1. Trang chủ
  2. » Giáo Dục - Đào Tạo

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

154 14 3

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

Tiêu đề Nghiên Cứu, Phát Triển Một Số Kỹ Thuật Học Sâu Áp Dụng Cho Phân Vùng Polyp Trên Ảnh Nội Soi Đại Tràng
Tác giả Lê Thị Thu Hồng
Người hướng dẫn TS. Nguyễn Chí Thành, TS. Trần Quốc Long
Trường học Đại học Công nghệ, Đại học Quốc gia Hà Nội
Chuyên ngành Toán học
Thể loại Luận án tiến sĩ
Năm xuất bản 2022
Thành phố Hà Nội
Định dạng
Số trang 154
Dung lượng 2,03 MB

Nội dung

Ngày đăng: 27/05/2022, 08:00

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
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 Communication Technologies (RIVF), 1–7 Sách, tạp chí
Tiêu đề: 2019 IEEE-RIVF International Conference onComputing 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 Communication Technologies (RIVF), 1–6 Sách, tạp chí
Tiêu đề: 2021 IEEE-RIVF InternationalConference 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: IEEETransactions 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 the IEEE Conference on Computer Vision and Pattern Recognition, 4413– 4421 Sách, tạp chí
Tiêu đề: Proceedings of the IEEE Conference onComputer 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
(2017). Comparative validation of polyp detection methods in video colonoscopy:results from the MICCAI 2015 endoscopic vision challenge. IEEE Transactions on Medical Imaging, 36(6), 1231–1249 Sách, tạp chí
Tiêu đề: IEEE Transactionson Medical Imaging, 36
1. Afify, H. M., Mohammed, K. K., & Hassanien, A. E. (2021). An improved framework for polyp image segmentation based on SegNet architecture.International Journal of Imaging Systems and Technology Khác
2. Ali, S., Ghatwary, N., Braden, B., Lamarque, D., Bailey, A., Realdon, S., Cannizzaro, R., Rittscher, J., Daul, C., & East, J. (2020). Endoscopy disease detection challenge 2020. ArXiv Preprint ArXiv:2003.03376 Khác
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 Preprint ArXiv:1905.03209 Khác
9. Bernal, J., Tajkbaksh, N., Sanchez, F. J., Matuszewski, B. J., Chen, H., Yu, L., Angermann, Q., Romain, O., Rustad, B., Balasingham, I., & others Khác

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)
Hình 1.2. Hệ thống CADx hỗ trợ chuẩn đoán nội soi đại tràng [16] Hệ thống CADx phân tích ảnh nội soi đại tràng sẽ nhận đầu vào là các ảnh nội soi đại tràng thu được từ camera nội soi và phân tích các ảnh này sử dụng các kỹ thuật thị giác máy để tự động ph - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
Hình 1.2. Hệ thống CADx hỗ trợ chuẩn đoán nội soi đại tràng [16] Hệ thống CADx phân tích ảnh nội soi đại tràng sẽ nhận đầu vào là các ảnh nội soi đại tràng thu được từ camera nội soi và phân tích các ảnh này sử dụng các kỹ thuật thị giác máy để tự động ph (Trang 20)
-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)
-Một là, hình ảnh các polyp có mức độ biến thể rất lớn về hình dạng, kích thước, kết cấu và màu sắc - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
t là, hình ảnh các polyp có mức độ biến thể rất lớn về hình dạng, kích thước, kết cấu và màu sắc (Trang 22)
Hình 1.5. Ví dụ minh họa dữ liệu không cân bằng - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
Hình 1.5. Ví dụ minh họa dữ liệu không cân bằng (Trang 23)
Hình 1.7. Ví dụ minh họa bộ dữ liệu Kvasir-Seg - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
Hình 1.7. Ví dụ minh họa bộ dữ liệu Kvasir-Seg (Trang 25)
Bảng 1.1. Các bộ dữ liệu ảnh nội soi đại tràng chuẩn được công bố cho các mô hình học máy - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
Bảng 1.1. Các bộ dữ liệu ảnh nội soi đại tràng chuẩn được công bố cho các mô hình học máy (Trang 26)
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), nhậ - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
m áy, 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), nhậ (Trang 30)
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 37)
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 38)
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 48)
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 59)
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 62)
Hình 2.5. Cấu trúc lớp CRF-RNN tích hợp trong mô hình 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 2.5. Cấu trúc lớp CRF-RNN tích hợp trong mô hình phân vùng polyp (Trang 64)
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 75)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

Kết luận Chương 3 Mạng sinh ảnh nội soi đại tràng chứa polyp PolypGenPix2Pix. Môi trường cài đặt huấn luyện mô hình và các độ đo đánh giá Kết quả sinh ảnh nội soi chứa polyp của mô hình Đánh giá hiệu quả của kỹ thuật sinh điều kiện đầu vào cho mạng So sánh độ chính xác của mô hình học sâu phân vùng polyp Kết luận Chương 4

Hướng nghiên cứu tiếp theo

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w