LUẬN VĂN TỐT NGHIỆP KẾT HỢP XỬ LÝ TÍN HIỆU CẤU TRÚC VÀ MẠNG THẦN KINH TÍCH CHẬP TRONG ỨNG DỤNG PHÂN ĐOẠN ẢNH Y KHOA

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA ĐIỆN - ĐIỆN TỬ BỘ MÔN VIỄN THÔNG LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC ĐỀ TÀI: KẾT HỢP XỬ LÝ TÍN HIỆU CẤU TRÚC VÀ MẠNG THẦN KINH TÍCH CHẬP TRONG ỨNG DỤNG PHÂN ĐOẠN ẢNH Y KHOA GVHD: GS TS LÊ TIẾN THƯỜNG SVTH : TƠ THANH NHÃ VÕ THỊ THU GIANG TP HỒ CHÍ MINH, THÁNG 06 NĂM 2022 1810380 1812010 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA ĐIỆN - ĐIỆN TỬ BỘ MÔN VIỄN THÔNG -o0o - LUẬN VĂN TỐT NGHIỆP KẾT HỢP XỬ LÝ TÍN HIỆU CẤU TRÚC VÀ MẠNG THẦN KINH TÍCH CHẬP TRONG ỨNG DỤNG PHÂN ĐOẠN ẢNH Y KHOA GVHD: GS TS Lê Tiến Thường Sinh viên: Tô Thanh Nhã Võ Thị Thu Giang TP Hồ Chí Minh, 6/2022 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHÃI VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập – Tự – Hạnh phúc Số: /BKĐT Khoa: Điện – Điện tử Bộ Môn: Viễn Thông NHIỆM VỤ LUẬN VĂN TỐT NGHIỆP Họ tên: Tô Thanh Nhã MSSV: 1810380 Võ Thị Thu Giang MSSV: 1812010 Ngành: Điện – Điện tử Chuyên ngành: Kỹ thuật Điện tử - Truyền thông Đề tài: Kết hợp xử lý tín hiệu cấu trúc mạng thần kinh tích chập ứng dụng phân đoạn ảnh y khoa Nhiệm vụ: - Tìm hiểu lý thuyết xử lý tín hiệu cấu trúc mạng thần kinh tích chập - Xây dựng mơ hình mạng có cấu trúc dựa mạng thần kinh tích chập với mục tiêu phân đoạn ảnh y khoa - Tìm kiếm thu thập tập liệu ảnh y khoa chứa vùng bất thường, phân tích thống kê liệu ảnh - Huấn luyện mạng ảnh y khoa hiệu chỉnh lựa chọn thơng số tối ưu dựa phân tích sáng kiến lý thuyết nguyên tắc “thử sai” - Đánh giá, nhận xét kết quả, viết báo cáo trình thực kết luận Ngày giao nhiệm vụ luận văn: 03/01/2021 Ngày hoàn thành nhiệm vụ: 20/05/2022 Họ tên người hướng dẫn: Phần hướng dẫn GS TS Lê Tiến Thường, BM Viễn Thông, Khoa Điện – Điện Tử 100% Nội dung yêu cầu LVTN thông qua Bộ Môn TP.HCM, ngày 01 tháng 06 năm 2022 CHỦ NHIỆM BỘ MÔN NGƯỜI HƯỚNG DẪN CHÍNH PGS TS Đỗ Hồng Tuấn GS TS Lê Tiến Thường PHẦN DÀNH CHO KHOA, BỘ MÔN: Người duyệt (chấm sơ bộ): Đơn vị: Ngày bảo vệ: Điểm tổng kết: Nơi lưu trữ luận văn: Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Luận văn tốt nghiệp Tô Thanh Nhã – Võ Thị Thu Giang Hochiminh, June 6, 2022 Luận văn tốt nghiệp Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Lời cảm ơn Lời cảm ơn đầu tiên, nhóm chúng em xin gửi đến GS TS Lê Tiến Thường, người định hướng, dẫn cho chúng em tìm hiểu, nghiên cứu lĩnh vực xử lý tín hiệu cấu trúc Từ đó, với đề xuất đề tài này, chúng em có góc nhìn cụ thể đưa cách giải toán thực tế phân tích bất thường ảnh y khoa thơng qua phân đoạn Đồng thời, nhờ có giúp đỡ Thầy, chúng em có hội tiếp cận đến thành tựu bật xử lý cấu trúc graph mơ hình mạng thần kinh tích chập thời gian qua Những lời nhận xét, góp ý giúp đỡ Thầy giây phút khó khăn góp phần to lớn, tạo động lực cho chúng em vượt qua khó khăn tìm hiểu nghiên cứu đề tài Kế đến, nhóm chúng em xin cảm ơn q thầy khoa Điện – Điện tử truyền đạt cho chúng em kiến thức đại cương chuyên ngành, giúp chúng em có kiến thức kỹ vững vàng làm tiền đề cho phát triển chúng em; song song với việc tiếp nhận kiến thức, chúng em cũng truyền cảm hứng để trở thành kỹ sư, nhà nghiên cứu tâm huyết với nghề tương lai Cuối cùng, chúng em xin cảm ơn cha mẹ, người nuôi dạy chúng em nên người, nguồn