(Luận án tiến sĩ) Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng

i BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC CÔNG NGHỆ QUÂN SỰ LỜIVÀ CAM ĐOAN Tơi xin cam đoan, cơng trình nghiên cứu riêng Những nội dung, số liệu kết trình bày luận án hồn tồn trung thực chưa công bố cơng trình khác Các liệu tham khảo trích dẫn đầy đủ LÊ THỊ THU HỒNG Hà Nội, ngày tháng năm 2022 Tác giả NGHIÊN CỨU, PHÁT TRIỂN MỘT SỐ KỸ THUẬT Lê Thị Thu Hồng TRÊN HỌC SÂU ÁP DỤNG CHO PHÂN VÙNG POLYP ẢNH NỘI SOI ĐẠI TRÀNG LUẬN ÁN TIẾN SĨ TOÁN HỌC Hà Nội – 2022 ii BỘ GIÁO DỤC VÀ ĐÀO TẠO LỜI CẢM ƠN BỘ QUỐC PHỊNG VIỆN KHOA HỌC VÀ CƠNG NGHỆ QUÂN SỰ Luận án thực Viện Khoa học Cơng nghệ qn sự/Bộ Quốc phịng Lời đầu tiên, nghiên cứu sinh xin bày tỏ lòng cảm ơn sâu sắc tới TS Nguyễn Chí Thành TS Trần Quốc Long, thầy tận tình giúp đỡ, trang bị cho NCS phương pháp nghiên cứu, kinh nghiệm, kiến thức khoa học kiểm tra, đánh giá kết cứu nghiên cứu sinh LÊnghiên THỊ THU HỒNG Nghiên cứu sinh xin chân thành cảm ơn Thủ trưởng Viện KH-CN quân sự, Thủ trưởng cán Phịng Đào tạo, Viện Cơng nghệ thơng tin/Viện KHCNQS tạo điều kiện, hỗ trợ, giúp đỡ NCS trình học tập, nghiên cứu NGHIÊN CỨU, PHÁT TRIỂN MỘT SỐ KỸ THUẬT NCS xin bàyÁP tỏ lời cảm ơnCHO chân thành tới VÙNG thầy, POLYP cô giáo Viện HỌC SÂU DỤNG PHÂN TRÊN Công nghệ thơng tin, cácẢNH đồng nghiệp phịngĐẠI CơngTRÀNG nghệ tri thức phòng Phần NỘI SOI mềm chuyên dụng thuộc Viện Công nghệ thông tin/Viện KHCNQS động viên, chia sẻ, giúp đỡ NCS suốt thời gian qua Bên cạnh đó, NCS tốnnghiệp học chovà tincác họcbạn sinh viên xin gửi Chuyên lời cảmngành: ơn thầy Cơ cơ,sởđồng Mã số: 9460110 nhóm nghiên cứu thị giác máy tính Phịng thí nghiệm mục tiêu Trí tuệ nhân tạo (UET-AILAB) thuộc Trường Đại học Công nghệ, Đại học Quốc gia Hà nội, nhiệt tình đóng góp ý kiến q báu q trình học tập, nghiên cứu NCS LUẬN ÁN TIẾN SĨ TOÁN HỌC Nghiên cứu sinh ghi nhớ công ơn bố mẹ gia đình, người ln bên cạnh, động viên chỗ dựa mặt giúp nghiên cứu sinh vượt qua khó khăn để hoàn thành luận án TácKHOA giả luận án NGƯỜI HƯỚNG DẪN HỌC: TS Nguyễn Chí Thành Lê Thị Thu Hồng TS Trần Quốc Long Hà Nội – 2022 iii MỤC LỤC Trang DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT, THUẬT NGỮ vi DANH MỤC BẢNG BIỂU viii DANH MỤC CÁC HÌNH VẼ x MỞ ĐẦU CHƯƠNG TỔNG QUAN VỀ BÀI TOÁN PHÂN VÙNG POLYP TRÊN ẢNH NỘI SOI ĐẠI TRÀNG 1.1 Bài toán tự động phân vùng polyp ảnh nội soi đại tràng 1.1.1 Giới thiệu toán 1.1.2 Các liệu ảnh nội soi đại tràng chuẩn công bố 12 1.2 Kỹ thuật học sâu cho phân vùng đối tượng ảnh 16 1.2.1 Kỹ thuật học sâu 16 1.2.2 Kỹ thuật học chuyển giao 19 1.2.3 Mạng học sâu phân vùng đối tượng ảnh 21 1.2.4 Đánh giá phương pháp phân vùng đối tượng ảnh 23 1.2.5 Tăng cường liệu cho hệ thống học sâu 26 1.2.6 Mạng sinh liệu có điều kiện CGAN 26 1.2.7 Phương pháp học tự giám sát đặc trưng thị giác ảnh 27 1.3 Tình hình nghiên cứu tốn phân tích ảnh nội soi đại tràng 28 1.3.1 Tình hình nghiên cứu giới 28 1.3.2 Tình hình nghiên cứu nước 35 1.3.3 Những vấn đề tồn 37 1.3.4 Những vấn đề luận án tập trung giải 38 1.4 Kết luận Chương 39 CHƯƠNG MƠ HÌNH PHÂN VÙNG POLYP ĐẠI TRÀNG DỰA TRÊN MẠNG UNET CẢI TIẾN VÀ HÀM MẤT MÁT BẤT ĐỐI XỨNG KẾT HỢP 41 2.1 Đặt vấn đề 41 2.2 Phương pháp đề xuất 41 iv 2.2.1 Kiến trúc mơ hình học sâu đề xuất cho phân vùng polyp ảnh nội soi đại tràng 2.2.2 Mạng UNet điều chỉnh cho phân vùng polyp ảnh nội soi đại tràng 2.2.3 Tích hợp lớp CRF-RNN vào mạng UNet 2.2.4 Hàm mát bất đối xứng kết hợp AsymCE 2.2.5 Phương pháp học chuyển giao cho huấn luyện mô hình đề xuất 2.3 Thử nghiệm đánh giá kết 2.3.1 Các liệu thử nghiệm phương pháp tăng cường liệu huấn luyện 2.3.2 Môi trường cài đặt huấn luyện mơ hình độ đo đánh giá mơ hình 2.3.3 Đánh giá hiệu kỹ thuật phương pháp đề xuất (Ablation study) 2.3.4 Đánh giá độ phức tạp mơ hình đề xuất 2.3.5 So sánh, đánh giá kết phương pháp đề xuất với phương pháp công bố gần 2.4 Kết luận Chương CHƯƠNG PHƯƠNG PHÁP HỌC TỰ GIÁM SÁT ĐẶC TRƯNG THỊ GIÁC CỦA ẢNH NỘI SOI ĐẠI TRÀNG CHO PHÂN VÙNG 3.1 Đặt vấn đề 3.2 Phương pháp đề xuất 3.2.1 Mơ hình hệ thống học tự giám sát đặc trưng thị giác cho phân vùng polyp ảnh nội soi đại tràng 3.2.2 Mạng tái tạo ảnh nội soi đại tràng 3.2.3 Phân vùng polyp sử dụng chuyển giao tri thức học từ mạng tái tạo ảnh nội soi đại tràng 3.3 Thử nghiệm đánh giá kết 3.3.1 Các liệu thử nghiệm 42 43 46 48 54 55 55 56 56 64 65 71 73 73 75 75 75 79 80 80 81 v 3.3.2 Cài đặt mơ hình 3.3.3 Kết tái tạo ảnh 3.3.4 Kết phân vùng polyp 3.3.5 So sánh độ xác phân vùng polyp phương pháp đề xuất với phương pháp 3.4 Kết luận Chương CHƯƠNG PHƯƠNG PHÁP SINH DỮ LIỆU ẢNH NỘI SOI ĐẠI TRÀNG CÓ NHÃN PHÂN VÙNG POLYP 4.1 Đặt vấn đề 4.2 Phương pháp đề xuất 4.2.1 Mạng sinh ảnh nội