Pha t hie n va di nh lu o ng to n thu o

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Nha Trang, ngày 8-9/10/2020 DOI: 10.15625/vap.2020.00203 PHÁT HIỆN VÀ ĐỊNH LƯỢNG TỔN THƯƠNG DO XUẤT HUYẾT NÃO SỬ DỤNG CHỈ SỐ HOUNSFIELD VÀ MẠNG NƠRON R-FCN Phan Anh Cang1, Trần Phan An Trường1, Võ Văn Quyền2, Phan Thượng Cang3 Khoa Công nghệ thông tin, Trƣờng Đại học Sƣ phạm Kỹ thuật Vĩnh Long Đại học Y dƣợc Cần Thơ Khoa Công nghệ thông tin Truyền thông, Trƣờng Đại học Cần Thơ cangpa@vlute.edu.vn, truongtpa@vlute.edu.vn, vovanquyen@ctump.edu.vn, ptcang@cit.ctu.edu.vn TÓM TẮT: Trong năm gần đây, xuất huyết não có xu hướng gia tăng nhanh chóng bệnh nguy hiểm Do đó, việc phát định lượng tổn thương xuất huyết não, đồng thời phân loại tự động vùng xuất huyết cần thiết cho bác sĩ điều trị Thách thức bác sĩ chẩn đoán xuất huyết não chẩn đoán kết nhanh, xác phụ thuộc vào kinh nghiệm chuyên môn Trong báo này, đề xuất cách tiếp cận sử dụng số Hounsfield kỹ thuật học sâu phân tích xuất huyết não từ ảnh CT/MRI sọ não Chúng dựa vào số Hounsfield Unit để xác định tự động vùng xuất huyết định lượng tổn thương xuất huyết gây Nghiên cứu sử dụng mơ hình mạng Faster R-CNN R-FCN việc phân loại đa lớp xuất huyết não tự động Phương pháp đề xuất hỗ trợ hiệu cho bác sĩ chẩn đốn biết vị trí, thời gian mức độ nghiêm trọng bệnh xuất huyết để có phác đồ điều trị phù hợp kịp thời Qua thực nghiệm, phương pháp chúng tơi đạt độ xác trung bình (độ đo mAP) 87 % Từ khóa: Xuất huyết não, ảnh CT/MRI, Hounsfield Unit, Faster R-CNN, R-FCN I GIỚI THIỆU Xuất huyết não hay đƣợc gọi chảy máu não dạng đột quỵ nguy hiểm, chiếm tỷ lệ 15 % trƣờng hợp đột quỵ nhƣng tỷ lệ tử vong cao, để lại di chứng nặng nề nhƣ: rối loạn vận động, nhận thức, tàn phế,… Bệnh thƣờng xảy nhóm ngƣời cao tuổi với độ tuổi trung bình từ 50 - 70 [1], [2], [3] Tuy nhiên, đột quỵ nói chung xuất huyết não nói riêng yếu tố quan trọng bệnh nhân đƣợc cấp cứu khoảng “thời gian vàng” nên việc xác định thời gian bệnh nhân bắt đầu bị xuất huyết não quan trọng, ảnh hƣởng đến phác đồ bác sĩ tƣơng ứng thời điểm bệnh nhân đƣợc xử lý phƣơng pháp khác để đảm bảo hiệu cao Trong vòng 2-4 đầu, bệnh nhân chảy máu não cần phải nhập viện sớm tốt để đƣợc chẩn đoán nhanh điều trị kịp thời Chụp cắt lớp vi tính (CT/MRI) phƣơng thức đƣợc sử dụng rộng rãi để phát xuất huyết não Xuất huyết bất thƣờng xuất dƣới dạng vùng sáng tƣơng phản với mơ khác hình ảnh CT/MRI Việc phát xuất huyết quan trọng để tiến hành điều trị kịp thời cách Điều trị xuất huyết phụ thuộc vào vị trí, nguyên nhân mức độ xuất huyết Việc phát xuất huyết não ảnh CT/MRI dƣới hỗ trợ máy tính để cung cấp thêm thông tin cho bác sĩ chẩn đoán trƣớc đƣa phác đồ điều trị cần thiết Thách thức phát xuất huyết não dƣới hỗ trợ máy tính cải thiện độ xác phân loại phân vùng xuất huyết Nhiều phƣơng pháp khác đƣợc trình bày nhà nghiên cứu với hy vọng đạt đƣợc độ xác phát xuất huyết tốt Lipisha Chaudhary Ishika Prasad [4] thực vào năm 2018 đề xuất phƣơng