Hệ thống làm nhãn cho ảnh chụp cắt lớp vi tính với sự trợ giúp của trí tuệ nhân tạo

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KHOA HỌC & KỸ THUẬT MÁY TÍNH ——————– * ——————— LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC HỆ THỐNG LÀM NHÃN CHO ẢNH CHỤP CẮT LỚP VI TÍNH VỚI SỰ TRỢ GIÚP CỦA TRÍ TUỆ NHÂN TẠO Hội đồng : Khoa học máy tính Giảng viên hướng dẫn : TS Lê Thành Sách Giảng viên phản biện : TS Nguyễn An Khương Sinh viên thực : Nguyễn Công Thành (1713153) Trần Hải Đăng (1711016) Đàm Ngọc Hương (1711651) TP Hồ Chí Minh, Tháng 07/2021 Lời cam đoan Chúng tội cam đoan điều trình bày báo cáo, mã nguồn tự thực - trừ kiến thức tham khảo có trích dẫn mã nguồn mẫu nhà sản xuất cung cấp, hồn tồn khơng chép từ nguồn khác Nếu lời cam đoan trái với thật, xin chịu trách nhiệm trước Ban Chủ Nhiệm Khoa Ban Giám Hiệu Nhà Trường Nhóm sinh viên thực đề tài Lời cảm ơn Để hoàn thành đề tài luận văn tốt nghiệp này, nhóm sinh viên thực đề tài nhận hỗ trợ từ nhiều phía Đầu tiên quan trọng nhất, nhóm xin gửi lời cảm ơn chân thành đến giảng viên hướng dẫn trực tiếp nhóm Tiến sĩ Lê Thành Sách thành viên GVLab Thầy anh người định hướng chính, cung cấp tài liệu theo dõi trình thực đề tài hỗ trợ nhóm gặp khó khăn Nhóm vơ biết ơn tận tình dạy dỗ, giúp đỡ quý thầy khoa Khoa học & Kỹ thuật Máy tính nói riêng trường Đại học Bách khoa TP Hồ Chí Minh nói chung Những kiến thức nhận từ quý thầy cô vô quý giá bổ ích, hỗ trợ lớn cho nhóm để hồn thành đề tài luận văn tốt nghiệp Nhóm gửi lời cảm ơn đến gia đình, người thân, bạn bè, người quan tâm, động viên, giúp đỡ thể chất lẫn tinh thần để nhóm có đủ nghị lực, sức khỏe hoàn thành tốt đề tài luận văn tốt nghiệp đại học Với lòng biết ơn chân thành, nhóm xin gửi lời chúc sức khỏe, lời biết ơn lời chúc tốt đẹp đến quý thầy cô Khoa Khoa học Kỹ thuật Máy tính - Trường Đại Học Bách Khoa Đại Học Quốc Gia Thành phố Hồ Chí Minh Nhóm sinh viên thực đề tài i Tóm tắt Việc phân đoạn ảnh y khoa mang lại nhiều lợi ích đầy hứa hẹn cho cơng tác chẩn đốn - điều trị y học Các số liệu thực tế cho thấy mơ hình phân đoạn ảnh y khoa state-of-the-art tính đến thời điểm thực luận văn thuộc nhóm dựa mạng neuron học sâu [1] Để tăng hiệu phân đoạn mơ hình học sâu đòi hỏi nhiều yếu tố lực tính tốn hạ tầng, kiến trúc mạng neuron dùng phân đoạn chất lượng tập liệu sử dụng trình huấn luyện mạng neuron Trong đó, chừng mực định, tương quan tiềm cải tiến so với chi phí cải tiến chất lượng tập liệu thấp Vì lẽ đó, luận văn cố gắng xây dựng hệ thống hoạt động tảng web hỗ trợ việc xây dựng tập liệu phân đoạn ảnh y khoa có độ tin cậy cao cách nhanh chóng địi hỏi tài nguyên nhân lực Hệ thống mang đến nhiều công cụ hỗ trợ người gán