soi đại tràng chứa polyp PolypGenPix2Pix 4.2.2 Kỹ thuật sinh điều kiện đầu vào cho mạng sinh ảnh 4.3 Thử nghiệm đánh giá kết 4.3.1 Các liệu thử nghiệm 4.3.2 Môi trường cài đặt huấn luyện mơ hình độ đo đánh giá mơ hình 4.3.3 Kết sinh ảnh nội soi chứa polyp mơ hình PolypGenPix2Pix 4.3.4 Đánh giá hiệu kỹ thuật sinh điều kiện đầu vào cho mạng sinh ảnh nội soi 4.3.5 So sánh độ xác mơ hình học sâu phân vùng polyp tăng cường liệu mơ hình sinh ảnh 4.4 Kết luận Chương KẾT LUẬN Các kết nghiên cứu luận án Những đóng góp luận án Hướng nghiên cứu DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ TÀI LIỆU THAM KHẢO 81 83 86 86 89 89 91 91 95 96 96 97 98 99 100 103 105 105 106 106 107 108 vi DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT Ký hiệu, chữ viết tắt Ý nghĩa ℝ𝒏 |𝓓| X∪Y X∩Y 𝑓(∙) log⁡(∙) exp⁡(∙) (∙)𝑇 ‖∙‖𝑝 Tập vector số thực n chiều Số lượng phần tử tập hợp 𝒟 Hợp hai tập hợp X Y Giao hai tập hợp X Y Hàm số Logarit tự nhiên Hàm mũ Chuyển vị ma trận vector Dạng chuẩn p Baseline CE CGAN CV Cơ sở Cross-Entropy Mạng sinh liệu đối nghịch có điều kiện (Conditional GAN) Mạng nơ-ron tích chập Tích chập Ung thư đại tràng (ColoRectal Cancer) Mơ hình xác suất trường ngẫu nhiên có điều kiện (Conditional Random Field) Thị giác máy tính (Computer Vision) Data Augumentation Decoder Deconvolution Discriminative model Tăng cường liệu Bộ giải mã Giải tích chập Mơ hình phân biệt Encoder Bộ mã hóa ‖∙‖ 𝑃(∙) 𝑧~𝑃 𝑃(𝑋|𝑌) 𝔼𝑥 [𝑓(𝑥)] CNN Convolution CRC CRF Dạng chuẩn Phân phối xác suất Biến ngẫu nhiên z với phân phối xác suất P Xác suất có điều kiện X|Y Kỳ vọng hàm f(x) vii GAN GD Generative model Image classification Knowlegde Transfer Loss function MSE NCS PACS Polyp Polyp classification Polyp detection Polyp mask Polyp segmentation Regularization RNN Self-supervised learning Self-supervised visual feature learning Semi-suppervised learning SSIM Supervised learning Testing set Training set Transfer learning Unsupervised learning Validing set Mạng sinh liệu đối nghịch (GAN- Generative Adversarial Networks) Thuật toán hạ gradient (Gradient Descent) Mơ hình sinh Phân loại ảnh Chuyển giao kiến thức Hàm mát Trung bình bình phương lỗi (Mean Squared Error) Nghiên cứu sinh Hệ thống lưu trữ truyền liệu hình ảnh (Picture Archiving and Communication Systems) Đối tượng bất thường đại tràng có nguy phát triển thành ung thư đại tràng Phân loại polyp Phát polyp Ảnh nhị phân thể hình dạng polyp Phân vùng polyp Điều chuẩn Mạng nơ-ron hồi quy (Recurrent Neural Network) Học tự giám sát Học tự giám sát đặc trưng thị giác Học bán giám sát Độ tương tự mặt cấu trúc (Structure Similarity Index Measure) Học có giám sát Tập liệu kiểm tra Tập liệu huấn luyện Học chuyển giao Học không giám sát Tập liệu xác thực viii DANH MỤC CÁC BẢNG Trang Bảng 1.1 Các liệu ảnh nội soi đại tràng chuẩn công bố cho mơ hình học máy 14 Bảng 1.2 Các cơng trình nghiên cứu phân tích ảnh nội soi đại tràng Bảng 2.1 Các hàm mát sử dụng cho huấn luyện mơ hình phân vùng 31 polyp ảnh nội soi đại tràng 52 Bảng 2.2 Độ xác mạng UNet điều chỉnh với mã hóa khác Bảng 2.3 Độ xác mơ mơ hình UNet có tích hợp lớp CRF-RNN khơng có tích hợp lớp CRF-RNN Bảng 2.4 Độ xác phân vùng polyp mạng UNet huấn luyện hàm mát khác Bảng 2.5 So sánh độ xác mơ hình huấn luyện sử dụng phương pháp học chuyển giao Bảng 2.6 Độ phức tạp mạng Unet cải tiến với mã hóa khác cho phân vùng polyp Bảng 2.7 So sánh độ xác mơ hình huấn luyện đánh giá 57 59 60 64 65 liệu CVC-ClinicDB Bảng 2.8 So sánh độ xác mơ hình huấn luyện đánh giá liệu Kvarsir-SEG 66 Bảng 2.9 So sánh độ xác mơ hình huấn luyện liệu CVC-ClinicDB, kiểm thử hai liệu ETIS-Larib CVCColonDB 68 67 68 Bảng 2.10 So sánh điểm số Dice IoU mơ hình huấn luyện Kvasir-SEG, kiểm thử hai liệu ETIS-Larib CVCColonDB Bảng 2.11 So sánh điểm số Dice IoU mơ hình huấn luyện liệu trộn Kvasir-SEG ClinicDB, kiểm thử hai 69 liệu ETIS-Larib CVC-ColonDB Bảng 3.1 Độ xác mạng tái tạo ảnh với tỉ lệ nhiễu khác Bảng 3.2 Độ xác mạng phân vùng polyp học chuyển giao từ 70 82 mạng tái tạo ảnh với tỉ lệ nhiễu khác 83 ix Bảng 3.3 Độ xác mạng phân vùng polyp với phương pháp học chuyển giao khác 84 Bảng 3.4 So sánh điểm số Dice phương pháp phân vùng polyp 86 Bảng 4.1 Kết tăng cường liệu huấn luyện liệu kiểm thử CVC-ColonDB 102 Bảng 4.2 Kết tăng cường liệu huấn luyện liệu kiểm thử ETIS-Larib 102 Bảng 4.3 So sánh kết tăng cường liệu với số lượng liệu tăng cường khác liệu kiểm thử CVC-ColonDB 102 Bảng 4.4 So sánh kết tăng cường liệu với số lượng liệu tăng cường khác liệu kiểm thử ETIS-Larib 103 x DANH MỤC CÁC HÌNH VẼ Trang Hình 1.1 Minh họa thủ thuật nội soi đại tràng Hình 1.2 Hệ thống CADx hỗ trợ chuẩn đoán nội soi đại tràng Hình 1.3 Phân vùng polyp ảnh nội soi đại tràng