Xây dựng mô hình học máy hỗ trợ chẩn đoán bước đầu bệnh mạch vành dựa trên ảnh chụp SPECT tưới máu cơ tim

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ BÙI NGỌC TÙNG Xây dựng mơ hình học máy hỗ trợ chẩn đoán bƣớc đầu bệnh mạch vành dựa ảnh chụp SPECT tƣới máu tim LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Hà Nội – 2022 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ BÙI NGỌC TÙNG Xây dựng mơ hình học máy hỗ trợ chẩn đoán bƣớc đầu bệnh mạch vành dựa ảnh chụp SPECT tƣới máu tim Ngành: Khoa học máy tính Chuyên ngành: Khoa học máy tính Mã số: 8480101.01 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: TS Trần Quốc Long TS Nguyễn Chí Thành Hà Nội – 2022 LỜI CẢM ƠN Tôi xin gửi lời cảm ơn chân thành sâu sắc đến hai người thầy hướng dẫn tôi, tiến sĩ Trần Quốc Long – Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội tiến sĩ Nguyễn Chí Thành – Viện Khoa học Cơng nghệ quân Xin cảm ơn cố vấn dẫn dắt tận tâm hai thầy giúp hồn thành luận văn Tơi xin gửi lời cảm ơn đến anh chị em phòng thí nghiệm Khoa học máy tính Trường Đại học Cơng nghệ, anh chị làm khoa học Viện Khoa học Công nghệ Quân Bệnh viện Trung ương Quân đội 108 cung cấp kiến thức, sở lời nhận xét giá trị giúp tơi cải thiện luận văn Sau tơi xin gửi lời cảm ơn đến cha mẹ, người thân, bạn bè đồng nghiệp ủng hộ động viên thời gian làm luận văn thạc sĩ LỜI CAM ĐOAN Tôi xin cam đoan đề tài dựa trình nghiên cứu trung thực cố vấn người hướng dẫn khoa học Kiến thức luận văn nghiên cứu, đọc, dịch tài liệu, tổng hợp thực Nội dung lý thuyết luận văn tơi có sử dụng số tài liệu tham khảo trình bày phần tài liệu tham khảo Các số liệu kết luận văn trung thực chưa cơng bố cơng trình khác Hà Nội, ngày 02 tháng 01 năm 2022 Học viên thực Bùi Ngọc Tùng MỤC LỤC MỞ ĐẦU Chương 1: Tổng quan 1.1 Tổng quan bệnh mạch vành 1.2 Kỹ thuật chụp xạ hình tưới máu tim máy SPECT 1.3 Nguyên lý cấu tạo máy SPECT 1.3.1 Cấu tạo máy SPECT 10 10 1.3.1.1 Gamma Camera 10 1.3.1.2 Cấu tạo quy trình chụp xạ hình tưới máu tim máy SPECT 13 1.3.2 Nguyên lý tạo ảnh lát cắt máy SPECT 14 1.3.2.1 Bài toán tái tạo ảnh lát cắt từ liệu chiếu 14 1.3.2.2 Định nghĩa phép chiếu từ lát cắt lên đầu dò 16 1.3.2.3 Phép chiếu ngược 21 1.3.2.4 Thuật toán FBP 25 1.3.2.5 Thuật toán lặp 27 1.3.3 Nguyên lý tạo ảnh cực 28 1.3.3.1 Các cách hiển thị ảnh chụp SPECT 28 1.3.3.2 Dữ liệu đếm theo vịng 30 1.3.3.3 Cách thức hình thành ảnh cực 31 Chương 2: Cơ sở kiến thức 33 2.1 Mạng nơ-ron 33 2.2 Mạng nơ-ron tích chập 34 2.2.1 Giới thiệu mạng nơ-ron tích chập 34 2.2.2 Lớp tích chập 36 2.2.3 Lớp Pooling 41 2.2.4 Một số mạng nơ-ron tích chập 42 2.3 Mạng nơ-ron đồ thị 2.3.1 Tổng quan mạng nơ-ron đồ thị 2.3.1.1 Giới thiệu mạng nơ-ron đồ thị 43 43 43 2.3.1.2 Các loại mạng nơ-ron đồ thị 2.3.2 Mạng nơ-ron đồ thị tích chập 44 47 2.3.2.1 Mạng nơ-ron đồ thị tích chập miền phổ 47 2.3.2.2 Mạng nơ-ron đồ thị tích chập miền không gian 52 Chương 3: Phương pháp xây dựng mơ hình 3.1 Các nghiên cứu liên quan 60 60 3.1.1 Phân loại ảnh với mạng nơ-ron tích chập 60 3.1.2 Phân loại ảnh với mạng nơ-ron đồ thị 60 3.2 Mơ hình dựa mạng nơ-ron tích chập 61 3.2.1 Lớp Rank-based Stochastic Pooling 61 3.2.2 Kiến trúc mạng nơ-ron tích chập 64 3.3 Mơ hình dựa mạng nơ-ron đồ thị 65 3.3.1 Thuật toán SLIC 65 3.3.2 Kiến trúc mạng nơ-ron đồ thị 68 Chương 4: Thử nghiệm kết 4.1 Thử nghiệm 69 69 4.1.1 Dữ liệu thử nghiệm 69 4.1.2 Chuẩn bị liệu 69 4.2 Kết 71 Kết luận 79 Tài liệu tham khảo 80 Danh mục ký hiệu chữ viết tắt Từ viết tắt FBP MLEM CAD SPECT PET PM PHA CT CNN SLIC MLP Tiếng Anh Filter Backprojection Maximum Likelihood Expectation Maximization Coronary Artery Disease Single Photon Emission Computed Tomography Positron Emission Tomography Photomultiplier Tube Pulse Height Analyzer Computed Tomography