pháp giải vấn đề chẩn đốn loại xuất huyết não cấp tính cách sử dụng mơ hình mạng CNN LSMT Duaa Mohammad Alawad [5] cộng thực nghiên cứu vào cuối năm 2019 phƣơng pháp hình thái học ảnh CT/MRI Nhóm tác giả thực tiền xử lý giúp loại bỏ vỏ não, tìm kiếm vùng nghi ngờ xuất huyết não phƣơng pháp Otsu cuối thực phân lớp kỹ thuật SVM Qua nghiên cứu gần thấy, việc áp dụng phƣơng pháp hình thái học xử lý ảnh, mạng CNN phân vùng phân loại xuất huyết não đƣợc quan tâm nghiên cứu Tuy nhiên, hầu hết nghiên cứu chƣa có kết hợp với chuyên môn thực tế bác sĩ họ thƣờng dựa vào số Hounsfield Unit (HU) [1] [2] để xác định thời gian, mức độ vị trí vùng xuất huyết não ảnh CT để đƣa chẩn đốn bệnh xác Trong nghiên cứu này, đề xuất thực tập ảnh CT/MRI đƣợc thu thập từ số bệnh viện, phối hợp với số bác sĩ chẩn đốn hình ảnh có kinh nghiệm ứng dụng số HU vào hai giai đoạn: giai đoạn khoanh vùng xuất huyết tập ảnh CT/MRI đầu vào dựa vào giá trị HU để gán nhãn loại tự động dƣới giám sát bác sĩ chuyên môn, tập liệu đƣợc sử dụng cho pha huấn luyện đƣợc trình bày cụ thể phần III.A; giai đoạn thực phân vùng, phân loại tự động dựa vào HU mơ hình mạng nơron Faster R-CNN, R-FCN Trong nghiên cứu tập trung vào bốn loại xuất huyết não thƣờng gặp nhƣ đƣợc biểu diễn Hình Ngồi ra, chúng tơi đề xuất sử dụng số HU để định lƣợng đƣợc tổn thƣơng vùng xuất huyết não bao gồm: thời gian mức độ xuất huyết não Hình Ảnh chụp CT bốn loại xuất huyết não: (a) Xuất huyết cứng - EDH; (b) Xuất huyết dƣới cứng - SDH; (c) Xuất huyết khoang dƣới nhện - SAH; (d) Xuất huyết não thất - ICH 476 PHÁT HIỆN VÀ ĐỊNH LƢỢNG TỔN THƢƠNG DO XUẤT HUYẾT NÃO SỬ DỤNG CHỈ SỐ HOUNSFIELD… II NGHIÊN CỨU LIÊN QUAN A Định lượng tổn thương vùng xuất huyết não dựa vào số Hounsfield Unit (HU) Phƣơng pháp phổ biến để chẩn đoán xuất huyết não chụp ảnh CT/MRI sọ não Bác sĩ dựa vào dấu hiệu bất thƣờng xuất dƣới dạng vùng sáng tƣơng phản với mô khác hình ảnh CT/MRI để chẩn đốn bệnh Những dấu hiệu biểu qua giá trị đậm màu Hounsfield Unit (HU) Tập liệu ảnh CT/MRI sọ não đƣợc thu thập theo chuẩn DICOM, chuẩn ảnh số truyền thông y tế [6], [7] Tập ảnh chứa thông tin bệnh nhân, bệnh viện, thông số chụp/chiếu Trong nghiên cứu này, xử lý trực tiếp ảnh chuẩn DICOM tính giá trị HU theo cơng thực tuyến tính (1) [3] Trong đó, giá trị điểm ảnh, giá trị giá trị lƣu trữ ảnh CT/MRI chuẩn DICOM (1) Mỗi vùng mơ có trị số tƣơng ứng với mức độ hấp thụ tia mô đƣợc biểu thị độ xám khác biểu diễn Hình Trị số mức độ hấp thụ tia X cấu trúc nội sọ (Bảng 1) đƣợc biểu thị đơn vị Hounsfield Mức độ hấp thụ tia X nhiều giá trị Hounsfield cao ngƣợc lại (Hình 2) Khối máu tụ cấp tính bệnh nhân xuất huyết não thƣờng có đậm độ cao nhu mơ não Theo thời gian, khối máu tụ giảm dần đậm độ HU làm cho bác sĩ gặp khó khăn chẩn đoán Dựa vào giá trị HU Bảng 2, định lƣợng tổn thƣơng vùng xuất huyết não: thời gian xuất huyết mức độ xuất huyết (máu tụ mạn tính hay cấp tính) Bảng Mức độ hấp thụ tia X ảnh CT/MRI đơn vị Hounsfield [1] Cấu