động lực hậu phương vững để chúng em cố gắng, phấn đấu nỗ lực không ngừng để ngày hôm cũng xin cảm ơn bạn bè giúp đỡ, hỗ trợ cho chúng em nhiều để hoàn thành Luận văn tốt nghiệp đúng tiến độ nghiệm thu Tuy cố gắng hoàn thành nghiên cứu, trình tìm hiểu, thực báo cáo đề tài tồn nhiều hạn chế sai sót Rất mong mong nhận phản hồi, ý kiến đóng góp từ q thầy bạn sinh viên Xin chân thành cảm ơn TP HCM, ngày 1, tháng 6, năm 2022 Sinh viên thực Tô Thanh Nhã Lời cảm ơn i Võ Thị Thu Giang Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Lời cam đoan Chúng tên Tô Thanh Nhã Võ Thị Thu Giang, sinh viên khoa Điện - Điện tử, chuyên ngành Kỹ thuật Điện tử - Viễn thơng, khóa 2018, Đại học Quốc gia thành phố Hồ Chí Minh – Trường Đại học Bách Khoa Chúng xin cam đoan nội dung sau thật: (i) Cơng trình nghiên cứu hồn tồn chúng tơi thực hiện; (ii) Các tài liệu trích dẫn nghiên cứu tham khảo từ nguồn thực tế, có uy tín độ xác cao; (iii) Các số liệu kết nghiên cứu nhóm chúng tơi tự thực cách độc lập trung thực TP HCM, ngày 1, tháng 6, năm 2022 Sinh viên thực Tô Thanh Nhã Lời cam đoan ii Võ Thị Thu Giang Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Tóm tắt Đi song hành với đổi xã hội phát triển chóng mặt khoa học kỹ thuật công nghệ, khái niệm thời đại 1.0, 2.0, … cũng từ đời, qua thấy nhu cầu sử dụng công nghệ tiên tiến lĩnh vực, phải kể đến lĩnh vực y học Đặc biệt, việc có cơng cụ tự động đưa kết cách nhanh chóng xác sẽ phần loại bỏ áp lực ở nơi bác sĩ Tuy nhiên, việc phân đoạn tự động hình ảnh y tế thông thường nhiệm vụ khó khăn vì hình ảnh y tế có chất phức tạp, nhiều nhà nghiên cứu nghiên cứu nhiều cách tiếp cận để phân tích mẫu hình ảnh Trong đó, xu hướng ứng dụng tính chất quan trọng học sâu mạng thông minh nhân tạo ngày tăng, đặc biệt Mạng thần kinh tích chập (CNNs) lĩnh vực xử lý tín hiệu hình ảnh Thị giác máy tính, mang lại nhiều kết đáng ý Luận văn đề xuất phương pháp áp dụng xử lý tín hiệu dựa cấu trúc (GSP) cho kiến trúc CNNs ứng dụng vào việc phân đoạn hình ảnh y khoa, cùng với kiến thức CNN GSP Kiến trúc đặc biệt xử lý liệu dựa tích chập cấu trúc để trích xuất tính hình ảnh thay vì tích chập truyền thống, giúp tăng hiệu việc học liên kết lân cận Để tối ưu hóa trọng số lọc cấu trúc tìm ma trận kề phù hợp với liệu huấn luyện, thuật toán lan truyền ngược cũng sẽ phân tích kỹ Sau đó, mơ hình mạng áp dụng tập liệu hình ảnh y tế để giúp phát khu vực bất thường cần quan tâm Các khảo sát với số liệu cụ thể so sánh với phương pháp trước cho thấy hiệu mơ hình Cùng với đó, báo mơ hình cũng chứng nhận hội nghị SEATUC 2022 đạt giải Bài báo Kỹ thuật tốt Đây minh chứng hữu dụng mô hình việc nghiên cứu phân đoạn ảnh y tế tự động, hỗ trợ bác sĩ lập kế hoạch điều trị cho bệnh nhân Tóm tắt iii Tơ Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Abstract Alongside with social innovations is the simultaneously rapid development of science and technology, from which the concept of the age of industry 1.0, 2.0, … has arised, the need to use advanced technologies in every aspect of life thus be more obvious than ever, especially in the medical sector In particular, having the tools that can automatically give results promptly and accurately will partly eliminate the pressure on doctors Nevertheless, automatic segmentation of medical images generally is a difficult task because