Convolutional Neural Network Simple Linear Iterative Clustering Multi Layer Perceptron Tiếng Việt Thuật toán chiếu ngược xử lý qua lọc Thuật toán cực đại hóa kì vọng hàm hợp lý Bệnh mạch vành Máy chụp phát xạ đơn photon Máy chụp phát xạ positron Ống nhân quang Bộ phân tích chiều cao xung Chụp cắt lớp Mạng nơ-ron tích chập Thuật tốn phân cụm thơng qua lặp tuyến tính đơn giản Perceptron nhiều lớp Danh mục bảng Bảng 1: Thống kê liệu huấn luyện 69 Bảng 2: Kết độ xác mơ hình thử nghiệm 77 Danh mục hình vẽ, đồ thị Hình 1: Các động mạch tim Hình 2: Hình ảnh tim với cách mạch máu bị bình thường mạch máu bị tắc nghẽn Hình 3: Ảnh lát cắt chụp từ máy SPECT 10 Hình 4: Ví dụ Gamma - Camera 11 Hình 5: Các thành phần Gamma – Camera 12 Hình 6: Một máy chụp SPECT 13 Hình 7: Quy trình chụp SPECT ngày 14 Hình 8: Quy trình chụp SPECT ngày 14 Hình 9: Mặt đầu dò mặt phẳng lát cắt 15 Hình 10: Ví dụ ảnh lát cắt chuyển thành sinogram 16 Hình 11: Đường photon từ mặt phẳng lát cắt lên mặt đầu dò 17 Hình 12: Ví dụ tính giá trị g 19 Hình 13: g biểu diễn tích ma trận A với vec-tơ f 20 Hình 14: Ví dụ phép chiếu ngược 22 Hình 15: Hai ảnh lát cắt khác 23 Hình 16: Hiệu ứng hình xảy sai lệch ảnh (artifact) 23 Hình 17: Giá trị pixel ảnh tái tạo phụ thuộc vào khoảng cách 24 Hình 18: Các pixel tính xác vị trí chiếu lên đầu dị 24 Hình 19: Ảnh kết hợp từ thành phần tần số 26 Hình 20: Ảnh hưởng thuật toán lọc khác theo tần số 27 Hình 21: Dùng thuật tốn lặp để ước lượng ảnh f 28 Hình 22: Các trục tim chụp xạ hình tưới máu máy SPECT 29 Hình 23: Ví dụ ảnh cực 29 Hình 24: Vị trí tương ứng vùng mạch ảnh cực 30 Hình 25: Vị trí đỉnh tim 30 Hình 26: Ảnh lát cắt chia thành khu vực xuyên tâm đường nét đứt 31 Hình 27: Ví dụ đếm liệu theo vòng lát cắt 31 Hình 28: Các ảnh lát cắt trục ngắn ánh xạ vào vòng tương ứng ảnh cực 32 Hình 29: Quá trình tạo ảnh cực 32 Hình 1: Các lớp mạng nơ-ron liên kết chúng 33 Hình 2: Mạng nơ-ron thường (trái) mạng nơ-ron tích chập (phải) 34 Hình 3: Ví dụ ảnh đầu vào qua lớp tích chập 36 Hình 4: Các nơ-ron khối đầu vào kết hợp với tương tự mạng nơ-ron thường tính nơ-ron lớp 37 Hình 5: Hình ảnh lọc thể ô vuông 38 Hình 6: Một ma trận ảnh x thêm vào lớp zero-padding 39 Hình 7: Từ trái qua phải sử dụng bước nhảy S = 1, S = 40 Hình 8: Cách tính tích chập ảnh đầu vào x x 41 Hình 9: Lớp Pooling áp dụng lên khối đầu vào 42 Hình 10: Mạng nơ-ron đồ thị tích chập 45 Hình 11: Mạng nơ-ron mã hóa dựa đồ thị 46 Hình 12: Mạng nơ-ron đồ thị không gian - thời gian 46 Hình 13: Một lọc có kích thước × áp dụng cho ảnh 52 Hình 14: Đặc trưng nút màu đỏ cập nhật giữ đặc trưng nút kề với 53 Hình 15: Cách cập nhật đặc trưng đỉnh mạng nơ-ron đồ thị 54 Hình 16: Cách cập nhật đặc trưng đỉnh mạng GCN 55 Hình 17: Cách cập nhật đặc trưng đỉnh mạng GAT 55 Hình 18: Cách cập nhật đặc trưng đỉnh mạng MoNet 56 Hình 19: Cách cập nhật đặc trưng đỉnh mạng GatedGCN 57 Hình 20: Cách cập nhật đặc trưng đỉnh mạng GIN 58 Hình 21: Cách cập nhật đặc trưng đỉnh mạng GraphSage 59 Hình 1: Ví dụ ảnh cực chuyển thành dạng lưới 61 Hình 2: Ví dụ cách tính đầu lớp Pooling dựa thứ hạng 64 Hình 3: Kiến trúc mơ hình mạng nơ-ron tích chập sử dụng 64 Hình 4: Thuật tốn SLIC 67 Hình 5: Kiến trúc mạng nơ-ron đồ thị cho toán phân loại 68 Hình 1: Ảnh cực tiền xử lý…………………………………………… 70 Hình 2: Ảnh cực chuyển sang dạng đồ thị…………………………… 71 Hình 3: Mơ hình mạng nơ-ron đồ thị cho tốn phân loại ảnh cực……….71 Danh mục tham chiếu mã nguồn: Mã nguồn 1: Mạng GCN ngôn ngữ Python 74 Mã nguồn 2: Giả mã cho hàm huấn luyện mơ hình 76 MỞ ĐẦU Bệnh động mạch vành CAD (coronary artery disease) ngày nhận nhiều quan tâm mức độ nguy hiểm phổ biến tỷ lệ người mắc bệnh ngày tăng cao Sự nguy hiểm bệnh nằm khả gây biến chứng từ dẫn đến tử vong Khó khăn chi phí điều trị bệnh tăng cao