trúc Giá trị HU Nước Dịch não tủy - 10 Xuất huyết, tụ máu 40-90 Đóng vơi, xương 90 – 250 Hình Thang độ xám thay đổi giá trị đậm độ HU [1] Bảng Thời gian xuất huyết não dựa vào số HU [8] Cấp độ xuất huyết Cấp tính Bán tính Mãn tính Giá trị HU 50 - 60 < 40 18 - 30 Thời gian bệnh (ngày) 1–3 – 14 14 - 21 B Mạng trích xuất đặc trưng ResNet (Residual Network) ResNet (Residual Neural Network) [9] đƣợc đề xuất vào năm 2015 tác giả từ nhóm nghiên cứu từ Microsoft Research Bằng cách sử dụng ResNet, nhóm tác giả huấn luyện thành công mạng với 152 lớp tập liệu ImageNet (độ sâu gấp lần mạng VGG, nhƣng độ phức tạp mạng dƣ thấp hơn) với tỷ lệ lỗi 3,75% giành chiến thắng thi ILSVRC2015 Cấu trúc ResNet tăng tốc q trình huấn luyện mạng nơron nhanh độ xác mơ hình đƣợc cải thiện đáng kể cách thêm kênh kết nối trực tiếp vào mạng cho phép thông tin đầu vào ban đầu đƣợc truyền trực tiếp đến lớp Trong Hình 3, mơ hình mạng học phần dƣ đầu mạng trƣớc thay học tồn đầu Vì vậy, ResNet cịn đƣợc gọi mạng phần dƣ Mạng tích chập truyền thống có tƣợng thất thốt, mát thơng tin đƣợc truyền đi, đồng thời khiến gradient biến bùng nổ làm mạng huấn luyện ResNet giải vấn đề mức độ định Nó đảm bảo tính tồn vẹn thơng tin cách cần tìm hiểu phần khác biệt đầu vào đầu Bảng Kiến trúc tổng thể ResNet [9] Layer name Cov1 Pooling Cov2_x Cov3_x Cov4_x Cov5_x Hình Minh hoạ ResNet block [9] FC Input ] [ [ ] [ ] [ [ ] ] 4-D, softmax Phan Anh Cang, Trần Phan An Trƣờng, Võ Văn Quyền, Phan Thƣợng Cang 477 C Mơ hình mạng Faster R-CNN Faster R-CNN mơ hình mạng tốt họ mơ hình mạng R-CNN (R-CNN, Fast R-CNN) đƣợc công bố vào năm 2015 Kiến trúc Faster R-CNN [10] bao gồm mạng chính: mạng đề xuất vùng RPN (Region proposal network) mạng phát đối tƣợng Mạng đề xuất vùng RPN (Region proposal network) Mạng đề xuất vùng [10] [11] lấy convolution feature map đƣợc tạo mạng CNN làm đầu vào, đầu anchors box (Hình 4) đƣợc tạo cách tích chập cửa sổ trƣợt đƣợc áp dụng feature map đầu vào a) Sơ đồ ứng dụng RPN cho đề xuất vùng xuất huyết b) Kiến trúc Anchors Hình Chức RPN (Bản đồ tính đề xuất khu vực) [11] Anchors box [11]: Đối với cửa sổ trƣợt, mạng tạo số lƣợng tối đa anchors Theo mặc định, giá trị (có tỷ lệ co giãn ảnh tỷ lệ khung hình ) cho lần trƣợt khác vị trí hình ảnh Do đó, feature map , nhận đƣợc anchors Các đề xuất khu vực sau đƣợc chuyển vào lớp trung gian có kích thƣớc padding 256 (cho ZF) 512 (cho VGG-16) kênh đầu Đầu đƣợc tạo từ lớp đƣợc chuyển vào hai lớp tích chập có kích thƣớc , lớp phân loại (classification layer) lớp hồi quy (regression layer) Lớp hồi quy có tham số đầu (biểu thị tọa độ hộp giới hạn) lớp phân loại có tham số đầu biểu thị xác suất có đối tƣợng khơng đối tƣợng) Giá trị Loss đƣợc tính theo cơng thức Trong đó, { }{ } ∑ ∑ = Xác suất dự đốn neo có chứa đối tƣợng hay không = Giá trị chân lý neo có chứa đối tƣợng hay khơng = Tọa độ anchors dự đoán = Tọa độ chân lý mặt đất liên kết với hộp giới hạn = Suy hao hồi quy (Ở đây, = ) = Tham số chuẩn hóa kích thƣớc lơ nhỏ (~ 256) = Tham số chuẩn hóa hồi quy (bằng số vị trí anchors ~ 2400) Mạng phát đối tƣợng (Object detection Network) Mạng phát đối tƣợng đƣợc sử dụng Faster R-CNN tƣơng tự với mạng đƣợc sử dụng Fast RCNN Mạng Faster R-CNN sử dụng lớp tổng hợp RoI để đƣa đề xuất vùng có kích thƣớc cố định hai lớp phân loại softmax phát vùng regressor sử dụng dự đoán đối tƣợng khoanh vùng đối tƣợng (Hình 5) Hình Kiến trúc Faster R-CNN [10] PHÁT HIỆN VÀ ĐỊNH LƢỢNG TỔN THƢƠNG DO XUẤT HUYẾT NÃO SỬ DỤNG CHỈ SỐ HOUNSFIELD… 478 D Mô hình mạng R-FCN Mơ hình mạng R-FCN [12] phát đối tƣợng qua hai giai đoạn nhƣ đƣợc biểu diễn Hình 6: (i) Đề xuất vùng (ii) phân lớp vùng Tuy nhiên, R-FCN đƣợc công bố với cải tiến sử dụng “position-sensitive score maps” để giải vấn đề tranh chấp tịnh tiến bất biến phân lớp ảnh tịnh tiến biến đổi nhận dạng đối tƣợng nhằm đáp ứng yêu cầu hầu hết tính tốn đƣợc chia sẻ toàn ảnh Với đề xuất vùng (RoI), R-FCN thực phân lớp vùng vào lớp đối tƣợng Trong R-FCN, tất lớp có trọng số học tích chập đƣợc tính tốn tồn ảnh Lớp tích chập cuối sinh “bank” score maps cho lớp Vì vậy, R-FCN có kênh output với C lớp đối tƣợng + “Bank” tƣơng ứng với lƣới khơng gian kích thƣớc mơ tả vị trí tƣơng đối Ví dụ, với score maps mã hóa trƣờng hợp (phía trên-bên trái, phía trên-ở giữa, phía trên-bên phải, … phía dƣới-bên phải) lớp đối tƣợng Kết thúc R-FCN lớp tổng hợp (pooling) RoI nhạy cảm vị trí Lớp có nhiệm vụ nhận vào kết lớp tích chập cuối để tạo tỉ số (score) cho RoI Tầng RoI nhạy cảm vị trí R-FCN tiến hành tổng hợp chọn lọc “bin” nhận vào hồi đáp từ score map đầu “bank” score map Với việc huấn luyện từ đầu đến cuối, lớp RoI hƣớng dẫn lớp tích chập cuối họ đồ vị trí nhạy cảm đặc biệt R-FCN làm việc với bƣớc nhƣ sau: - Bước 1: Chạy mạng nơron tích chập (CNN) hình ảnh đầu vào - Bước 2: Thêm lớp fully convolutional để tạo score map Nên có score maps (trong số điểm tƣơng đối để chia đối tƣợng, C số lớp đối tƣợng, +1 nền) - Bước 3: Chạy mạng RPN đề xuất để tạo RoI - Bước 4: Đối với RoI, chia thành “bin” hay gọi tiểu vùng, sử dụng tiểu vùng nhƣ score map - Bước 5: Với tiểu vùng thực kiểm tra với “score bank” để xác định tiểu vùng khớp với vị trí tƣơng ứng đối tƣợng hay khơng - Bước 6: Trong trƣờng hợp, “bin” score map có giá trị khớp với đối tƣợng với lớp khác nhau, tính giá trị trung bình “bin” để thu giá trị điểm số (score) cho lớp - Bước 7: Phân lớp RoI với softmax véctơ chiều thu đƣợc a) Kiến trúc tổng thể R-FCN b) Ví dụ “score bank” kích thƣớc k×k Hình Kiến trúc tổng thể R-FCN [12] Bảng Bảng so sánh ƣu điểm – khuyết điểm mơ hình mạng Mơ hình Faster R-CNN R-FCN Ưu điểm Nhược điểm - Thời gian phát phân loại đối tƣợng nhanh mơ hình Có chia sẻ tính tốn thuộc họ R-CNN lớp nhƣng khơng hồn tồn - Chuyển đổi từ thuật tốn tìm kiếm chọn lọc sang mạng đề xuất vùng RPN Chia sẻ tất tính toán tất lớp, giúp giảm thời gian phát Thời gian huấn luyện mô phân loại đối tƣợng hình lớn Bảng so sánh số ƣu điểm nhƣợc điểm hai mơ hình mạng đƣợc sử dụng báo E Đánh giá độ xác mơ hình mạng nơron Trong toán phát phân lớp đối tƣợng đặc biệt toán phân loại đa lớp áp dụng nhiều mơ hình mạng nơron khác nhau, việc lựa chọn phƣơng pháp phù hợp để đánh giá so sánh cần thiết Một phƣơng pháp đƣợc sử dụng phổ biến xác định độ đo Mean Average Precision (mAP) Để xác định đƣợc độ đo mAP ta cần xác định đƣợc hai thành phần bao gồm: độ xác P (Precision) độ đo AP đƣợc xác định từ công thức (3-5) (3) Phan Anh Cang, Trần Phan An Trƣờng, Võ Văn Quyền, Phan Thƣợng Cang 479 (4) ∑ (5) Trong nghiên cứu này, phân vùng phân lớp nhiều loại xuất huyết ảnh CT/MRI Chúng áp dụng số Intersection over Union (IoU) để đo lƣờng mức độ trùng khớp vùng (vùng xuất huyết thật vùng dự đốn xuất huyết từ mơ hình mạng) Giá trị IoU giúp chúng tơi định lƣợng đo lƣờng mức độ tốt dự đoán mơ hình mạng mà chúng tơi thực nghiệm báo (Hình 7) Hình Mơ tả xác định IoU áp dụng phƣơng pháp đề xuất III PHƯƠNG PHÁP ĐỀ XUẤT Trong nghiên cứu này, đề xuất phƣơng pháp gồm hai pha: Pha huấn luyện pha kiểm thử nhƣ đƣợc biểu diễn Hình Chúng tơi thực nghiệm, so sánh, đánh giá hai mơ hình mạng Faster R-CNN R-FCN để lựa chọn mơ hình hiệu ứng dụng vào toán phát hiện, phân vùng định lƣợng tổn thƣơng vùng xuất huyết não Hình Mơ hình tổng qt phƣơng pháp đề xuất Theo Hình 8, đầu vào hệ thống cho hai pha sử dụng trực tiếp ảnh DICOM để đảm bảo chứa đầy đủ thơng tin giúp mơ hình mạng học hạn chế mát thông tin Ở pha huấn luyện, đề xuất sử dụng số HU Bảng để xác định vùng xuất huyết giúp hỗ trợ gán nhãn Dựa vào Bảng 2, định lƣợng vùng tổn thƣơng xuất huyết (thời gian, mức độ) Sau đó, hai mơ hình mạng Faster R-CNN R-FCN đƣợc sử dụng để huấn luyện phục vụ phân loại xuất huyết Đối với pha kiểm thử, chúng tơi sử dụng hai mơ hình mạng Faster R-CNN R-FCN để dự đoán loại xuất huyết não Sau chúng tơi trình bày chi tiết nội dung thực hai pha A Pha huấn luyện Tiền xử lý ảnh: Chúng thực chuyển đổi từ ảnh CT sọ não theo chuẩn DICOM sang ảnh số làm tập ảnh liệu đầu vào với giá trị HU đƣợc tính theo cơng thức (1) Việc sử dụng số HU giúp làm bật vùng xuất huyết não loại bỏ vùng nội sọ vùng khác không liên quan Rút trích đặt trưng: Chúng tơi sử dụng mơ hình mạng ResNet với 101 layer thực rút trích đặc trƣng tập ảnh liệu ResNet đƣợc xem mô hình mạng với số tầng layer lớn mang nhiều ƣu điểm đƣợc trình bày phần II.B Huấn luyện mơ hình mạng: Trƣớc huấn luyện mơ hình mạng, thực tiền xử lý để có tập ảnh liệu đầu vào Tập liệu đƣợc chia ngẫu nhiên theo tỷ lệ đề xuất 80 % (382 ảnh) cho giai đoạn huấn luyện 20 % (97 ảnh) cho giai đoạn kiểm thử Chúng thực huấn luyện với hai mô hình mạng Faster R-CNN R-FCN đƣợc trình bày phần II.C II.D 480 PHÁT HIỆN VÀ ĐỊNH LƢỢNG TỔN THƢƠNG DO XUẤT HUYẾT NÃO SỬ DỤNG CHỈ SỐ HOUNSFIELD… Lưu trữ đặt trưng, mơ hình huấn luyện: Kết thúc giai đoạn nhận đƣợc lƣu trữ đặc trƣng, nhãn phân lớp giá trị tham số huấn luyện vào sở liệu giúp phân vùng, phân loại xuất huyết não B Pha kiểm thử Sau kết thúc pha huấn