nhãn mà đáng ý hỗ trợ trí tuệ nhân tạo, khả trực quan hóa ba chiều sinh lát cắt ảo từ tập ảnh hai chiều Cơng việc chúng tơi gồm ba phần chính: Đầu tiên, tạo công cụ giúp đảm bảo thao tác gán nhãn người dùng liệu thuận tiện xác Kế tiếp, trực quan hóa hình ảnh ba chiều từ tập ảnh y khoa, cho người dùng khả điều khiển hoàn toàn đơn giản việc sinh lát cắt ảo từ liệu ba chiều gán nhãn chúng Cuối cùng, kết nối người dùng đến mạng học sâu U2Net3D [2], sử dụng mơ hình để gán sẵn nhãn tiền đề cho người gán nhãn tiếp tục nó, giảm bớt phần đáng kể lượng cơng việc họ ii Lời cảm ơn Để thực cơng việc đó, chúng tơi khảo sát cơng trình liên quan mơ ba chiều, xử lý ảnh tảng web mô hình học sâu ứng dụng xử lý ảnh y khoa để xây dựng sở phương pháp luận cho cơng việc Sau có sở phương pháp luận vững chắc, tiến hành tổng hợp phát triển công cụ gán nhãn Cuối chúng tơi đánh giá cơng trình cách mời nhiều sinh viên trường đại học Y Dược thành phố Hồ Chí Minh sử dụng mơ tả lại trải nghiệm họ Từ khóa: annotation tool, ai, unet, medical, image segmentation iii Mục lục Lời cam đoan Lời cảm ơn i Tóm tắt ii Danh sách hình vẽ xiii Danh sách bảng xiv Thuật ngữ & từ viết tắt GIỚI THIỆU ĐỀ TÀI xv 1.1 Đặt vấn đề 1.2 Mục tiêu phạm vi giới hạn đề tài 1.3 Những thách thức 2 KIẾN THỨC NỀN TẢNG 2.1 2.2 Trực quan khối ba chiều 2.1.1 Định nghĩa 2.1.2 Ray casting 2.1.3 Kết cấu 3D (3D texture) trực quan khối ba chiều 2.1.4 Thuật toán trực quan khối ba chiều Đánh giá độ xác việc gán nhãn iv Mục lục 2.2.1 Ma trận nhầm lẫn 2.2.2 Pixel Accuracy 2.2.3 Độ xác độ truy hồi 2.2.4 Intersection over Union (IoU) 2.2.5 Hệ số tương đồng Dice 2.2.6 Chỉ số lỗi trùng thể tích 11 2.2.7 Chỉ số sai khác thể tích 11 CÁC CÔNG TRÌNH LIÊN QUAN 3.1 3.2 3.3 12 Mơ đun phân đoạn ảnh phần mềm 3D Slicer [3] 12 3.1.1 Ba mặt cắt trực giao trực quan hóa phân đoạn từ tập ảnh ba chiều 12 3.1.2 Các công cụ cho gán nhãn thủ cơng ứng dụng trí tuệ nhân tạo 15 Mơ đun phân trực quan hóa 3D phần mềm Vesalius 3D [4] 18 3.2.1 Ba mặt cắt trực giao trực quan hóa phân đoạn từ tập ảnh ba chiều 18 3.2.2 Tính gán nhãn 19 Mô đun gán nhãn 2D ứng dụng Training data [5] 19 3.3.1 Tính gán nhãn thủ công 20 3.3.2 Tính dự đốn nhãn AI 21 TỔNG QUAN HỆ THỐNG LÀM NHÃN ẢNH Y KHOA DAT 22 4.1 Mục tiêu hệ thống DAT 22 4.2 Phân tích yêu cầu 22 4.3 4.2.1 Quản trị hệ thống liệu 22 4.2.2 Chức gán nhãn 23 Công nghệ sử dụng 24 v Mục lục 4.4 4.3.1 Techstack 24 4.3.2 Ngơn ngữ lập trình 24 4.3.3 Thư viện frameworks 25 4.3.4 Cơ sở liệu 27 4.3.5 Công cụ, phần mềm hỗ trợ 28 Kiến trúc hệ thống 29 4.4.1 Tổng quan kiến trúc hệ thống 29 4.4.2 Chi tiết kiến trúc hệ thống 30 HIỆN THỰC HỆ THỐNG 5.1 5.2 5.3 5.4 33 Chức đăng ký tài khoản đăng nhập 33 5.1.1 