medical images are complex in nature therefore many researchers have studied a lot of approaches to analyze patterns of images In which, the crucial applications of deep learning in artificial intelligent networks are growing trends, especially Convolutional Neural Networks (CNNs) in the field of image signal processing and Computer Vision, yielding many remarkable results This thesis proposes a method to apply graph-based signal processing (GSP) to CNNs architecture for medical image segmentation application, along with basic knowledge about CNNs and GSP To be more specific, the architecture processes data based on the graph convolution to extract features in the image instead of the traditional convolution, which helps to increase efficiency in learning neighboring links In the attempt to optimize the weights of the graph filter and find the adjacency matrix that fits the training data, a backpropagation algorithm will be analyzed carefully Then, the network model is applied on the dataset of medical images to help detect abnormal areas of interest Surveys with specific data and comparisons with previous methods have shown the effectiveness of the model Along with that, the paper about the proposed model was also certified at the SEATUC 2022 conference and won the award for Best Technical Paper This is a demonstration of the applicability of the model in automatic medical image segmentation, assisting doctors in planning treatment for patients Abstract iv Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Mục lục Lời cảm ơn i Lời cam đoan ii Tóm tắt iii Abstract iv Mục lục v Danh sách bảng ix Danh sách hình vẽ x Danh sách từ viết tắt xiii Chương Giới thiệu 1.1 Tổng quan 1.1.1 Đặt vấn đề 1.1.2 Sơ lược ảnh y học 1.1.3 Chẩn đoán bệnh dựa hình ảnh 1.1.4 Bài toán phân đoạn ảnh y khoa 1.2 Các phương pháp phân đoạn ảnh y khoa 1.2.1 Phương pháp xử lý ảnh truyền thống 1.2.2 Phương pháp ghi nhớ 1.2.3 Phương pháp học máy 1.2.4 Phương pháp học sâu 10 1.2.5 Phương pháp học cấu trúc 12 1.3 Mục tiêu nghiên cứu 14 1.4 Đối tượng phạm vi nghiên cứu 14 1.5 Các đóng góp luận văn 15 1.6 Kết luận chương 15 Mục lục v Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Chương Cơ sở lý thuyết 16 2.1 Lý thuyết cấu trúc 16 2.1.1 Khái niệm cấu trúc 16 2.1.2 Biểu diễn đại số cấu trúc 18 2.1.3 Toán tử dịch cấu trúc 19 2.1.4 Biến đổi Fourier cấu trúc 20 2.1.5 Bộ lọc cấu trúc 22 2.2 Các mơ hình mạng 23 2.2.1 Mạng thần kinh nhân tạo 23 2.2.2 Mạng thần kinh tích chập 25 2.3 Mô hình Graph CNN 29 2.4 Kết luận chương 30 Chương Nội dung phương pháp 31 3.1 Xử lý cấu trúc ảnh y khoa 31 3.2 Xây dựng mạng tích chập cấu trúc 35 3.2.1 Kiến trúc tổng quan 35 3.2.2 Lớp tích chập cấu trúc 37 3.2.3 Lớp lấy mẫu cấu trúc 39 3.2.4 Xác định hàm phi tuyến 41 3.3 Tối ưu mô hình mạng 44 3.3.1 Phương pháp tối ưu 44 3.3.2 Định nghĩa hàm mát 46 3.3.3 Học trọng số lọc cấu trúc 47 3.3.4 Học cấu trúc đại diện 47 3.4 Xác định giá trị khởi động 49 3.4.1 Khởi động trọng số lọc 49 3.4.2 Khởi động cấu trúc đại diện 49 3.5 Kết luận chương 50 Mục lục vi Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Tài liệu tham khảo [1] Kasban, H., El-Bendary, M A M., & Salama, D H., “A comparative study of medical imaging techniques” International Journal of Information Science and Intelligent System, vol 4, no 2, pp 37-58, 2015 [2] Pawlowski, N., Ktena, S I., Lee, M C., Kainz, B., Rueckert, D., Glocker, B., & Rajchl, M., “Dltk: State of the art reference implementations for deep learning on medical images”, arXiv preprint arXiv:1711.06853, 2017 [3] N Sharma and L M Aggarwal, “Automated medical image segmentation techniques,” Journal of medical physics/Association of Medical Physicists of India, vol 35, no 1, p 3, 2010 [4] N Ramesh, J.