luyện, hai mơ hình mạng Faster R-CNN R-FCN đƣợc chúng tơi kiểm thử để đánh giá độ xác khả phân vùng dự đoán loại xuất huyết não ảnh CT/MRI sọ não Phƣơng pháp đánh giá mơ hình mạng nơron chúng tơi sử dụng pha độ đo AP mAP đƣợc trình bày phần II.E IV KẾT QUẢ THỰC NGHIỆM Tập liệu sử dụng báo đƣợc thu thập từ số bệnh viện với số lƣợng 479 ảnh MRI sọ não theo chuẩn DICOM bao gồm 79 ảnh loại xuất huyết EDH; 54 ảnh loại SDH; 90 ảnh loại SAH 256 ảnh loại ICH Với số HU mà đề xuất pha huấn luyện, vùng xuất huyết đƣợc xác định tự động gán nhãn tập liệu dƣới hỗ trợ chuyên gia, bác sĩ chuyên khoa góp phần tạo nên tập liệu huấn luyện có độ tin cậy cao Để thực nghiệm, thực cài đặt, huấn luyện môi trƣờng Google Colab, sử dụng ngôn ngữ Python với hệ điều hành Ubuntu 18.04, RAM 32 GB dùng GPU Nvidia Tesla P100 thƣ Tensorflow GPU 1.15 A Phân vùng định lượng tổn thương vùng xuất huyết não So với kết nghiên cứu gần ứng dụng kỹ thuật học sâu phân vùng phát xuất huyết não [13], phƣơng pháp đề xuất sử dụng số HU giúp bao đóng xác hầu hết vùng xuất huyết, phân loại đƣợc nhiều loại xuất huyết não ảnh bệnh nhân (Hình 9, 10) Bên cạnh đó, phƣơng pháp đề xuất định lƣợng tổn thƣơng vùng xuất huyết não (thời gian mức độ xuất huyết) Hình Kết phân vùng xuất huyết não với phƣơng pháp Vidya [13] a) Kết nhận dạng với mạng Faster R-CNN ResNet b) Kết nhận dạng với mô hình mạng R-FCN Hình 10 Kết phân vùng phân loại xuất huyết não phƣơng pháp đề xuất B Phân loại xuất huyết não Việc lựa chọn mô hình học sâu phù hợp tập liệu có chất lƣợng đóng vai trị quan trọng giúp phƣơng pháp đề xuất có độ xác cao Với vơ số mơ hình học sâu mạnh mẽ cho hình ảnh, chúng tơi định tận dụng hai mơ hình học sâu phân lớp hiệu Faster R-CNN R-FCN Vì khơng có sẵn trọng số xử lý trƣớc cho hình ảnh y tế, không sử dụng phƣơng pháp học chuyển giao đào tạo tất lớp Trọng số mơ hình đƣợc khởi tạo cách sử dụng “COCO dataset” lớp đầu sigmoid đƣợc thêm vào để có đƣợc nhãn đầu cuối chúng tơi Ngồi ra, q trình huấn luyện, chúng tơi điều chỉnh tham số mơ hình mạng để đạt độ xác cao Bảng biểu diễn danh sách tham số huấn luyện mơ hình mạng, kích thƣớc ảnh đầu 512 x 512 giá trị learning rate mức 0.0003 hình huấn luyện Phan Anh Cang, Trần Phan An Trƣờng, Võ Văn Quyền, Phan Thƣợng Cang 481 Bảng Danh sách tham số huấn luyện mơ hình mạng Mơ hình mạng Faster R-CNN R-FCN Learning rate 0.0003 Batch size Num classes [0.25, 0.5, 1.0, 2.0] Score converter Softmax 0.0003 [0.25, 0.5, 1.0, 2.0] Softmax Scales Num step mAP@IOU Image size 200.000 0.5 512x512px 200.000 0.5 512x512px Trong q trình huấn huyện mơ hình, chúng tơi xác định số mát (Loss) mơ hình để đánh giá đƣa định dừng huấn luyện mơ hình chuyển sang pha kiểm thử Hình 11 biểu diễn kết so sánh số Classification Loss Localization Loss Total Loss mơ hình sau số lần huấn luyện (num_step) với giá trị Learning_rate 0.0003 Từ Hình 11 cho thấy, giá trị Classification Loss Localization Loss Total Loss mạng R-FCN có xu hƣớng ổn định giảm dần giá