Chức đăng ký tài khoản 33 5.1.2 Chức đăng nhập 34 5.1.3 Chức thay đổi mật 34 Chức tải lên tập liệu làm nhãn, chia sẻ xóa tập liệu 36 5.2.1 Chức tải lên tập liệu 36 5.2.2 Chức chia sẻ tập liệu 37 5.2.3 Chức xóa tập liệu 38 Chức gán nhãn 38 5.3.1 Trực quan khối ba chiều 39 5.3.2 Lát cắt ảo 41 5.3.3 Các công cụ gán nhãn thủ công 44 5.3.4 Điều chỉnh khoảng nhìn thấy giá trị Hounsfield Unit 50 5.3.5 Gán nhãn tự động trí tuệ nhân tạo 52 5.3.6 Các công cụ hỗ trợ đo đạc gán nhãn 57 Chức lưu nhãn 65 5.4.1 Tối ưu kích thước nhãn phía người dùng 65 vi Mục lục 5.4.2 Lưu trữ nhãn máy chủ 66 THÍ NGHIỆM VÀ ĐÁNH GIÁ 6.1 67 Thí nghiệm trực tiếp sử dụng phần mềm 67 6.1.1 Dữ liệu dùng thí nghiệm - 3Dircadb [6] 67 6.1.2 Kết thí nghiệm 70 6.2 Thí nghiệm sử dụng kỹ thuật nén tải nhãn lên máy chủ 75 6.3 Tổng hợp, đánh giá hệ thống DAT 76 6.3.1 Ưu điểm 76 6.3.2 Nhược điểm 77 TỔNG KẾT 78 7.1 Thành đạt 78 7.2 Định hướng phát triển 79 Tài liệu tham khảo 81 vii Danh sách hình vẽ 2.1 Bốn bước trực quan khối (1) Ray casting, (2) Lấy mẫu, (3) Tạo bóng, (4) Tổng hợp 3.1 Một ví dụ ba mặt cắt (mặt cắt giữa, mặt cắt trước mặt cắt ngang) trực quan hóa tập ảnh ba chiều mô đun phân đoạn ảnh phần mềm 3D Slicer [7] Người dùng gán nhãn ba mặt cắt cho vật thể tương ứng cập nhật nhãn mô trực quan 13 3.2 Một ví dụ cách tổ chức lưu trữ mô đun phân đoạn ảnh phần mềm 3D Slicer [7] 14 3.3 Một ví dụ việc lựa chọn màu sắc hiển thị cho vật thể mô ba chiều mô đun phân đoạn ảnh phần mềm 3D Slicer [7] 15 3.4 Một ví dụ danh sách công cụ bảng Effects mô đun phân đoạn ảnh phần mềm 3D Slicer [7] Người dùng nháy đơn vào biểu tượng để chọn công cụ tương ứng 15 3.5 Một ví dụ cơng cụ vẽ dùng cho gán nhãn mô đun phân đoạn ảnh phần mềm 3D Slicer [7] Người dùng nhấn giữ di chuyển chuột để vẽ mặt cắt họ muốn 16 3.6 Một ví dụ cơng cụ tăng trưởng vùng dùng cho gán nhãn mô đun phân đoạn ảnh phần mềm 3D Slicer [7] Người dùng chọn điểm khởi tạo chọn bắt đầu, giải thuật lan rộng nhãn điểm kế cận với điểm gán nhãn thỏa điều kiện chênh lệch giá trị HU với điểm khởi tạo 17 viii THÍ NGHIỆM VÀ ĐÁNH GIÁ Để đánh giá cơng việc mình, chúng tơi thực hai thí nghiệm: Chúng tơi trực tiếp sử dụng phần mềm, thử gán nhãn cho quan nội tạng gan số tập ảnh CT có sẵn nhãn từ tập liệu mã nguồn mở, ghi nhận lại thời gian, độ xác trải nghiệm thân Chúng tơi thí nghiệm giải thuật nén liệu trước gởi máy chủ để vượt qua cản trở công nghệ Với kết hai thí nghiệm trên, chúng tơi mong muốn rút đánh giá tính thân thiện với người dùng tính đáng tin cậy hệ thống 6.1 Thí nghiệm trực tiếp sử dụng phần mềm Trong thí nghiệm này, chúng tơi trực tiếp sử dụng hệ thống để gán nhãn cho quan nội tạng gan số tập ảnh CT có sẵn nhãn nhằm đo