bệnh bị phát giai đoạn muộn Hiện nay, có số phương pháp chẩn đốn bệnh động mạch vành kể đến như: điện tâm đồ, siêu âm tim, chụp cộng hưởng từ MRI (magnetic resonance imaging), xạ hình tưới máu tim MPI (myocardial perfusion imaging), Mỗi xét nghiệm có ưu, nhược điểm riêng Một phương pháp xét nghiệm xạ hình tưới máu tim biết đến với độ xác cao Phương pháp chụp xạ hình tưới máu tim MPI (Myocardial Perfusion Imaging) tiến hành chụp lại hình ảnh tưới máu sử dụng hình ảnh để đánh giá lượng máu ni tim dùng để xác định mạch vành có bị hẹp hay khơng Các hình ảnh tưới máu chụp lại cách sử dụng máy chụp SPECT (Single Photon Emission Computed Tomography) hay gọi máy chụp cắt lớp phát xạ đơn photon Vì kỹ thuật xạ hình tưới máu tim máy SPECT kỹ thuật khó nên bác sĩ trả lời kết người đào tạo chun sâu ngồi nước, có kinh nghiệm làm việc lâu năm Tuy nhiên với nhiều lý khách quan chất lượng độ phức tạp hình ảnh, điều kiện làm việc lý chủ quan liên quan đến bác sĩ mà việc chẩn đốn đơi gặp sai sót Do hệ thống chẩn đoán bệnh dựa ảnh chụp SPECT cơng cụ hỗ trợ hữu ích cho công việc bác sĩ Mục tiêu đề tài hướng đến việc giải toán xây dựng mơ hình giúp chẩn đốn bệnh mạch vành dựa ảnh chụp SPECT tưới máu tim Mơ hình nhận đầu vào ảnh chụp SPECT kết hợp với chẩn đốn lâm sàng ban đầu đưa xác suất dự đoán khả mắc bệnh động mạch vành Các phương pháp, mơ hình khác đánh giá để tìm giải pháp tối ưu cho tốn 70 Hình 1: Ảnh cực tiền xử lý Ảnh bên trái ảnh ban đầu có vài kí tự lẫn vào góc Ảnh bên phải ảnh qua xử lý loại bỏ ký tự ảnh Các giá trị pixel nằm ngồi bán kính ảnh cực đặt giá trị 0: (4.1) ( ) ( ) ( ) Trong đó: tọa độ pixel, gốc tọa độ coi điểm phía bên trái ảnh ( ) giá trị pixel vị trí = 176 1/2 kích thước ảnh (352 x 352) , tâm ảnh có tọa độ ( ⁄ , ⁄ ) Ảnh cực chuyển đổi sang dạng đồ thị cách sử dụng super-pixel Mỗi super-pixel biểu diễn cho vùng nhỏ ảnh mà pixel vùng có giá trị độ sáng xấp xỉ Đầu tiên, super-pixel ảnh tính thuật tốn SLIC, super-pixel coi nút đồ thị Ma trận trọng số W đồ thị xây dựng tương tự với thuật toán k-nearest neighbor, với phần tử xác định sau: ( ) (4.2) Trong tọa độ hai chiều ảnh superpixel thứ i thứ j, gọi tham số tỉ lệ, tham số xác định cho nút tính trung bình khoảng cách k nút gần với nút 71 Sau tính ma trận kề, nút tạo liên kết với k nút gần tính theo giá trị , ma trận kề cập nhật lại cho nút liên kết với k nút gần nhất, nút cịn lại có trọng số Ví dụ ảnh cực chuyển sang dạng đồ thị cho hình 4.2 Hình 2: Ảnh cực chuyển sang dạng đồ thị Từ trái sang phải ảnh cực, ảnh đỉnh tạo từ SLIC ảnh gồm đỉnh cạnh Đặc trưng nút bao gồm giá trị màu RGB tọa độ super-pixel ứng với nút Đặc trưng cạnh từ nút i đến nút j sẽ giá trị Mơ hình áp dụng mạng nơ-ron đồ thị cho tốn phân loại ảnh cực cho hình 4.3 Hình 3: Mơ hình mạng nơ-ron đồ thị cho toán phân loại ảnh cực 4.2 Kết Hàm mát sử dụng mơ hình mạng nơ-ron tích chập nơ-ron đồ thị hàm Cross Entropy có cơng thức: 72 ( ) ( ( , ∑ -) ) ( , -) (4.3) Trong đó: : vec-tơ dự đoán đầu mạng cho mẫu liệu với [i] thể xác suất dự đoán cho nhãn thứ i : số loại nhãn có liệu : thứ tự nhãn mẫu liệu Hàm mát mơ hình tổng giá trị mát toàn mẫu liệu: ∑ ( ) Với tập hợp chứa toàn mẫu liệu, với mẫu liệu (4.4) nhãn tương ứng Các mơ hình thử nghiệm huấn luyện theo phương pháp tương tự báo [17] Đó mơ hình chọn giá trị learning rate khởi tạo giá trị learning rate tối thiểu Giá trị learning rate khởi tạo giá trị learning rate ban đầu sử dụng thuật toán tối ưu hàm mát mơ hình Ở vịng lặp q trình huấn luyện, độ xác mơ hình kiểm tra tập Validation Set, sau số vịng lặp định mà độ xác khơng có cải thiện giá trị learning rate thuật toán huấn luyện bị giảm nửa Quá trình huấn luyện tiếp tục giá trị learning rate bị giảm xuống mức nhỏ giá trị learning rate tối thiểu định nghĩa