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)
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 76)
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 77)
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 84)
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 84)
Đầu tiên, mô hình đề xuất CRF-EfficientUNet được cài đặt, huấn luyện mô hình bằng bộ dữ liệu CVC-ClinicDB gồm 612 ảnh nội soi có gán nhãn phân vùng polyp và kiểm thử trên hai bộ dữ liệu độc lập là ETIS-Larib, CVC-ColonDB. - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
u tiên, mô hình đề xuất CRF-EfficientUNet được cài đặt, huấn luyện mô hình bằng bộ dữ liệu CVC-ClinicDB gồm 612 ảnh nội soi có gán nhãn phân vùng polyp và kiểm thử trên hai bộ dữ liệu độc lập là ETIS-Larib, CVC-ColonDB (Trang 91)
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 103)
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 105)
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 106)
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 109)
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 113)
Hình 4.1. Minh họa mô hình sinh ảnh nội soi chứa polyp. - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
Hình 4.1. Minh họa mô hình sinh ảnh nội soi chứa polyp (Trang 119)
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 121)
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 122)
Hình 4.6. Kỹ thuật sinh tạo điều kiện đầu vào cho mô hình sinh ảnh Phương pháp sử dụng có thể mô tả như sau: Ảnh nội soi đại tràng bình thường không có polyp (a) qua bộ dò cạnh sử dụng toán tử Sobel được ảnh lọc cạnh (b) - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
Hình 4.6. Kỹ thuật sinh tạo điều kiện đầu vào cho mô hình sinh ảnh Phương pháp sử dụng có thể mô tả như sau: Ảnh nội soi đại tràng bình thường không có polyp (a) qua bộ dò cạnh sử dụng toán tử Sobel được ảnh lọc cạnh (b) (Trang 124)
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 126)

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