đạc thời gian trung bình cần thiết để gán nhãn cho quan nội tạng gan Những tập ảnh trích từ 3Dircadb [6], tập liệu mã nguồn mở Các nhãn có sẵn từ tập liệu dùng làm tiêu chuẩn để đánh giá độ xác nhãn mà chúng tơi tạo Thời gian tính cách bấm tính từ lúc bắt đầu tải tập liệu đến lúc lưu kết gán nhãn cuối 6.1.1 Dữ liệu dùng thí nghiệm - 3Dircadb [6] Tập liệu 3Dircadb [6], tên đầy đủ 3D Image Reconstruction for Comparison of Algorithm Database tập liệu Viện nghiên cứu chống ung thư đường tiêu hóa Đại học Bệnh viện IRCAD Pháp tạo với mục 67 6.1 Thí nghiệm trực tiếp sử dụng phần mềm đích so sánh giải thuật phân đoạn,giải thuật sinh mặt lưới bao giải thuật mô thở Tập liệu cung cấp tập ảnh CT 20 bệnh nhân đánh số từ tới 20 nhãn phân đoạn quan thuộc ổ bụng gan, thận trái, thận phải, khối u gan, dạng file ảnh dicom Chúng lựa chọn tập ảnh từ bệnh nhân số 20 bệnh nhân tập liệu cho thí nghiệm Hình 6.1 6.2 cung cấp mô trực quan ba chiều tập ảnh Chúng lựa chọn hai độ đo dice score recall để đánh giá độ trùng khớp việc gán nhãn so với nhãn có sẵn Để đánh giá lợi ích việc gán nhãn tự động trí tuệ nhân tạo, thí nghiệm chúng tơi ghi nhận hiệu việc gán nhãn dùng không dùng chức gán nhãn tự động 68 6.1 Thí nghiệm trực tiếp sử dụng phần mềm (a) Bệnh nhân số (b) Bệnh nhân số (c) Bệnh nhân số Hình 6.1: Mơ trực quan mẫu liệu từ bệnh nhân thứ 1, tập liệu 3Dircadb [6] Sự khác biệt lứa tuổi, chiều cao, cân nặng khiến ảnh từ sáu bệnh nhân đa dạng hình dáng, kích thước quan nội tạng phân phối giá trị HU quan (khoảng nhìn thấy giá trị HU để làm lộ quan bên người tương đối chênh lệch nhau, dù ảnh) 69 6.1 Thí nghiệm trực tiếp sử dụng phần mềm (a) Bệnh nhân số (b) Bệnh nhân số (c) Bệnh nhân số Hình 6.2: Mơ trực quan mẫu liệu từ bệnh nhân thứ 4, tập liệu 3Dircadb [6] Sự khác biệt lứa tuổi, chiều cao, cân nặng khiến ảnh từ sáu bệnh nhân đa dạng hình dáng, kích thước quan nội tạng phân phối giá trị HU quan (khoảng nhìn thấy giá trị HU để làm lộ quan bên người tương đối chênh lệch nhau, dù ảnh) 6.1.2 Kết thí nghiệm Kết thí nghiệm sau 70 6.1 Thí nghiệm trực tiếp sử dụng phần mềm Thứ tự tập ảnh Bệnh Bệnh Bệnh Bệnh Bệnh Bệnh nhân nhân nhân nhân nhân nhân số số số số số số Không dùng AI Dice Recall Thời gian 96.7 97.1 43 97.3 96.5 42 96.5 97.0 39 98.2 97.2 55 98.2 96.5 65 96.4 97.0 40 Dice 98.6 98.2 97.8 98.6 98.5 97.3 Có dùng AI Recall Thời gian 98.5 14 97.3 16 98.5 12 98.4 16 97.9 20 98.1 18 Bảng 6.1: Kết thí nghiệm trực tiếp gán nhãn, dice recall có đơn vị (%), thời gian có đơn vị phút Giá trị dice recall cao tốt, thời gian thấp tốt Số in đậm số tốt đơn vị đo ứng với bệnh nhân Từ kết thí nghiệm, đánh giá công cụ làm tốt việc hỗ trợ người gán nhãn tạo nhãn xác, giá