Hình 1.4 Các trường hợp khó phân vùng polyp 10 Hình 1.5 Ví dụ minh họa liệu không cân Hình 1.6 Ví dụ minh họa liệu CVC-ClinicDB Hình 1.7 Ví dụ minh họa liệu Kvasir-Seg Hình 1.8 Kiến trúc mơ hình học sâu phân vùng ảnh Hình 1.9 Kiến trúc mạng UNet 11 12 13 22 23 Hình 1.10 Minh họa điểm số Dice Hình 1.11 Minh họa số IoU Hình 1.12 Phương pháp học tự giám sát đặc trưng thị giác máy tính 24 24 27 Hình 2.1 Tổng quan kiến trúc mơ hình phân vùng polyp ảnh nội soi đại tràng Hình 2.2 Mạng UNet cho phân vùng polyp ảnh nội soi đại tràng 42 44 Hình 2.3 Kiến trúc mã hóa EfficientB7 Hình 2.4 Khối Upsample2D giải mã Hình 2.5 Cấu trúc lớp CRF-RNN tích hợp mơ hình phân vùng polyp Hình 2.6 Các phương thức học chuyển giao 45 45 47 54 Hình 2.7 Ví dụ phép biến đổi ảnh dùng cho tăng cường liệu Hình 2.8 Biểu đồ độ xác mạng UNet điều chỉnh Hình 2.9 Biểu đồ so sánh điểm số Dice mơ hình có khơng có tích 56 58 hợp lớp CRF-RNN Hình 2.10 Biểu đồ so sánh điểm số Dice mô hình huấn luyện hàm mát khác Hình 2.11 Ảnh hưởng hàm mát trình học 59 Hình 2.12 Phân vùng polyp tạo tùy biến mơ hình đề xuất Hình 3.1 Tổng quan kiến trúc hệ thống học tự giám sát đặc trưng thị giác cho phân vùng polyp ảnh nội soi đại tràng Hình 3.2 Ví dụ phép biến đổi ảnh tạo đầu vào cho mạng tái tạo ảnh 62 Hình 3.3 Mơ hình mạng tái tạo ảnh nội soi đại tràng 78 61 62 76 77 102 Bảng 4.1 Kết tăng cường liệu huấn luyện liệu kiểm thử CVC-ColonDB Dữ liệu huấn luyện Dice (%) IoU (%) Re (%) Prec (%) CVC-ClinicDB 84,07 73,1 79,92 89,56 CVC-ClinicDB+ Ảnh giả lập 86,17 76,1 84,8 88,14 Bảng 4.2 Kết tăng cường liệu huấn luyện liệu kiểm thử ETIS-Larib Dữ liệu huấn luyện Dice (%) CVC-ClinicDB IoU (%) Re (%) Prec (%) 77,67 63,67 78,03 77,8 78,86 66,39 82,67 77,27 CVC-ClinicDB+ Ảnh giả lập Bảng 4.3 So sánh kết tăng cường liệu với số lượng liệu tăng cường khác liệu kiểm thử CVC-ColonDB Dữ liệu huấn luyện CVC-ClinicDB Dice (%) IoU (%) Re (%) Prec (%) 84,07 73,1 79,92 89,56 CVC-ClinicDB+ 100 ảnh giả lập 85,3 75,02 83,64 87,94 CVC-ClinicDB+ 200 ảnh giả lập 85,6 75,74 84,77 87,7 CVC-ClinicDB+ 300 ảnh giả lập 86,17 76,1 84,8 88,14 103 Bảng 4.4 So sánh kết tăng cường liệu với số lượng liệu tăng cường khác liệu kiểm thử ETIS-Larib Dữ liệu huấn luyện Dice (%) IoU (%) Re (%) Prec (%) CVC-ClinicDB 77,67 63,67 78,03 77,8 CVC-ClinicDB+ 100 Ảnh giả lập 78,35 65,69 78,86 82,17 CVC-ClinicDB+ 200 Ảnh giả lập 78,8 66,64 80,33 79,83 CVC-ClinicDB+ 300 Ảnh giả lập 78,86 66,39 82,67 77,27 Trong thí nghiệm 300 ảnh tổng hợp sinh mơ hình sinh ảnh nội soi đại tràng chứa polyp sử dụng để tăng cường liệu cho mơ hình học sâu phân vùng polyp Để đánh giá ảnh hưởng số lượng ảnh giả lập tăng cường tới độ xác mơ hình phân vùng polyp, mơ hình phân vùng polyp huấn luyện với tập liệu khác sau: Bộ liệu gồm 612 ảnh nội soi đại tràng có gán nhãn polyp mask CVC-ClinicDB, Bộ liệu gồm CVC-ClinicDB 100 ảnh giả lập, Bộ liệu gồm CVCClinicDB 200 ảnh giả lập, Bộ liệu gồm CVC-ClinicDB 300 ảnh giả lập Các mơ hình sau huấn luyện kiểm thử liệu ETISLaribPolypDB CVC-ColonDB Bảng 4.3 trình bày kết kiểm thử liệu ETISLaribPolypDB Bảng 4.4 trình bày kết kiểm thử CVCColonDB Từ kết rút kết luận nhìn chung số lượng ảnh giả lập đưa vào huấn luyện tăng độ đo Dice IoU mơ hình phân vùng tăng lên, tức độ xác hệ thống phân vùng tốt lên 4.4 Kết luận Chương Chương luận án đề xuất phương pháp học sâu tự động sinh ảnh nội soi giả lập chứa polyp sử dụng mạng sinh liệu có điều, nhằm tăng 104 cường liệu cho hệ thống học sâu phân vùng polyp ảnh nội soi đại tràng Phương pháp đề xuất tạo nhiều hình ảnh nội soi chứa polyp khác từ ảnh nội soi đại tràng bình thường không chứa polyp Phương pháp sử dụng để khắc phục khó khăn việc thu thập mẫu liệu gán nhãn phân vùng polyp đa dạng dùng cho huấn luyện mơ hình học sâu phân vùng polyp khắc phục khó khăn ảnh nội soi chứa polyp, polyp bị mờ, bị che khuất phần dụng cụ phẫu thuật Các đóng góp Chương luận án bao gồm: Đề xuất sử dụng mơ hình Pix2Pix để sinh ảnh nội soi đại tràng giả lập có chứa polyp từ ảnh nội soi bình thường, nhằm tăng cường liệu huấn luyện cho mơ hình học sâu phân vùng polyp ảnh nội soi đại tràng Đề xuất sử dụng kỹ thuật sinh điều kiện đầu vào cho mạng sinh ảnh nội soi giả lập có chứa polyp kết hợp ảnh nhị phân lọc cạnh ảnh nội soi đại tràng bình thường polyp mask Kỹ thuật sinh điều kiện đầu vào có tác dụng làm cho ảnh nội soi giả lập chứa polyp tạo từ mơ hình sinh ảnh trì cấu trúc kết cấu tổng thể ảnh nội soi chứa polyp thực tế Cài đặt thử nghiệm phương pháp đề xuất để sinh ảnh nội soi chứa polyp huấn luyện mạng sử dụng liệu CVC-ClinicDB Đánh giá định lượng chất lượng tăng cường liệu phương pháp đề xuất độ xác mạng phân vùng polyp tăng cường liệu Kết thực nghiệm cho thấy độ xác mơ hình học sâu phân vùng polyp tăng đáng kể tăng cường liệu phương pháp sinh ảnh nội soi đề xuất Kết nghiên cứu chương công bố cơng trình [CT2] 105 KẾT LUẬN Các kết nghiên cứu luận án Trí tuệ nhân tạo (AI) trở thành xu hướng tất yếu giải toán thực tiễn ngày nhiều ngành, nhiều nhà khoa học quan tâm, đầu tư nghiên cứu, có nghiên cứu áp dụng AI lĩnh vực y tế Một lĩnh vực ứng dụng trí tuệ nhân tạo y tế phát triển công nghệ thị giác máy tính tự động phân tích ảnh y tế, hỗ trợ bác sỹ chẩn đốn hình ảnh Trong năm gần đây, nghiên cứu phát triển mô hình học sâu, kỹ thuật thị giác máy tính tiên tiến để phân tích ảnh nội soi đại tràng tự động phát, phân vùng polyp ảnh nội soi đại tràng hỗ trợ bác sỹ chẩn đoán nội soi đại tràng, sàng lọc phát sớm ung thư đại tràng chủ đề nghiên cứu thu hút rât nhiều nhóm nhiên cứu giới Luận án tập trung vào giải toán phân vùng polyp ảnh nội soi đại tràng sử dụng mơ hình học sâu kỹ thuật thị giác máy tính tiên tiến Các kết luận án bao gồm: (i) Nghiên cứu, phân tích, đánh giá mơ hình học sâu phân vùng đối tượng ảnh; Nghiên cứu đặc trưng liệu ảnh nội soi; Khảo sát, phân tích, đánh giá liệu ảnh nội soi đại tràng chuẩn công bố cho liệu ảnh nội soi thu thập từ hệ thống PACS Bệnh viện Quân y 103 Từ đề xuất phương pháp phân vùng polyp ảnh nội soi đại tràng có độ xác tính tổng quát hóa tốt, làm tảng cho ứng dụng triển khai thực tế với liệu đa dạng (ii) Nghiên cứu kỹ thuật học chuyển giao để chuyển giao tri thức học mạng huấn luyện sẵn liệu lớn vào giải toán lĩnh vực ảnh nội soi đại tràng với liệu huấn luyện có gán nhãn nhiều (iii) Nghiên cứu mơ hình học tự giám sát nhằm khai thác kho liệu không gán nhãn thu thập từ hệ thống PACS bệnh viện để nâng cao độ xác hệ thống học sâu phân vùng polyp ảnh nội soi tràng Từ đề xuất phương pháp học tự giám sát đặc trưng thị giác với tác vụ giả định tác vụ tái tạo ảnh nội soi, tác vụ mục tiêu tác vụ phân vùng ảnh nội soi 106 (iv) Nghiên cứu phương pháp tăng cường liệu cho hệ thống học sâu, từ đề xuất phương pháp sinh liệu ảnh nội soi có chứa polyp tổng hợp để tăng cường liệu cho mơ hình học sâu phân vùng polyp Những đóng góp luận án Luận án có đóng góp sau: Đề xuất mơ hình học sâu phân vùng polyp ảnh nội soi đại tràng CRF-EfficientUNet Mơ hình mở rộng từ mạng UNet với mã hóa EfficientNet tích hợp lớp CRF-RNN sử dụng hàm mát bất đối xứng kết hợp AsymCE luận án đề xuất Đề xuất phương pháp học tự giám sát đặc trưng thị giác ảnh nội soi đại tràng cho phân vùng polyp dựa tác vụ tái tạo ảnh nội soi Đề xuất phương pháp sinh ảnh nội soi đại tràng giả lập có nhãn phân vùng polyp sử dụng mạng sinh liệu đối nghịch có điều kiện, nhằm tăng cường liệu huấn luyện cho mơ hình học sâu phân vùng polyp ảnh nội soi đại tràng Hướng nghiên cứu Hướng nghiên cứu luận án nhằm để phát triển cơng trình để đưa vào ứng dụng thực tiễn sau: Tiếp tục nghiên cứu mơ hình học sâu cho phân vùng polyp để xây dựng mơ hình có hiệu đủ tốt có chi phí tính toán vừa phải phù hợp với hệ thống phần cứng thực tế triển khai ứng dụng Nghiên cứu cải tiến phương pháp xác định siêu tham số tối ưu hàm mát không đối xứng kết hợp để giảm thiểu cơng sức cho huấn luyện mơ hình tìm kiếm siêu tham số tối ưu Nghiên cứu, thử nghiệm mã hóa khác cho mạng UNet mơ hình học tự giám sát, từ đưa mã hóa phù hợp cho độ xác phân vùng polyp cao 107 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ [CT1] Le Thi Thu Hong, Nguyen Chi Thanh, and Tran Quoc Long, “Polyp segmentation in colonoscopy images using ensembles of u-nets with efficientnet and asymmetric similarity loss function,” in 2020 RIVF International Conference on Computing and Communication Technologies (RIVF), IEEE, pp.1–6, 2020 [CT2] Lê Thị Thu Hồng, Nguyễn Chí Thành, Phạm Thu Hương, Nguyễn Sinh Huy, Nguyễn Văn Đức, Nguyễn Thành Trung, “Tăng cường liệu huấn luyện cho hệ thống học sâu phân vùng polyp ảnh nội soi đại tràng”, Tạp chí Nghiên cứu Khoa học Cơng nghệ qn sự, số Đặc san Hội thảo Quốc gia FEE, tr 447-454, 10-2020 [CT3] Le Thi Thu Hong, Nguyen Chi Thanh, and Tran Quoc Long, "CRF-EfficientUNet: an improved UNet framework for polyp segmentation in colonoscopy images with combined asymmetric loss function and CRF-RNN layer,” IEEE Access, vol 9, pp 156987 - 157001, 2021 (SCIE Q1, IF: 3,367) [CT4] Lê Thị Thu Hồng, Nguyễn Chí Thành, Nguyễn Đức Hạnh, Trịnh Tiến Lương, Phạm Duy Thái, Ngô Văn Quân “Colonoscopy Image Classification Using Self-Supervised Visual Feature Learning” Section on Computer Science and Control Engineering, Journal of Military science and technology, Sepecial Issue No.5, pp 3-13, 12-2021 [CT5] Le Thi Thu Hong, Nguyen Chi Thanh and Tran Quoc Long, "Selfsupervised Visual Feature Learning for Polyp Segmentation