-H Yoo, and I Sethi, “Thresholding based on histogram approximation,” IEE Proceedings-Vision, Image and Signal Processing, vol 142, no 5, pp 271–279, 1995 [5] E R Hancock and J Kittler, “Edge-labeling using dictionary-based relaxation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 12, no 2, pp 165–181, 1990 [6] Y.-T Liow, “A contour tracing algorithm that preserves common boundaries between regions,” CVGIP: Image Understanding, vol 53, no 3, pp 313– 321, 1991 [7] T Law, H Itoh, and H Seki, “Image filtering, edge detection, and edge tracing using fuzzy reasoning,” IEEE transactions on pattern analysis and machine intelligence, vol 18, no 5, pp 481491, 1996 [8] H Kăalviăainen, P Hirvonen, L Xu, and E Oja, “Probabilistic and non-probabilistic hough transforms: overview and comparisons,” Image and vision computing, vol 13, no 4, pp 239–252, 1995 [9] L Tesaˇr, A Shimizu, D Smutek, H Kobatake, and S Nawano, “Medical image analysis of 3d ct images based on extension of haralick texture features,” Computerized Medical Imaging and Graphics, vol 32, no 6, pp 513–520, 2008 [10] A Tsai, A Yezzi, W Wells, C Tempany, D Tucker, A Fan, W E Grimson, and A Willsky, “A shape-based approach to the segmentation of medical imagery using level sets,” IEEE transactions on medical imaging, vol 22, no 2, pp 137– 154, 2003 [11] X Artaechevarria, A Munoz-Barrutia, and C Ortiz-de Solorzano, “Combination strategies in multiatlas image segmentation: application to brain mr data,” IEEE transactions on medical imaging, vol 28, no 8, pp 1266–1277, 2009 [12] J E Iglesias and M R Sabuncu, “Multi-atlas segmentation of biomedical images: a survey,” Medical image analysis, vol 24, no 1, pp 205–219, 2015 Tài liệu tham khảo 74 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường [13] C W Chen, J Luo, and K J Parker, “Image segmentation via adaptive k-mean clustering and knowledge-based morphological operations with biomedical applications,” IEEE transactions on image processing, vol 7, no 12, pp 1673–1683, 1998 [14] M Cheung, J Shi, O Wright, L Y Jiang, X Liu, and J M Moura, “Graph signal processing and deep learning: Convolution, pooling, and topology,” IEEE Signal Processing Magazine, vol 37, no 6, pp 139–149, 2020 [15] H A Vrooman, C A Cocosco, F van der Lijn, R Stokking, M A Ikram, M W Vernooij, M M Breteler, and W J Niessen, “Multispectral brain tissue segmentation using automatically trained k-nearestneighbor classification,” Neuroimage, vol 37, no 1, pp 71–81, 2007 [16] S Li, T Fevens, A Krzy˙zak, and S Li, “Automatic clinical image segmentation using pathological modeling, pca and svm,” Engineering Applications of Artificial Intelligence, vol 19, no 4, pp 403–410, 2006 [17] M Ozkan, B M Dawant, and R J Maciunas, “Neural-network-based segmentation of multi-modal medical images: a comparative and prospective study,” IEEE transactions on Medical Imaging, vol 12, no 3, pp 