trị cực tiểu so với mạng Faster R-CNN Giá trị Total Loss mơ hình R-FCN dƣới 15 % so với Faster R-CNN sau trải qua khoảng 140.000 lần huấn luyện Điều có nghĩa mức độ sai sót dự đốn loại xuất huyết mơ hình R-FCN thấp so với Faster R-CNN (Hình 12) a) Classification Loss Faster R-CNN b) Localization Loss Faster R-CNN c) Total Loss Faster R-CNN d) Classification Loss R-FCN e) Localization Loss R-FCN f) Total Loss R-FCN Hình 11 Biểu đồ thay đổi giá trị Loss hai mơ hình mạng Faster R-CNN R-FCN a) Đọ đo AP phân lớp b) Độ đo mAP hai mơ hình mạng Faster R-CNN R-FCN Hình 12 Biểu đồ so sánh độ đo AP (Average Precision) mAP (mean Average Precision) hai mơ hình mạng lớp Hình 12 biểu diễn kết so sánh hai mơ hình mạng độ xác phân lớp trung bình AP mAP Mơ hình mạng R-FCN cho kết phân loại cao hầu hết lớp theo độ đo mAP@0.5IOU đạt 0,87 Điều làm cho mơ hình mạng R-FCN đạt đƣợc độ xác cao so với Faster R-CNN đến từ kiến trúc mạng học sâu với 101 layer tập liệu đƣợc đánh nhãn tự động sử dụng số HU Từ kết thực nghiệm, theo dõi để lựa chọn điểm dừng phù hợp huấn luyện mơ hình mạng nhƣ trình bày Trong trình huấn luyện mơ hình mạng, chúng tơi ghi nhận thời gian huấn luyện lần lƣợt với Faster R-CNN 21.85 22.05 với mơ hình mạng RFCN Khi khảo sát thời gian nhận dạng phát vùng xuất huyết não, mạng Faster R-CNN có thời gian trung bình phát phân loại vùng xuất huyết đạt 2,4 giây chậm so với mạng R-FCN đạt thời gian trung bình phát phân loại 1,1 giây V KẾT LUẬN Trong nghiên cứu này, đề xuất hƣớng tiếp cận dựa giá trị HU kỹ thuật mạng nơron Faster R-CNN, R-FCN Giá trị HU đƣợc bác sĩ chuyên khoa thƣờng sử dụng chẩn đoán định lƣợng tổn thƣơng vùng xuất huyết não ảnh CT/MRI Phƣơng pháp đề xuất không phân loại xuất huyết não mà cịn xác định xác vùng định lƣợng tổn thƣơng vùng xuất huyết não nhằm hỗ trợ hiệu cho 482 PHÁT HIỆN VÀ ĐỊNH LƢỢNG TỔN THƢƠNG DO XUẤT HUYẾT NÃO SỬ DỤNG CHỈ SỐ HOUNSFIELD… bác sĩ điều trị bệnh nhân Qua thực nghiệm, so sánh hai mơ hình mạng Faster R-CNN RFCN Kết cho thấy, mơ hình mạng R-FCN cho kết phân loại với độ xác cao Faster R-CNN độ xác trung bình (độ đo mAP) đạt 87 % có thời gian phân loại trung bình nhanh TÀI LIỆU THAM KHẢO [1] L V P Phạm Ngọc Hoa, CT Chấn Thƣơng Đầu, Nhà xuất Y học, 2011 [2] Đ V Lý Ngọc Liên, Chấn Thƣơng Sọ Não, Nhà xuất Y học, 2013 [3] Phan Anh Cang, Vo Van Quyen, Phan Thuong Cang, "Phát phân loại tự động xuất huyết não ảnh CT/MRI", Hội thảo quốc gia lần thứ XX: Một số vấn đề chọn lọc công nghệ thông tin truyền thông, 2017 [4] I P Lipisha Chaudhary, "Intracranial Hemorrhage Detection andSegmentation", 2020 [5] A M M T H Duaa Mohammad Alawad, "AIBH: Accurate Identification of Brain Hemorrhage Using Genetic Algorithm Based Feature Selection and Stacking", 2019 [6] I 12052, "Digital imaging and communication in medicine (DICOM)", 2017 [7] N M Tuân, "Tìm hiểu chuẩn lƣu trữ ảnh DICOM viết chƣơng trình đọc ảnh DICOM", Trƣờng Đại học Dân lập Hải Phòng, 2010 [8] Phan Anh Cang, Nguyen Thi My