in Colonoscopy Images Using Image Reconstruction as Pretext Task" 2021 8th NAFOSTED Conference on Information and Computer Science (NICS), 2021, pp 254-259, doi: 10.1109/NICS54270.2021.9701580 108 TÀI LIỆU THAM KHẢO Tiếng Anh Afify, H M., Mohammed, K K., & Hassanien, A E (2021) An improved framework for polyp image segmentation based on SegNet architecture International Journal of Imaging Systems and Technology Ali, S., Ghatwary, N., Braden, B., Lamarque, D., Bailey, A., Realdon, S., Cannizzaro, R., Rittscher, J., Daul, C., & East, J (2020) Endoscopy disease detection challenge 2020 ArXiv Preprint ArXiv:2003.03376 Ali, S., Zhou, F., Daul, C., Braden, B., Bailey, A., Realdon, S., East, J., Wagnieres, G., Loschenov, V., Grisan, E., & others (2019) Endoscopy artifact detection (EAD 2019) challenge dataset ArXiv Preprint ArXiv:1905.03209 Anh-Cang, P., Thuong-Cang, P., & others (2019) Detection and Classification of Brain Hemorrhage Based on Hounsfield Values and Convolution Neural Network Technique 2019 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF), 1–7 Ba, H N., Thanh, D N., Van, C T., & Viet, S D (2021) Polyp segmentation in colonoscopy images using ensembles of u-nets with efficientnet and asymmetric similarity loss function 2021 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF), 1–6 Badrinarayanan, V., Kendall, A., & Cipolla, R (2017) Segnet: A deep convolutional encoder-decoder architecture for image segmentation IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(12), 2481–2495 Berman, M., Triki, A R., & Blaschko, M B (2018) The lovászsoftmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 4413– 4421 Bernal, J., Sánchez, J., & Vilarino, F (2012) Towards automatic polyp detection with a polyp appearance model Pattern Recognition, 45(9), 3166–3182 Bernal, J., Tajkbaksh, N., Sanchez, F J., Matuszewski, B J., Chen, H., Yu, L., Angermann, Q., Romain, O., Rustad, B., Balasingham, I., & others (2017) Comparative validation of polyp detection methods in video colonoscopy: results from the MICCAI 2015 endoscopic vision challenge IEEE Transactions on Medical Imaging, 36(6), 1231–1249 109 10 Borgli, H., Thambawita, V., Smedsrud, P H., Hicks, S., Jha, D., Eskeland, S L., Randel, K R., Pogorelov, K., Lux, M., Nguyen, D T D., & others (2020) HyperKvasir, a comprehensive multi-class image and video dataset for gastrointestinal endoscopy Scientific Data, 7(1), 1–14 11 Brandao, P., Mazomenos, E., Ciuti, G., Caliò, R., Bianchi, F., Menciassi, A., Dario, P., Koulaouzidis, A., Arezzo, A., & Stoyanov, D (2017) Fully convolutional neural networks for polyp segmentation in colonoscopy Medical Imaging 2017: Computer-Aided Diagnosis, 10134, 101340F 12 Brent H.Taylor, M (n.d.) Endoscopy/Colonoscopy https://brenttaylormd.com/endoscopy-colonoscopy/ 13 Browet, A., Absil, P.-A., & van Dooren, P (2011) Community detection for hierarchical image segmentation International Workshop on Combinatorial Image Analysis, 358–371 14 Chen, L., Bentley, P., Mori, K., Misawa, K., Fujiwara, M., & Rueckert, D (2019) Self-supervised learning for medical image analysis using image context restoration Medical Image Analysis, 58, 101539 15 Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A L (2017) Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848 16 CVC-Colon team (2017, November 15) Building up Intelligent Systems for Colonoscopy http://www.cvc.uab.es/CVCColon/index.php/our-mission/ 17 Endoscopy-vision challenge (2014) Sub-challenge Automatic dection polyp in colonoscopy Videos 18 Fan, D.-P., Ji, G.-P., Zhou, T., Chen, G., Fu, H., Shen, J., & Shao, L (2020) Pranet: Parallel reverse attention network for polyp segmentation International Conference on Medical Image Computing and Computer-Assisted Intervention, 263–273 19 Fang, Y., Chen, C., Yuan, Y., & Tong, K (2019) Selective feature aggregation network with area-boundary constraints for polyp segmentation International Conference on Medical Image Computing and Computer-Assisted Intervention, 302–310 20 Ganz, M., Yang, X., & Slabaugh, G (2012) Automatic segmentation of polyps in colonoscopic narrow-band imaging data IEEE Transactions on Biomedical Engineering, 59(8), 2144–2151 110 21 Geetha, K., & Rajan, C (2016) Automatic colorectal polyp detection in colonoscopy video frames Asian Pacific Journal of Cancer Prevention: APJCP, 17(11), 4869 22 Goodfellow, I., Bengio, Y., & Courville, A (2016) Deep learning MIT press 23 Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y (2014) Generative adversarial nets Advances in Neural Information Processing Systems, 27 24 Hashemi, S R., Salehi, S S M., Erdogmus, D., Prabhu, S P., Warfield, S K., & Gholipour, A (2018) Asymmetric loss functions and deep densely-connected networks for highly-imbalanced medical image segmentation: Application to multiple sclerosis lesion detection IEEE Access, 7, 1721–1735 25 He, K., Gkioxari, G., Dollár, P., & Girshick, R (2017) Mask r-cnn Proceedings of the IEEE International Conference on Computer Vision, 2961–2969 26 He, K., Zhang, X., Ren, S., & Sun, J (2016) Deep residual learning for image recognition Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770–778 27 Hsu, C.