534–544, 1993 [18] S R Telrandhe, A Pimpalkar, and A Kendhe, “Detection of brain tumor from mri images by using segmentation & svm,” in 2016 World Conference on Futuristic Trends in Research and Innovation for Social Welfare (Startup Conclave) IEEE, 2016, pp 1–6 [19] H Seo, M Badiei Khuzani, V Vasudevan, C Huang, H Ren, R Xiao, X Jia, and L Xing, “Machine learning techniques for biomedical image segmentation: an overview of technical aspects and introduction to state-of-art applications,” Medical physics, vol 47, no 5, pp e148–e167, 2020 [20] O Ronneberger, P Fischer, and T Brox, “Unet: Convolutional networks for biomedical image segmentation,” in International Conference on Medical image computing and computer-assisted intervention Springer, 2015, pp 234–241 [21] B Kayalibay, G Jensen, and P van der Smagt, “Cnn-based segmentation of medical imaging data,” arXiv preprint arXiv:1701.03056, 2017 [22] M H Hesamian, W Jia, X He, and P Kennedy, “Deep learning techniques for medical image segmentation: achievements and challenges,” Journal of digital imaging, vol 32, no 4, pp 582–596, 2019 [23] Jensen, J A, “Estimation of blood velocities using ultrasound: a signal processing approach” Cambridge University Press, 1996 [24] Turečková, A., Tureček, T., Komínková Oplatková, Z., & Rodríguez-Sánchez, A., “Improving CT image tumor segmentation through deep supervision and attentional gates”, Frontiers in Robotics and AI, vol 7, no 106, 2020 [25] A Ortega, P Frossard, J Kovaˇcevi´c, J M Moura, and P Vandergheynst, “Graph signal processing: Overview, challenges, and applications,” Proceedings of the IEEE, vol 106, no 5, pp 808–828, 2018 Tài liệu tham khảo 75 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường [26] Kasban, H., El-Bendary, M A M., & Salama, D H., “A comparative study of medical imaging techniques” International Journal of Information Science and Intelligent System, vol 4, no 2, pp 37-58, 2015 [27] Bahade, S., Edwards, M and Xie, X, "Graph Convolution Networks for Cell Segmentation," in Proceedings of the 10th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2021), 2021 [28] Edwards, M and Xie, X., "Graph based convolutional neural network," in British Machine Vision Conference, 2016 [29] C v Tycowicz, "Towards shape-based knee osteoarthritis classification using graph convolutional networks," 2019 [30] M Buda, A Saha, and M A Mazurowski, “Association of genomic subtypes of lowergrade gliomas with shape features automatically extracted by a deep learning algorithm,” Computers in Biology and Medicine, vol 109, 2019 [31] Z Zhou, M M Rahman Siddiquee, N Tajbakhsh, and J Liang, “Unet++: A nested u-net architecture for medical image segmentation,” in Deep learning in medical image analysis and multimodal learning for clinical decision support Springer, 2018, pp 3–11 [32] T L B Khanh, D.-P Dao, N.-H Ho, H.-J Yang, E.-T Baek, G Lee, S.