trị dice recall trung bình khơng có hỗ trợ trí tuệ nhân tạo 97.2% 96.9%, có hỗ trợ trí tuệ nhân tạo 98.1% 98.1%, thật chúng tôi, người gán nhãn, chưa có đào tạo trình độ chun mơn đầy đủ Điều chứng tỏ công cụ gán nhãn có mặt trực quan khối ba chiều lát cắt ảo có tác động tích cực Chúng tơi đánh giá cơng cụ hỗ trợ tốt việc giải toán giảm bớt thời gian gán nhãn có áp dụng trí tuệ nhân tạo giúp người gán nhãn làm việc với công suất xấp xỉ nhãn cho tập liệu 16 phút, hay xấp xỉ nhãn tiếng, xấp xỉ 32 nhãn ngày làm việc bình thường Ở cho thấy lợi ích bật việc sử dụng trí tuệ nhân tạo gán nhãn tốc độ làm việc đẩy nhanh khoảng lần độ xác việc gán nhãn tăng Điều giải thích tự động hóa phần lớn cơng việc (Hình 6.3, 6.4 6.5), người gán nhãn có tâm trạng thoải mái sức theo thời gian khơng tích tụ thời gian dài dẫn tới tăng khả tập trung 71 6.1 Thí nghiệm trực tiếp sử dụng phần mềm (a) Bệnh nhân số (b) Nhãn bệnh nhân số (c) Bệnh nhân số (d) Nhãn bệnh nhân số Hình 6.3: Ảnh trực quan khối ba chiều bệnh nhân và nhãn AI dự đốn tương ứng Với độ xác cao (Hình 5.23), trí tuệ nhân tạo có tác động tích cực mặt thời gian độ xác việc gán nhãn 72 6.1 Thí nghiệm trực tiếp sử dụng phần mềm (a) Bệnh nhân số (c) Bệnh nhân số (b) Nhãn bệnh nhân số (d) Nhãn bệnh nhân số Hình 6.4: Ảnh trực quan khối ba chiều bệnh nhân và nhãn AI dự đoán tương ứng Với độ xác cao (Hình 5.23), trí tuệ nhân tạo có tác động tích cực mặt thời gian độ xác việc gán nhãn 73 6.1 Thí nghiệm trực tiếp sử dụng phần mềm (a) Bệnh nhân số (c) Bệnh nhân số (b) Nhãn bệnh nhân số (d) Nhãn bệnh nhân số Hình 6.5: Ảnh trực quan khối ba chiều bệnh nhân và nhãn AI dự đốn tương ứng Với độ xác cao (Hình 5.23), trí tuệ nhân tạo có tác động tích cực mặt thời gian độ xác việc gán nhãn 74 6.2 Thí nghiệm sử dụng kỹ thuật nén tải nhãn lên máy chủ 6.2 Thí nghiệm sử dụng kỹ thuật nén tải nhãn lên máy chủ Trong thí nghiệm này, chúng tơi thực so sánh kích thước nhãn trước sử dụng không sử dụng kỹ thuật nén mức nhãn hoàn thiện 0%, 25%, 50%, 75%, 100% Chúng tơi sử dụng khối có kích thước 384*384*512 Hình 6.6: So sánh khối lượng tốc độ tải lên khí sử dụng khơng sử dụng kỹ thuật nén Có thể thấy, việc nén nhãn trước tải lên máy chủ giúp giảm thiểu nhiều thời gian Đồng thời tránh việc timeout thực yêu cầu lên máy chủ làm tăng thân thiện cho người dùng 75 6.3 Tổng hợp, đánh giá hệ thống DAT Tiêu chí so sánh Quản lý người dùng Tải lên tập liệu Quản lý Lưu trữ tập liệu tập liệu Chia sẻ tập liệu Xóa tập liệu Trực quan Volume rendering hóa 3D Sinh lát cắt ảo Vẽ nhãn tự động (dự đoán AI) Vẽ nhãn bán tự động (đa dạng) Vẽ bút Vẽ theo hình trịn Vẽ nhãn Vẽ theo hình chữ nhật Vẽ chỉnh thủ cơng kéo Xóa nhãn Trở lại bước vẽ trước