-M., Hsu, C.-C., Hsu, Z.-M., Shih, F.-Y., Chang, M.-L., & Chen, T.-H (2021) Colorectal Polyp Image Detection and Classification through Grayscale Images and Deep Learning Sensors, 21(18), 5995 28 Huynh, H T., & Anh, V N N (2019) A deep learning method for lung segmentation on large size chest X-ray image 2019 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF), 1–5 29 Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A A (2017) Image-to-image translation with conditional adversarial networks Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1125– 1134 30 Jha, D., Ali, S., Emanuelsen, K., Hicks, S A., Thambawita, V., GarciaCeja, E., Riegler, M A., de Lange, T., Schmidt, P T., Johansen, H D., & others (2021) Kvasir-instrument: Diagnostic and therapeutic tool segmentation dataset in gastrointestinal endoscopy International Conference on Multimedia Modeling, 218–229 31 Jha, D., Riegler, M A., Johansen, D., Halvorsen, P., & Johansen, H D (2020) Doubleu-net: A deep convolutional neural network for medical image segmentation 2020 IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), 558–564 111 32 Jha, D., Smedsrud, P H., Johansen, D., de Lange, T., Johansen, H D., Halvorsen, P., & Riegler, M A (2021) A comprehensive study on colorectal polyp segmentation with ResUNet++, conditional random field and test-time augmentation IEEE Journal of Biomedical and Health Informatics, 25(6), 2029–2040 33 Jha, D., Smedsrud, P H., Riegler, M A., Halvorsen, P., de Lange, T., Johansen, D., & Johansen, H D (2020) Kvasir-seg: A segmented polyp dataset International Conference on Multimedia Modeling, 451–462 34 Jha, D., Smedsrud, P H., Riegler, M A., Johansen, D., de Lange, T., Halvorsen, P., & Johansen, H D (2019a) Resunet++: An advanced architecture for medical image segmentation 2019 IEEE International Symposium on Multimedia (ISM), 225–2255 35 Jha, D., Smedsrud, P H., Riegler, M A., Johansen, D., de Lange, T., Halvorsen, P., & Johansen, H D (2019b) Resunet++: An advanced architecture for medical image segmentation 2019 IEEE International Symposium on Multimedia (ISM), 225–2255 36 Jing, L., & Tian, Y (2020) Self-supervised visual feature learning with deep neural networks: A survey IEEE Transactions on Pattern Analysis and Machine Intelligence 37 Kang, J., & Gwak, J (2019) Ensemble of instance segmentation models for polyp segmentation in colonoscopy images IEEE Access, 7, 26440– 26447 38 Kingma, D P., & Ba, J (2014) Adam: A method for stochastic optimization ArXiv Preprint ArXiv:1412.6980 39 Krähenbühl, P., & Koltun, V (2011) Efficient inference in fully connected crfs with gaussian edge potentials Advances in Neural Information Processing Systems, 24, 109–117 40 Krizhevsky, A., Sutskever, I., & Hinton, G E (2012) Imagenet classification with deep convolutional neural networks Advances in Neural Information Processing Systems, 25, 1097–1105 41 LeCun, Y., Haffner, P., Bottou, L., & Bengio, Y (1999) Object recognition with gradient-based learning In Shape, contour and grouping in computer vision (pp 319–345) Springer 42 Leufkens, A M., van Oijen, M G H., Vleggaar, F P., & Siersema, P D (2012) Factors influencing the miss rate of polyps in a back-to-back colonoscopy study Endoscopy, 44(05), 470–475 43 Long, J., Shelhamer, E., & Darrell, T (2015) Fully convolutional networks for semantic segmentation Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 3431–3440 112 44 Mahmud, T., Paul, B., & Fattah, S A (2021) PolypSegNet: A modified encoder-decoder architecture for automated polyp segmentation from colonoscopy images Computers in Biology and Medicine, 128, 104119 45 Mesejo, P., Pizarro, D., Abergel, A., Rouquette, O., Beorchia, S., Poincloux, L., & Bartoli, A (2016) Computer-aided classification of gastrointestinal lesions in regular colonoscopy IEEE Transactions on Medical Imaging, 35(9), 2051–2063 46 Milletari, F., Navab, N., & Ahmadi, S.