Nga, Phan Thuong Cang, "Chẩn đoán xuất huyết não dựa số Hounsfield kỹ thuật mạng nơron tích chập", Kỷ yếu hội nghị Quốc gia lần thứ XI nghiên cứu ứng dụng công nghệ thông tin (FAIR’11), 2018 [9] K He, X Zhang, S Ren and J Sun, "Deep Residual Learning for Image Recognition", IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, pp 770-778, 2016 [10] K H R G J S Shaoqing Ren, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", arXiv:1506.01497, 2015 [11] L S Q H Zhuoyao Zhong, "An Anchor-Free Region Proposal Network for Faster R-CNN based Text Detection Approaches", arXiv:1804.09003, 2018 [12] Y L K H J S Jifeng Dai, "R-FCN: Object Detection via Region-based Fully Convolutional Networks", arXiv:1605.06409, 2016 [13] A H Y M M.S.Vidya, "Automated detection of intracranial hemorrhage in noncontrast head computed tomography", Vol 1, 2020 [14] L C Ishika Prasad, "Intracranial Hemorrhage Detection and Segmentation", doi: 10.13140/RG.2.2.24201.67680, 2020 CLASSIFICATION AND QUANTIFICATION OF BRAIN HEMORRHAGIC LESIONS USING HOUNSFIELD AND R-FCN Phan Anh Cang, Tran Phan An Truong, Vo Van Quyen, Phan Thuong Cang ABSTRACT: In recent years, cerebral hemorrhage tends to increase rapidly and is one of the dangerous diseases Therefore, the detection and quantification of lesions caused by cerebral hemorrhage, and automatic classification of hemorrhagic regions are essential for doctors The challenge for doctors is to diagnose the results quickly, accurately and depends on professional experiences In this paper, we propose a new approach using the Hounsfield Unit and deep learning techniques in the analysis of brain hemorrhage from CT/MRI images We rely on the Hounsfield Unit to automatically determine the bleeding areas and quantify the bleeding damage This research uses the neural network model of Faster R-CNN and R-FCN in the multi-class classification of brain hemorrhage The proposed method effectively supports for diagnosing the location, duration and level of brain hemorrhagic so that doctors can have appropriate and timely treatment regimens From experimental results, our method achieves mean average precision (mAP) of 87 % Keywords: Brain hemorrhage, CT/MRI, Hounsfield Unit, Faster R-CNN, R-FCN  ... mơ h? ?nh m? ?ng Faster R-CNN R-FCN để lựa ch? ?n mơ h? ?nh hiệu ? ?ng d? ?ng v? ?o to? ?n ph? ?t hi? ?n, ph? ?n v? ?ng đ? ?nh lƣ? ?ng t? ? ?n thƣ? ?ng v? ?ng xu? ?t huy? ?t n? ?o H? ?nh Mơ h? ?nh t? ? ?ng qt phƣ? ?ng pháp đề xu? ?t Theo H? ?nh 8,... chu? ?n lƣu trữ ? ?nh DICOM vi? ?t chƣ? ?ng tr? ?nh đọc ? ?nh DICOM", Trƣ? ?ng Đại học D? ?n lập Hải Ph? ?ng, 2010 [8] Phan Anh Cang, Nguyen Thi My Nga, Phan Thuong Cang, "Ch? ?n ? ?o? ?n xu? ?t huy? ?t n? ?o dựa số Hounsfield... hu? ?n luy? ?n mơ h? ?nh m? ?ng nh? ? tr? ?nh bày Trong q tr? ?nh hu? ?n luy? ?n mơ h? ?nh m? ?ng, ghi nh? ? ?n thời gian hu? ?n luy? ?n l? ?n lƣ? ?t với Faster R-CNN 21.85 22.05 với mơ h? ?nh m? ?ng RFCN Khi kh? ?o s? ?t thời gian nh? ??n