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

127 21 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 127
Dung lượng 4,41 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 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 Communication Technologies (RIVF), 1–6 Sách, tạp chí
Tiêu đề: 2021 IEEE-RIVF International 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 the IEEE Conference on Computer Vision and Pattern Recognition, 4413–4421 Sách, tạp chí
Tiêu đề: Proceedings of the 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 Workshop on 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 Intelligent Systems 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 Computing and 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: IEEE Access, 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 Communication Technologies (RIVF), 1–5 Sách, tạp chí
Tiêu đề: 2019 IEEE-RIVF International 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 the IEEE 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 on Computer-Based Medical Systems (CBMS)
32. Jha, D., Smedsrud, P. H., Johansen, D., de Lange, T., Johansen, H. D., Halvorsen, P., & Riegler, M. A. (2021). A comprehensive study on colorectal polyp segmentation with ResUNet++, conditional random field and test-time augmentation. IEEE Journal of Biomedical and Health Informatics, 25(6), 2029–2040 Sách, tạp chí
Tiêu đề: IEEE Journal of Biomedical and Health Informatics, 25
Tác giả: Jha, D., Smedsrud, P. H., Johansen, D., de Lange, T., Johansen, H. D., Halvorsen, P., & Riegler, M. A
Năm: 2021

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 18)
-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 20)
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 22)
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 24)
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 25)
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), n - 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), n (Trang 27)
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 33)
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 34)
Hình 1.10. Minh họa điểm số Dice Hình 1.11. Minh họa chỉ số IoU - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
Hình 1.10. Minh họa điểm số Dice Hình 1.11. Minh họa chỉ số IoU (Trang 35)
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 42)
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 56)
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 67)
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 68)
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 69)
Bảng 2.4 Độ chính xác phân vùng polyp của mạng UNet được huấn luyện bằng các hàm mất mát 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 2.4 Độ chính xác phân vùng polyp của mạng UNet được huấn luyện bằng các hàm mất mát khác nhau (Trang 71)
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 73)
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 73)
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 - 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 (Trang 87)
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 89)
Hình 3.4. Minh họa các phương pháp học chuyển giao từ mạng tái tạo ảnh nội - 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 (Trang 90)
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 93)
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 94)
Hình 3.6. Phân vùng polyp tạo bởi các mạng UNet huấn luyện theo phương - 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 (Trang 96)
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 102)
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 103)
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 104)
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 105)
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 109)
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 113)
Bảng 4.1. Kết quả tăng cường dữ liệu huấn luyện trên bộ dữ liệu kiểm thử CVC-ColonDB - Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng
Bảng 4.1. Kết quả tăng cường dữ liệu huấn luyện trên bộ dữ liệu kiểm thử CVC-ColonDB (Trang 113)

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 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

Các kết quả nghiên cứu của luận án

Hướng nghiên cứu tiếp theo

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w