dừng lại Hiệu mơ hình đánh giá tập Test Set Các mơ hình luận văn cài đặt cách sử dụng framework Pytorch thư viện DGL (Deep Graph Library) – thư viện viết ngôn ngữ Python hỗ trợ tốn với liệu đồ thị Hình 4.4 ví dụ mã nguồn dùng để đánh giá mơ hình sau huấn luyện hồn thành Các tham số chọn trước mơ hình (hyperparameter) thử nghiệm lựa chọn kĩ thuật tìm kiếm kiếm Grid (Grid Search) – tức thử nghiệm toàn diện giá trị cụ thể tham số để tìm giá trị tham số tốt cho mơ hình 73 Ví dụ mã nguồn cài đặt mạng GCN cho (Mã nguồn 4.1): 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 import torch import torch.nn as nn import torch.nn.functional as F import dgl from dgl.nn.pytorch import GraphConv # Lớp mạng fully connected (FC) # phần cuối mơ hình class MLPReadout(nn.Module): def init (self, input_dim, output_dim, L=2): super(). init () list_FC_layers=[ nn.Linear(input_dim//2**l, input_dim//2**(l+1),bias=True ) for l in range(L)] list_FC_layers.append(nn.Linear( input_dim//2**L , output_dim , bias=True )) self.FC_layers=nn.ModuleList(list_FC_layers) self.L = L def forward(self, x): y = x for l in range(self.L): y = self.FC_layers[l](y) y = F.relu(y) y = self.FC_layers[self.L](y) return y # Lớp mạng GCN class GCNLayer(nn.Module): def init (self, in_dim, out_dim): super(). init () self.in_channels = in_dim self.out_channels = out_dim self.conv = GraphConv(in_dim, out_dim) def forward(self, g, feature): h = F.relu(self.conv(g, feature)) return h # Mơ hình mạng gồm nhiều lớp mạng GCN class GCNNet(nn.Module): def init (self, num_node_feat, n_layers): super(). init () 74 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 # Lớp embedding biến đổi đặc trưng đỉnh self.embedding_h = nn.Embedding(num_node_feat , n_layers[0]) # Một danh sách lớp GCN self.layers = nn.ModuleList( [GCNLayer(n_layers[i], n_layers[i+1]) for i in range(n_layers-1)]) # Các lớp FC phần cuối mạng self.MLP_layer = MLPReadout(n_layers[-1], 2) def forward(self, g, h, e): # đặc trưng đỉnh qua lớp embedding h = self.embedding_h(h) # đặc trưng đỉnh cập nhật # lớp mạng GCN for conv in self.layers: h = conv(g, h) g.ndata['h'] = h # Lấy trung bình đặc trưng đỉnh hg = dgl.mean_nodes(g, 'h') # vec-tơ cuối qua lớp FC return self.MLP_layer(hg) Mã nguồn 1: Mạng GCN ngôn ngữ Python Và mã nguồn huấn luyện viết dạng giả mã dựa ngôn ngữ Python sau (Mã nguồn 4.2): 10 11 12 13 14 15 16 17 18 def train(model, learning_rate, data_loader): """ model: Mơ hình huấn luyện learning_rate: Tham số learning_rate dùng cho thuật toán tối ưu hàm mát dựa đạo hàm data_loader: Tập liệu bao gồm danh sách phần tử (đồ thị, tập đặc trưng đỉnh, tập đặc trưng cạnh, nhãn) """ for (batch_graphs, batch_x, batch_e, batch_labels) \ in (data_loader): # Hàm forward model # tính giá trị đầu dự đoán batch_predict = model.forward(batch_graphs, \ batch_x, batch_e) 75 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 # Hàm lossfn thực việc # tính giá trị hàm mát # giá trị cần cập nhật tham số # sau vòng lặp loss, gradient_descent = lossfn(model, batch_predict, \ label, learning_rate) # Hàm update thực việc cập nhật lại # tham số huấn luyện mô hình update(model, gradient_descent) def evaluate(model, data_loader): """ model: Mơ hình huấn luyện data_loader: Tập liệu bao gồm danh sách phần tử (đồ thị, tập đặc trưng đỉnh, tập đặc trưng cạnh, nhãn) """ nb_data = epoch_test_acc = for (batch_graphs, batch_x, batch_e, batch_labels) \ in (data_loader): predict = model.forward(batch_graphs, \ batch_x, batch_e) # Hàm accuracy tính độ xác # kết dự đoán theo nhãn epoch_test_acc += accuracy(batch_scores, \ batch_labels) nb_data += len(batch_labels) epoch_test_acc /= nb_data return epoch_test_acc def train_model(model, learning_rate, num_epoch, train_data, val_data, test_data, min_lr, patient): """ model: Mơ hình huấn luyện learning_rate: Tham số learning_rate dùng cho thuật toán tối ưu hàm mát dựa đạo hàm train_data: Tập liệu huấn luyện bao gồm danh sách phần tử 76 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 (đồ thị, tập đặc trưng đỉnh, tập đặc trưng cạnh, nhãn) val_data: Tập liệu Validation bao gồm danh sách phần tử tương tự tập train test_data: Tập liệu Test bao gồm danh sách phần tử tương tự tập train min_lr: learning_rate nhỏ giá trị dừng huấn luyện patient: Khi sau số lượt epoch patient mà mơ hình khơng có cải thiện tập Validation giảm learning_rate """ best_acc = p = patient for i in range(num_epoch): train(model, learning_rate, train_data) # Đánh giá độ xác tập validatation val_acc = evaluate(model, val_data) # Nếu độ xác khơng có cải thiện # giảm biến đếm 1, biến đếm giảm # giảm learning_rate 1/2 if (val_acc < best_acc): p = p - else: # Nếu độ xác có cải thiện # cập nhật lại độ xác tốt p = patient best_acc = val_acc if p == 0: learning_rate /= # Nếu learning_rate giảm nhỏ ngưỡng # dừng huấn luyện if (learning_rate < min_lr): break # Khi trình huấn luyện kết thúc # đánh giá kết tập Test test_acc = evaluate(model, test_data) Mã nguồn 2: Giả mã cho hàm huấn luyện mơ hình 77 Ngồi độ xác, mơ hình đánh giá dựa giá trị Precision, Recall, F1: (4.5) (4.6) (4.7) Trong đó: : Số mẫu có bệnh dự đốn : Số mẫu khơng có bệnh bị dự đốn sai : Số mẫu có bệnh bị dự đốn sai (4.8) Bảng 2: Kết độ xác mơ hình thử nghiệm Mơ hình MoNet GatedGCN GAT GIN GCN GraphSage CNN Độ xác 86.84 83.55 82.24 81.58 85.53 88.16 85.53 Precision 90.52 90.83 89.91 87.72 91.07 94.44 86.51 Recall 92.11 86.84 85.96 87.72 89.47 89.47 95.61 F1 91.3 88.79 87.89 87.72 90.27 91.89 90.83 Có thể thấy hiệu mạng đồ thị không so với mạng tích chập với độ xác cao mơ hình mạng nơ-ron đồ thị đạt 88.16% sử dụng mạng GraphSage Mơ hình CNN có ưu điểm giá trị Recall cao thể khả dự đoán tốt trường hợp có bệnh nhiên đánh giá tổng thể qua giá trị F1 mơ hình GraphSage cho kết tốt Kết cải thiện từ nghiên cứu trước tác giả [58] Mạng nơ-ron tích chập có ưu điểm so với mạng nơ-ron thường làm việc với liệu ảnh chúng giữ cấu trúc khơng gian ảnh 78 thực phép tích chập q trình huấn luyện Mạng nơ-ron thơng thường yêu cầu "trải phẳng" ma trận ảnh thành vec-tơ trước tính tốn đầu lớp Tuy nhiên mạng nơ-ron tích chập khơng đưa cấu trúc không gian hay mối quan hệ pixel gần vào tính tốn mạng Mạng nơ-ron đồ thị có tính tốn đến điều ảnh biểu diễn dạng đồ thị phép tích chập đồ thị có tiến hành cập nhật đặc trưng đỉnh dựa pixel gần khoảng cách định [47] Kết mở hướng tiếp cận cho tốn phân loại ảnh cực, thay áp dụng mạng nơ-ron tích chập thường thấy tốn phân loại ảnh mạng nơ-ron đồ thị hướng có khả cải thiện kết toán phân loại ảnh cực 79 Kết luận Từ kết thực nghiệm cho thấy, việc áp dụng mạng nơ-ron đồ thị cho chẩn đoán bệnh mạch vành dựa ảnh SPECT tưới máu tim đem lại kết khả quan Độ xác phân loại ảnh cực mạng nơron đồ thị so sánh với mạng tích chập thường áp dụng cho tốn phân loại ảnh Mạng nơ-ron tích chập có ưu điểm định mà tỷ lệ chẩn đốn ca có bệnh cao mạng nơ-ron đồ thị, nhiên với cải biến thích hợp mạng nơ-ron đồ thị có tiềm riêng Nghiên cứu luận văn áp dụng hướng tiếp cận cho toán phân loại ảnh cực, chuyển từ phân loại ảnh sang phân loại đồ thị với khả cho kết tương đương tốt phương pháp sử dụng mạng nơ-ron tích chập Trong tương lai, kĩ thuật cải thiện tiếp tục nghiên cứu để cải thiện hiệu mạng nơ-ron đồ thị cho toán phân loại ảnh cực Các hướng cải thiện tập trung vào việc thử nghiệm cách thức xây dựng đồ thị từ ảnh, kiến trúc mạng nơ-ron đồ thị khác nhau, lớp pooling cho mạng nơ-ron đồ thị hay kết hợp đặc trưng mạng nơ-ron tích chập vào mạng nơ-ron đồ thị 80 Tài liệu tham khảo Tiếng Anh Achanta R., Shaji A., Smith K., Lucchi A., Fua P., & Süsstrunk S., (2010), “Slic superpixels”, EPFL Technical Report 149300 Avelar P H., Tavares A R., da Silveira T L., Jung C R., & Lamb L C (2020, November), “Superpixel image classification with graph attention networks” In 2020 33rd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI) (pp 203-209) IEEE Betancur J., Commandeur F., Motlagh M., Sharir T., Einstein A J., Bokhari S., & Slomka P J (2018), “Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT: a multicenter study”, JACC: Cardiovascular Imaging, 11(11), 1654-1663 Boloor V., Hosadurga R., Pratap S., & Rao A (2013), “Nuclear medicine in dentistry revisited: New avenues to explore”, Clinical Cancer Investigation Journal, 2(3), 189 Bresson X., & Laurent T (2017), “Residual gated graph convnets”, arXiv preprint arXiv:1711.07553 Bruna J., Zaremba W., Szlam A., & LeCun Y (2013), “Spectral networks and locally connected networks on graphs”, arXiv preprint arXiv:1312.6203 Bruyant P P (2002), “Analytic and iterative reconstruction algorithms in SPECT”, Journal of Nuclear Medicine, 43(10), 1343-1358 Bruyant P P., Sau J., & Mallet J J (2000), “Streak artifact reduction in filtered backprojection using a level line–based interpolation method”, Journal of Nuclear Medicine, 41(11), 1913-1919 Connolly C., & Fleiss T (1997), “A study of efficiency and accuracy in the transformation from RGB to CIELAB color space”, IEEE transactions on image processing, 6(7), 1046-1048 10 Czaja M., Wygoda Z., Duszańska A., Szczerba D., Głowacki J., Gąsior M., & Wasilewski J P (2017), “Interpreting myocardial perfusion scintigraphy using single-photon emission computed tomography Part 1”, Kardiochirurgia i torakochirurgia polska Polish journal of cardio-thoracic surgery, 14(3), 192 11 Defferrard M., Bresson X., & Vandergheynst P (2016), “Convolutional neural networks on graphs with fast localized spectral filtering”, Advances in neural information processing systems, 29, 3844-3852 12 Dempster A P., Laird N M., & Rubin D B (1977), “Maximum likelihood from incomplete data via the EM algorithm”, Journal of the Royal Statistical Society: Series B (Methodological), 39(1), 1-22 81 13 Deng J., Dong W., Socher R., Li L J., Li K., & Fei-Fei L (2009, June), “Imagenet: A large-scale hierarchical image database”, In 2009 IEEE conference on computer vision and pattern recognition (pp 248-255) Ieee 14 Dorbala S., & Di Carli, M F (2014, September), “Cardiac PET perfusion: prognosis, risk stratification, and clinical management”, In Seminars in nuclear medicine (Vol 44, No 5, pp 344-357) WB Saunders 15 Dorbala S., Ananthasubramaniam K., Armstrong, I S., Chareonthaitawee P., DePuey E G., Einstein A J., & Wells, R G (2018), “Single photon emission computed tomography (SPECT) myocardial perfusion imaging guidelines: instrumentation, acquisition, processing, and interpretation”, Journal of Nuclear Cardiology, 25(5), 1784-1846 16 Dvorak R A., Brown R K., & Corbett J R (2011), “Interpretation of SPECT/CT myocardial perfusion images: common artifacts and quality control techniques”, Radiographics, 31(7), 2041-2057 17 Dwivedi V P., Joshi C K., Laurent T., Bengio Y., & Bresson X (2020), “Benchmarking graph neural networks”, arXiv preprint arXiv:2003.00982 18 Garcia E V., Slomka P., Moody J B., Germano G., & Ficaro E P (2019), “Quantitative clinical nuclear cardiology, Part 1: Established applications”, Journal of Nuclear Medicine, 60(11), 1507-1516 19 Gree P J (1990), “Bayesian reconstructions from emission tomography data using a modified EM algorithm”, IEEE transactions on medical imaging, 9(1), 84-93 20 Hamilton W L., Ying R., & Leskovec J (2017, December), “Inductive representation learning on large graphs”, In Proceedings of the 