-A (2016) V-net: Fully convolutional neural networks for volumetric medical image segmentation 2016 Fourth International Conference on 3D Vision (3DV), 565–571 47 Mirza, M., & Osindero, S (2014) Conditional generative adversarial nets ArXiv Preprint ArXiv:1411.1784 48 Misawa, M., Kudo, S., Mori, Y., Cho, T., Kataoka, S., Yamauchi, A., Ogawa, Y., Maeda, Y., Takeda, K., Ichimasa, K., & others (2018) Artificial intelligence-assisted polyp detection for colonoscopy: initial experience Gastroenterology, 154(8), 2027–2029 49 Nguyen, N.-Q., & Lee, S.-W (2019) Robust boundary segmentation in medical images using a consecutive deep encoder-decoder network Ieee Access, 7, 33795–33808 50 Nguyen, N.-Q., Vo, D M., & Lee, S.-W (2020) Contour-aware polyp segmentation in colonoscopy images using detailed upsamling encoderdecoder networks IEEE Access, 8, 99495–99508 51 Nguyen, T H., Prifti, E., Sokolovska, N., & Zucker, J.-D (2019) Disease prediction using synthetic image representations of metagenomic data and convolutional neural networks 2019 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF), 1–6 52 Park, S., Lee, M., & Kwak, N (2015) Polyp detection in colonoscopy videos using deeply-learned hierarchical features Seoul National University 53 Pogorelov, K., Randel, K R., de Lange, T., Eskeland, S L., Griwodz, C., Johansen, D., Spampinato, C., Taschwer, M., Lux, M., Schmidt, P T., & others (2017) Nerthus: A bowel preparation quality video dataset Proceedings of the 8th ACM on Multimedia Systems Conference, 170–174 54 Pogorelov, K., Randel, K R., Griwodz, C., Eskeland, S L., de Lange, T., Johansen, D., Spampinato, C., Dang-Nguyen, D.-T., Lux, M., Schmidt, P T., & others (2017) Kvasir: A multi-class image dataset 113 55 56 57 58 59 60 61 62 63 64 for computer aided gastrointestinal disease detection Proceedings of the 8th ACM on Multimedia Systems Conference, 164–169 Poudel, S., & Lee, S.-W (2021) Deep multi-scale attentional features for medical image segmentation Applied Soft Computing, 109, 107445 Qadir, H A., Shin, Y., Solhusvik, J., Bergsland, J., Aabakken, L., & Balasingham, I (2019a) Polyp detection and segmentation using mask R-CNN: Does a deeper feature extractor CNN always perform better? 2019 13th International Symposium on Medical Information and Communication Technology (ISMICT), 1–6 Qadir, H A., Shin, Y., Solhusvik, J., Bergsland, J., Aabakken, L., & Balasingham, I (2019b) Polyp detection and segmentation using mask R-CNN: Does a deeper feature extractor CNN always perform better? 2019 13th International Symposium on Medical Information and Communication Technology (ISMICT), 1–6 Qadir, H A., Shin, Y., Solhusvik, J., Bergsland, J., Aabakken, L., & Balasingham, I (2021) Toward real-time polyp detection using fully CNNs for 2D Gaussian shapes prediction Medical Image Analysis, 68, 101897 Ronneberger, O., Fischer, P., & Brox, T (2015) U-net: Convolutional networks for biomedical image segmentation International Conference on Medical Image Computing and Computer-Assisted Intervention, 234–241 Ruder, S (2016) An overview of gradient descent optimization algorithms ArXiv Preprint ArXiv:1609.04747 Safarov, S., & Whangbo, T K (2021) A-DenseUNet: Adaptive densely connected UNet for polyp segmentation in colonoscopy images with atrous convolution Sensors, 21(4), 1441 Sánchez-Peralta, L F., Picón, A., Sánchez-Margallo, F M., & Pagador, J B (2020) Unravelling the effect of data augmentation transformations in polyp segmentation International Journal of Computer Assisted Radiology and Surgery, 15(12), 1975–1988 Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C (2018) Mobilenetv2: Inverted residuals and linear bottlenecks Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 4510–4520 Shin, Y., Qadir, H A., Aabakken, L., Bergsland, J., & Balasingham, I (2018a) Automatic colon polyp detection using region based deep cnn and post learning approaches IEEE Access, 6, 40950–40962 114 65 Shin, Y., Qadir, H A., Aabakken, L., Bergsland, J., & Balasingham, I (2018b) Automatic colon polyp detection using region based deep cnn and post learning approaches IEEE Access, 6, 40950–40962 66 Shin, Y., Qadir, H A., & Balasingham, I (2018) Abnormal colon polyp image synthesis using conditional adversarial networks for improved detection performance IEEE Access, 6, 56007–56017 67 Silva, J., Histace, A., Romain, O., Dray, X., & Granado, B (2014) Toward embedded detection of polyps in wce images for early diagnosis of colorectal cancer International Journal of Computer Assisted Radiology and Surgery, 9(2), 283–293 68 Simonyan, K., & Zisserman, A (2014) Very deep convolutional networks for large-scale image recognition ArXiv Preprint ArXiv:1409.1556 69 Smedsrud, P H., Thambawita, V., Hicks, S A., Gjestang, H., Nedrejord, O O., Næss, E., Borgli, H., Jha, D., Berstad, T J D., Eskeland, S L., & others (2021) Kvasir-Capsule, a video capsule endoscopy