PolypGenPix2Pix (Trang 113)
4.3.3.Kết quả sinh ảnh nội soi chứa polyp của mô hình PolypGenPix2Pix - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
4.3.3. Kết quả sinh ảnh nội soi chứa polyp của mô hình PolypGenPix2Pix (Trang 117)
Bảng 4.2. Kết quả tăng cường dữ liệu huấn luyện trên bộ dữ liệu kiểm thử ETIS-Larib - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.
Bảng 4.2. Kết quả tăng cường dữ liệu huấn luyện trên bộ dữ liệu kiểm thử ETIS-Larib (Trang 121)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

Kỹ thuật học sâu

Mạng sinh dữ liệu có điều kiện CGAN

Tình hình nghiên cứu trên thế giới

Tình hình nghiên cứu trong nước Những vấn đề còn tồn tại Những vấn đề luận án tập trung giải quyết

TÀI LIỆU CÙNG NGƯỜI DÙNG

  • Đang cập nhật ...

TÀI LIỆU LIÊN QUAN

w