Điều chỉnh Hounsfield Unit để làm bật số đối tượng cụ thể (gan, mạch máu, phổi) Phóng to/thu nhỏ Di chuyển Cơng cụ hỗ Đo góc trợ đo lường Vẽ tự đo diện tích Đo khoảng cách Lấy tọa độ DAT x x Tập trung x x x Mọi vị trí x 3D Slicer x x Khơng tập trung Vesalius x x Không tập trung x Ba mặt trực giao x Ba mặt trực giao Trainingdata x Tập trung x x x x x x x x x x x x x x x x x x x x x Nhanh x x Nhanh x x Nhanh Nhanh x x x x x x x x x x x x x Bảng 6.2: So sánh hệ thống DAT với ứng dụng 3D Slicer, Vesalius Trainingdata 6.3 Tổng hợp, đánh giá hệ thống DAT 6.3.1 Ưu điểm Hỗ trợ dự đoán AI vào phần ảnh ảnh cần làm nhãn, từ giảm thời gian làm nhãn đáng kể so với thơng thường Với mơ hình phân đoạn gan kế thừa tại, kết hệ số dice lớn 90%, sau chạy dự đốn 76 6.3 Tổng hợp, đánh giá hệ thống DAT AI, người dùng cần thao tác để đạt nhãn xác Từ thí nghiệm 6.1, nhận thấy thời gian tiêu tốn để gán nhãn kỳ vọng khoảng 16 phút nhãn Tích hợp lát cắt ảo trực quan khối để thuận tiện q trình quan sát Có thể điều chỉnh Hounsfield Unit ảnh để làm bật số đối tượng cụ thể, ví dụ gan, mạch máu, phổi Cung cấp nhiều chế độ vẽ bao gồm vẽ nhãn bút, vẽ theo vùng hình trịn hình chữ nhật Có thể thực thao tác quay (undo) cần thiết Yêu cầu phần cứng không cao 6.3.2 Nhược điểm Hệ thống chưa hỗ trợ chế độ vẽ bán tự động giải thuật tăng trưởng vùng, lấy ngưỡng Tính tải tập liệu có dung lượng lớn chưa hoàn chỉnh Trực quan khối ba chiều chưa thân thiện với người có chun mơn y học 77 TỔNG KẾT 7.1 Thành đạt Hoàn thành giai đoạn Luận văn tốt nghiệp, việc trang bị thêm kiến thức lĩnh vực xử lý ảnh, lập trình phần mềm phương pháp nghiên cứu, đánh giá đề tài khoa học, với nỗ lực thành viên nhóm, đề tài đạt kết sau đây: Tìm hiểu đánh giá cơng trình tiêu biểu lĩnh vực phát triển phần mềm hỗ trợ gán nhãn phân đoạn ảnh y khoa Hiểu quy trình xây dựng đánh giá hệ thống cách hiệu quả, hướng đến trải nghiệm người dùng Kế thừa tích hợp thành cơng mơ hình U2Net3D [2] vào hỗ trợ việc gán nhãn Xây dựng thành cơng mơ hình trực quan khối ba chiều từ tập ảnh CT Tạo nhãn phục vụ mục đích huấn luyện mơ hình học sâu cho toán phân đoạn ảnh y khoa Đề xuất thực thành công giải thuật sinh lát cắt ảo từ tập ảnh ba chiều Xây dựng thành công hệ thống gán nhãn cho ảnh y khoa hoàn chỉnh, mang tính ứng dụng cao, có khả đóng góp cho phát triển y học khoa học máy tính 78 7.2 Định hướng phát triển 7.2 Định hướng phát triển Cung cấp nhiều công cụ gán nhãn thủ công bán tự động tăng trưởng vùng, lấy ngưỡng, Hoàn thiện khả tải tập tin dung lượng lớn Cải thiện cách thể trực quan khối ba chiều, nhằm mang lại thân thiện người dùng có chun mơn Bổ sung mơ hình học sâu phân đoạn ảnh có độ xác cao đa dạng đối tượng