dataset Scientific Data, 8(1), 1–10 70 Sokolova, M., & Lapalme, G (2009) A systematic analysis of performance measures for classification tasks Information Processing & Management, 45(4), 427–437 71 Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R (2014) Dropout: a simple way to prevent neural networks from overfitting The Journal of Machine Learning Research, 15(1), 1929–1958 72 Sức khỏe đời sống (2020) Ứng dụng trí tuệ nhân tạo nội soi tiêu hóa https://suckhoedoisong.vn/ung-dung-tri-tue-nhan-tao-trongnoi-soi-tieu-hoa-169181933.htm 73 Sung, H., Ferlay, J., Siegel, R L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F (2021) Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries CA: A Cancer Journal for Clinicians, 71(3), 209–249 74 Syed, A., & Morris, B T (2019) SSeg-LSTM: semantic scene segmentation for trajectory prediction 2019 IEEE Intelligent Vehicles Symposium (IV), 2504–2509 75 Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A (2015) Going deeper with convolutions Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1–9 115 76 Taha, D., Alzu’bi, A., Abuarqoub, A., Hammoudeh, M., & Elhoseny, M (2021) Automated Colorectal Polyp Classification Using Deep Neural Networks with Colonoscopy Images International Journal of Fuzzy Systems, 1–13 77 Tajbakhsh, N., Gurudu, S R., & Liang, J (2013) A classificationenhanced vote accumulation scheme for detecting colonic polyps International MICCAI Workshop on Computational and Clinical Challenges in Abdominal Imaging, 53–62 78 Tajbakhsh, N., Gurudu, S R., & Liang, J (2015a) Automated polyp detection in colonoscopy videos using shape and context information IEEE Transactions on Medical Imaging, 35(2), 630–644 79 Tajbakhsh, N., Gurudu, S R., & Liang, J (2015b) Automated polyp detection in colonoscopy videos using shape and context information IEEE Transactions on Medical Imaging, 35(2), 630–644 80 Tan, M., & Le, Q (2019) Efficientnet: Rethinking model scaling for convolutional neural networks International Conference on Machine Learning, 6105–6114 81 Thuwarakesh Murallie (2021) Transfer Learning: The Highest Leverage Deep Learning Skill You Can Learn https://towardsdatascience.com/transfer-learning-in-deep-learning641089950f5d 82 Vardan Agarwal (n.d.) Complete Architectural Details of all EfficientNet Models https://towardsdatascience.com/completearchitectural-details-of-all-efficientnet-models-5fd5b736142 83 VinBigData (2020) Shaping the future of medical data analysis https://vindr.ai/ 84 Wang, P., Xiao, X., Brown, J R G., Berzin, T M., Tu, M., Xiong, F., Hu, X., Liu, P., Song, Y., Zhang, D., & others (2018) Development and validation of a deep-learning algorithm for the detection of polyps during colonoscopy Nature Biomedical Engineering, 2(10), 741–748 85 Wang, Y., Feng, Z., Song, L., Liu, X., & Liu, S (2021) Multiclassification of endoscopic colonoscopy images based on deep transfer learning Computational and Mathematical Methods in Medicine, 2021 86 Wang, Z., Bovik, A C., Sheikh, H R., & Simoncelli, E P (2004) Image quality assessment: from error visibility to structural similarity IEEE Transactions on Image Processing, 13(4), 600–612 87 Weiss, K., Khoshgoftaar, T M., & Wang, D (2016) A survey of transfer learning Journal of Big Data, 3(1), 1–40 116 88 Yakubovskiy, P (2019) Segmentation Models In GitHub repository GitHub 89 Zhang, L., Dolwani, S., & Ye, X (2017) Automated polyp segmentation in colonoscopy frames using fully convolutional neural network and textons Annual Conference on Medical Image Understanding and Analysis, 707–717 90 Zhang, R., Zheng, Y., Poon, C C Y., Shen, D., & Lau, J Y W (2018) Polyp detection during colonoscopy using a regression-based convolutional neural network with a tracker Pattern Recognition, 83, 209–219 91 Zhang, X., Chen, F., Yu, T., An, J., Huang, Z., Liu, J., Hu, W., Wang, L., Duan, H., & Si, J (2019) Real-time gastric polyp detection using convolutional neural networks PloS One, 14(3), e0214133 92 Zheng, S., Jayasumana, S., Romera-Paredes, B., Vineet, V., Su, Z., Du, D., Huang, C., & Torr, P H S (2015) Conditional random fields as recurrent neural networks Proceedings of the IEEE International Conference on Computer Vision, 1529–1537 93 Zhou, Z., Siddiquee, M M R., Tajbakhsh, N., & Liang, J (2018) Unet++: A nested u-net architecture for medical image segmentation In Deep learning in medical image analysis and multimodal learning for clinical decision support (pp 3–11) Springer 94 Zijdenbos, A P., Dawant, B M., Margolin, R A., & Palmer, A C (1994) Morphometric analysis of white matter lesions in MR images: method and validation IEEE Transactions on Medical Imaging, 13(4), 716–724