31st International Conference on Neural Information Processing Systems (pp 1025-1035) 21 He K., Zhang X., Ren S., & Sun J (2016), “Deep residual learning for image recognition”, In Proceedings of the IEEE conference on computer vision and pattern recognition, (pp 770-778) 22 Hudson H M., & Larkin R S (1994), “Accelerated image reconstruction using ordered subsets of projection data”, IEEE transactions on medical imaging, 13(4), 601-609 23 Hughes T J (2012), A template-based method for semi-quantitative single photon emission computed tomography myocardial perfusion imaging, Doctoral dissertation, University of British Columbia 24 Ioffe S., & Szegedy C (2015, June) “Batch normalization: Accelerating deep network training by reducing internal covariate shift”, In International conference on machine learning (pp 448-456) PMLR 82 25 Jain A K (1989) “Image reconstruction from projections”, Fundamentals of Digital Image Processing, 431-475 26 Kaufman L (1987), “Implementing and accelerating the EM algorithm for positron emission tomography”, IEEE transactions on medical imaging, 6(1), 37-51 27 Khalil M M (2010), “Elements of gamma camera and SPECT systems”, In Basic Sciences of Nuclear Medicine (pp 155-178) Springer, Berlin, Heidelberg 28 Khan M A., Hashim M J., Mustafa H., Baniyas M Y., Al Suwaidi S K B M., AlKatheeri R., & Lootah S N A H (2020), “Global epidemiology of ischemic heart disease: Results from the global burden of disease study”, Cureus, 12(7) 29 Kipf T N., & Welling M (2016), “Semi-supervised classification with graph convolutional networks”, arXiv preprint arXiv:1609.02907 30 Krizhevsky A., & Hinton G (2010), “Convolutional deep belief networks on cifar-10”, Unpublished manuscript, 40(7), 1-9 31 Krizhevsky A., Sutskever I., & Hinton G E (2012), “Imagenet classification with deep convolutional neural networks”, Advances in neural information processing systems, 25, 1097-1105 32 Lange K., & Carson R (1984), “EM reconstruction algorithms for emission and transmission tomography”, J Comput Assist Tomogr, 8(2), 306-16 33 LeCun Y., Bottou L., Bengio Y., & Haffner P (1998), “Gradient-based learning applied to document recognition”, Proceedings of the IEEE, 86(11), 2278-2324 34 Levie R., Monti F., Bresson X., & Bronstein M M (2018), “Cayleynets: Graph convolutional neural networks with complex rational spectral filters”, IEEE Transactions on Signal Processing, 67(1), 97-109 35 Li Y., Yu R., Shahabi C., & Liu Y (2017), “Diffusion convolutional recurrent neural network: Data-driven traffic forecasting”, arXiv preprint arXiv:1707.01926 36 Liu Y H., Lam P T., Sinusas A J., & Frans J T (2002), “Differential effect of 180 and 360 acquisition orbits on the accuracy of SPECT imaging: quantitative evaluation in phantoms”, Journal of Nuclear Medicine, 43(8), 1115-1124 37 Liu Y H., Sinusas A J., DeMan P., Zaret B L., & Frans J (1999), “Quantification of SPECT myocardial perfusion images: methodology and validation of the Yale-CQ method”, Journal of Nuclear Cardiology, 6(2), 190203 83 38 Monti F., Boscaini D., Masci J., Rodola E., Svoboda J., & Bronstein M M (2017), “Geometric deep learning on graphs and manifolds using mixture model cnns”, In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 5115-5124) 39 Mueen A., Baba S., & Zainuddin R (2007), “Multilevel feature extraction and X-ray image classification”, Journal of Applied Sciences, 7(8), 12241229 40 Nikolentzos G., Thomas M., Rivera A R., & Vazirgiannis M (2020, December), “Image Classification Using Graph-Based Representations and Graph Neural Networks”, In International Conference on Complex Networks and Their Applications (pp 142-153) Springer, Cham 41 Radon J (1917), “On the determination of functions from their