dự đoán thận, phổi, u, 79 Tài liệu tham khảo Website.” https://paperswithcode.com/task/ [1] “PapersWithCode medical-image-segmentation/ Accessed: 2021-06-15 [2] C T Tung, N T Tuan, and P N Thinh, “Hệ thống làm nhãn cho ảnh chụp cắt lớp vi tính với trợ giúp trí tuệ nhân tạo,” Luận văn tốt nghiệp, 2020 [3] Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J-C., Pujol S., Bauer C., Jennings D., Fennessy F., Sonka M., Buatti J., Aylward S.R., Miller J.V., Pieper S., and Kikinis R, “3D Slicer as an Image Computing Platform for the Quantitative Imaging Network,” Magnetic Resonance Imaging, vol 30,9 (2012):1323-41, 2012 [4] “Vesalius 3D.” https://www.vesalius-3d.com/ Accessed: 2021-06-24 [5] “Trainingdata.io.” https://www.trainingdata.io// Accessed: 2021-06-24 [6] “3d image reconstruction for comparison of algorithm database (3dircad).” https://www.ircad.fr/research/3dircadb/ [7] “3D Slicer Website.” http://www.slicer.org/ Accessed: 2021-04-30 [8] “Segmentation of the liver 2007.” https://competitions.codalab.org/ competitions/17094 [9] “Liver tumor segmentation challenge 2017.” http://www.sliver07.org/ [10] S Goswami, “Impact of data quality on deep neural network training,” CoRR, vol abs/2002.03732, 2020 [11] S V Stehman, “Selecting and interpreting measures of thematic classification accuracy,” Remote Sensing of Environment, vol 62, pp 77 – 89, 1997 80 Tài liệu tham khảo [12] H Rezatofighi, N Tsoi, J Gwak, A Sadeghian, I Reid, and S Savarese, “Generalized intersection over union,” CVPR, June 2019 [13] T Sørensen, A Method of Establishing Groups of Equal Amplitude in Plant Sociology Based on Similarity of Species Content and Its Application to Analyses of the Vegetation on Danish Commons, pp 1–34 Kongelige Danske Videnskabernes Selskab, 1948 [14] L R Dice, “Measures of the amount of ecologic association between species,” Ecology, vol 26, no 3, pp 297302, 1945 ă C iácek, A Abdulkadir, S S Lienkamp, T Brox, and O Ronneberger, [15] O “3d u-net: Learning dense volumetric segmentation from sparse annotation,” CoRR, vol abs/1606.06650, 2016 81 ... rộng nhãn điểm kế cận với điểm gán nhãn thỏa điều kiện chênh lệch giá trị HU với điểm khởi tạo Chỉnh sửa tự động Với hỗ trợ trí tuệ nhân tạo Clara từ Nvidia, 3D Slicer cho phép người dùng gán nhãn. .. động Với tính gán nhãn tự động, gánh nặng công vi? ??c người gán nhãn giảm bớt nhiều Hình 3.7: Một ví dụ cơng cụ gán nhãn tự động trí tuệ nhân tạo Nvidia Clara dùng cho gán nhãn mô đun phân đoạn ảnh. .. cụ gán nhãn tảng web với hỗ trợ trí tuệ nhân tạo với mong muốn đóng góp vào phát triển ngành khoa học máy tính ngành y, tạo nhiều giá trị tốt đẹp cho xã hội Vi? ??t Nam 1.2 Mục tiêu phạm vi giới