-H Kim, and S B Yoo, “Enhancing u-net with spatial-channel attention gate for abnormal tissue segmentation in medical imaging,” Applied Sciences, vol 10, no 17, p 5729, 2020 [33] V Rajinikanth, A N Joseph Raj, K P Thanaraj, and G R Naik, “A customized vgg19 network with concatenation of deep and handcrafted features for brain tumor detection,” Applied Sciences, vol 10, no 10, p 3429, 2020 [34] W Weng and X Zhu, “Inet: convolutional networks for biomedical image segmentation,” IEEE Access, vol 9, pp 16 591–16 603, 2021 Tài liệu tham khảo 76 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Phụ lục Minh chứng báo hội nghị quốc tế Thông tin báo đề tài: Title Graph-Based Signal Processing to Convolutional Neural Networks for Medical Image Segmentation Authors Thuong Le-Tien, Thanh-Nha To and Giang Vo Status Accepted Conference 16th South East Asian Technical University Consortium (SEATUC) Track Electrical and Electronic Engineering Keywords Graph Signal Processing; Convolutional Neural Networks; Image Segmentation; Deep Learning; Medical Images Similarity Rating ISSN 2186-7631 Abstract Auto-segmenting medical images normally is a difficult task because medical images are complex in nature therefore many researchers have studied a lot of approaches to analyze patterns of images The crucial applications of deep learning in artificial intelligent networks are growing trends, especially Convolutional Neural Networks (CNNs) in the field of image signal processing and Computer Vision, yielding many remarkable results In this paper, we propose a method to apply graph-based signal processing (GSP) to CNNs architecture for medical image segmentation application In particular, the processed architecture is based on the graph convolution to extract features in the image instead of the traditional convolution, which helps to increase efficiency in learning neighboring links We also introduce a back-propagation algorithm that optimizes the weights of the graph filter and finds the adjacency matrix that fits the training data Then, the network model is applied on the dataset of medical images to help detect abnormal areas of interests Phụ lục 77 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 78 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 79 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Giải thưởng Bài báo kỹ thuật Tốt nhất: Best Technical Paper Xác thực thông tin chi tiết tại: https://www.utm.my/seatuc2022/best-technical-paperaward/ Có thể tìm kiếm thơng qua quét QR đây: Phụ lục 80 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 81 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 82 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa GVHD: GS TS Lê Tiến Thường Bài báo đăng Hội nghị Quốc tế SEATUC 2022 Phụ lục 83 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 84 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 85 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 86 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 87 Tô Thanh Nhã, Võ Thị Thu Giang Kết hợp GSP CNN phân đoạn ảnh y khoa Phụ lục GVHD: GS TS Lê Tiến Thường 88 Tô Thanh Nhã, Võ Thị Thu Giang ... Chuyên ngành: Kỹ thuật Điện tử - Truyền thông Đề tài: Kết hợp xử lý tín hiệu cấu trúc mạng thần kinh tích chập ứng dụng phân đoạn ảnh y khoa Nhiệm vụ: - Tìm hiểu lý thuyết xử lý tín hiệu cấu trúc. .. ĐẠI HỌC BÁCH KHOA KHOA ĐIỆN - ĐIỆN TỬ BỘ MÔN VIỄN THÔNG -o0o - LUẬN VĂN TỐT NGHIỆP KẾT HỢP XỬ LÝ TÍN HIỆU CẤU TRÚC VÀ MẠNG THẦN KINH TÍCH CHẬP TRONG ỨNG DỤNG PHÂN ĐOẠN ẢNH Y KHOA GVHD: GS... trúc mạng thần kinh tích chập - X? ?y dựng mơ hình mạng có cấu trúc dựa mạng thần kinh tích chập với mục tiêu phân đoạn ảnh y khoa - Tìm kiếm thu thập tập liệu ảnh y khoa chứa vùng bất thường, phân