integrals along certain manifolds”, Ber Verh, Sachs Akad Wiss., 69, 262-277 42 Rawat W., & Wang Z (2017), “Deep convolutional neural networks for image classification: A comprehensive review”, Neural computation, 29(9), 2352-2449 43 Shi Z., Ye Y., & Wu Y (2016), “Rank-based pooling for deep convolutional neural networks”, Neural Networks, 83, 21-31 44 Shuman D I., Narang S K., Frossard P., Ortega A., & Vandergheynst P (2013), “The emerging field of signal processing on graphs: Extending highdimensional data analysis to networks and other irregular domains”, IEEE signal processing magazine, 30(3), 83-98 45 Simonyan K., & Zisserman A (2014), “Very deep convolutional networks for large-scale image recognition”, arXiv preprint arXiv:1409.1556 46 Sperduti A., & Starita A (1997), “Supervised neural networks for the classification of structures”, IEEE Transactions on Neural Networks, 8(3), 714-735 47 Spier N., Nekolla S., Rupprecht C., Mustafa M., Navab N., & Baust M (2019), “Classification of polar maps from cardiac perfusion imaging with graph-convolutional neural networks”, Scientific reports, 9(1), 1-8 48 Szegedy C., Ioffe S., Vanhoucke V., & Alemi A A (2017, February), “Inception-v4, inception-resnet and the impact of residual connections on learning”, In Thirty-first AAAI conference on artificial intelligence 49 Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., & Rabinovich A (2015), “Going deeper with convolutions”, In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 1-9) 50 T N Kipf and M Welling (2016), “Variational graph auto-encoders” NIPS Workshop on Bayesian Deep Learning 84 51 Veličković P., Cucurull G., Casanova A., Romero A., Lio P., & Bengio Y (2017), “Graph attention networks”, arXiv preprint arXiv:1710.10903 52 Wu Z., Pan S., Chen F., Long G., Zhang C., & Philip S Y (2020), “A comprehensive survey on graph neural networks”, IEEE transactions on neural networks and learning systems, 32(1), 4-24 53 Xu K., Hu W., Leskovec J., & Jegelka S (2018), “How powerful are graph neural networks?”, arXiv preprint arXiv:1810.00826 54 Yadav S S., & Jadhav S M (2019), “Deep convolutional neural network based medical image classification for disease diagnosis”, Journal of Big Data, 6(1), 1-18 55 Yan S., Xiong Y., & Lin D (2018, April), “Spatial temporal graph convolutional networks for skeleton-based action recognition”, In Thirtysecond AAAI conference on artificial intelligence 56 Yuan X., Yang Z., Zouridakis G., & Mullani N (2006, August), “SVMbased texture classification and application to early melanoma detection”, In 2006 International Conference of the IEEE Engineering in Medicine and Biology Society (pp 4775-4778) IEEE 57 Zeiler M D., & Fergus R (2014, September), “Visualizing and understanding convolutional networks”, In European conference on computer vision (pp 818-833) Springer, Cham Tiếng Việt 58 Bùi Ngọc Tùng, Nguyễn Chí Thành, Nguyễn Thành Trung, Lại Phú Minh, Nguyễn Hoàng Việt, Phùng Vũ Hạnh My (2021), “Chẩn đoán bệnh động mạch vành dựa ảnh cực spect sử dụng mạng nơ-ron đồ thị”, Tạp chí Nghiên cứu Khoa học Cơng nghệ quân (JMST), (Số Đặc san Hội thảo Quốc Gia FEE2021), tr 220-224 ... toán xây dựng mơ hình giúp chẩn đốn bệnh mạch vành dựa ảnh chụp SPECT tưới máu tim Mô hình nhận đầu vào ảnh chụp SPECT kết hợp với chẩn đốn lâm sàng ban đầu đưa xác suất dự đoán khả mắc bệnh. ..ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ BÙI NGỌC TÙNG Xây dựng mơ hình học máy hỗ trợ chẩn đoán bƣớc đầu bệnh mạch vành dựa ảnh chụp SPECT tƣới máu tim Ngành: Khoa học máy tính... chun dụng Hình ảnh giúp bác sĩ chẩn đoán nơi máu cung cấp đầy đủ nơi không tưới máu đủ hẹp mạch vành Vài sau, bệnh nhân chụp phim lần Ảnh đầu chụp xạ hình tưới máu tim ảnh thể mật độ tưới máu lát