Xây dựng công cụ hỗ trợ trích xuất tự động khối u não từ ảnh mri

ỦY BAN NHÂN DÂN THÀNH ĐỒN TP HỒ CHÍ MINH THÀNH PHỐ HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN SỞ KHOA HỌC VÀ CÔNG NGHỆ KHOA HỌC VÀ CÔNG NGHỆ TRẺ CHƢƠNG TRÌNH KHOA HỌC VÀ CƠNG NGHỆ CẤP THÀNH PHỐ BÁO CÁO TỔNG HỢP KẾT QUẢ NHIỆM VỤ NGHIÊN CỨU KHOA HỌC VÀ CƠNG NGHỆ Xây dựng cơng cụ hỗ trợ trích xuất tự động khối u não từ ảnh MRI Cơ quan chủ trì nhiệm vụ: Trung tâm Phát triển Khoa học Công nghệ Trẻ Chủ nhiệm nhiệm vụ: Trần Anh Tuấn Thành phố Hồ Chí Minh - 2019 ỦY BAN NHÂN DÂN THÀNH ĐOÀN TP HỒ CHÍ MINH THÀNH PHỐ HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN SỞ KHOA HỌC VÀ CÔNG NGHỆ KHOA HỌC VÀ CƠNG NGHỆ TRẺ CHƢƠNG TRÌNH KHOA HỌC VÀ CƠNG NGHỆ CẤP THÀNH PHỐ BÁO CÁO TỔNG HỢP KẾT QUẢ NHIỆM VỤ NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ Xây dựng cơng cụ hỗ trợ trích xuất tự động khối u não từ ảnh MRI (Đã chỉnh sửa theo kết luận Hội đồng nghiệm thu ngày 02/07/2019) Chủ nhiệm nhiệm vụ: (ký tên) Chủ tịch Hội đồng nghiệm thu (Ký ghi rõ họ tên) Trần Anh Tuấn Cơ quan chủ trì nhiệm vụ Đồn Kim Thành Thành phố Hồ Chí Minh- 2019 _ THÀNH ĐỒN TP HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN KHOA HỌC VÀ CƠNG NGHỆ TRẺ CỘNG HỒ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc TPHCM, ngày 10 tháng 06 năm 2019 BÁO CÁO THỐNG KÊ KẾT QUẢ THỰC HIỆN NHIỆM VỤ NGHIÊN CỨU KH&CN I THÔNG TIN CHUNG Tên nhiệm vụ: Xây dựng cơng cụ hỗ trợ trích xuất tự động khối u não từ ảnh MRI Thuộc: Chương trình/lĩnh vực (tên chương trình/lĩnh vực): Vƣờn ƣơm Sáng tạo Khoa học Công nghệ trẻ Chủ nhiệm nhiệm vụ: Họ tên: Trần Anh Tuấn Ngày, tháng, năm sinh: 18/05/1984 Nam/ Nữ: Nam Học hàm, học vị: Thạc Sỹ Chức danh khoa học: Chức vụ Điện thoại: Tổ chức: Nhà riêng: Mobile: 0908642574 Fax: E-mail: tatuan@hcmus.edu.vn Tên tổ chức công tác: Đại Học Khoa Học Tự Nhiên, TP HCM Địa tổ chức: 227 Nguyễn Văn Cừ, Quận 5, TP HCM Địa nhà riêng: 63 Hưng Phước, Hưng Định, Thuận An, Bình Dương Tổ chức chủ trì nhiệm vụ: Tên tổ chức chủ trì nhiệm vụ: Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia TP Hồ Chí Minh Điện thoại: 2838350096 Fax: E-mail: Website: https://www.hcmus.edu.vn Địa chỉ: 227 Nguyễn Văn Cừ, Quận 5, TP HCM Họ tên thủ trưởng tổ chức: Trần Linh Thước Số tài khoản: 3713.0.1056908.00000 Kho bạc: Kho bạc Nhà nước Quận TP HCM Mã số SDNS: 1056908 Tên quan chủ quản đề tài: Trung tâm phát triển khoa học cơng nghệ trẻ Thành Đồn Thành Phố Hồ Chí Minh II TÌNH HÌNH THỰC HIỆN Thời gian thực nhiệm vụ: - Theo Hợp đồng ký kết: từ 20 tháng 07 năm 2018 đến 20 tháng 07 năm 2019 - Thực tế thực hiện: từ 20 tháng 07 năm 2018 đến 20 tháng 07 năm 2019 - Được gia hạn (nếu có): - Lần từ tháng… năm… đến tháng… năm… - Lần … Kinh phí sử dụng kinh phí: a) Tổng số kinh phí thực hiện: 80 triệu đồng, đó: + Kính phí hỗ trợ từ ngân sách khoa học: 80 triệu đồng + Kinh phí từ nguồn khác: ……………….tr.đ b) Tình hình cấp sử dụng kinh phí từ nguồn ngân sách khoa học: Số TT Theo kế hoạch Thời gian Kinh phí (Tháng, năm) (Tr.đ) 12/2018 40 06/2019 40 Thực tế đạt Thời gian Kinh phí (Tháng, năm) (Tr.đ) 40 40 40 40 Ghi (Số đề nghị toán) c) Kết sử dụng kinh phí theo khoản chi: Đối với đề tài: Đơn vị tính: Triệu đồng Số TT Nội dung khoản chi Trả công lao động (khoa học, phổ thông) Nguyên, vật liệu, lượng Thiết bị, máy móc Xây dựng, sửa chữa nhỏ Chi khác Tổng cộng Theo kế hoạch Tổng NSKH Nguồn khác Thực tế đạt Tổng 71.708 71.708 0 0 0 8.292 80.000 8.292 80.000 NSKH Nguồn khác - Lý thay đổi (nếu có): Đối với dự án: Đơn vị tính: Triệu đồng Số TT Nội dung khoản chi Thiết bị, máy móc mua Nhà xưởng xây dựng mới, cải tạo Kinh phí hỗ trợ cơng Theo kế hoạch Tổng NSKH Nguồn khác Thực tế đạt Tổng NSKH Nguồn khác nghệ Chi phí lao động Nguyên vật liệu, lượng Thuê thiết bị, nhà xưởng Khác Tổng cộng - Lý thay đổi (nếu có): Các văn hành q trình thực đề tài/dự án: (Liệt kê định, văn quan quản lý từ công đoạn xét duyệt, phê duyệt kinh phí, hợp đồng, điều chỉnh (thời gian, nội dung, kinh phí thực có); văn tổ chức chủ trì nhiệm vụ (đơn, kiến nghị điều chỉnh có) Số TT … Số, thời gian ban hành văn Tên văn Ghi Tổ chức phối hợp thực nhiệm vụ: Số TT Tên tổ chức đăng ký theo Thuyết minh Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia TP Hồ Chí Minh Tên tổ chức tham gia thực Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia TP Hồ Chí Minh Nội dung Sản phẩm tham gia chủ chủ yếu đạt yếu Xây dựng cơng Bài báo khoa cụ hỗ trợ trích học xuất tự động khối u não từ ảnh MRI Ghi chú* - Lý thay đổi (nếu có): Cá nhân tham gia thực nhiệm vụ: (Người tham gia thực đề tài thuộc tổ chức chủ trì quan phối hợp, không 10 người kể chủ nhiệm) Tên cá nhân đăng ký theo Thuyết minh Trần Anh Tuấn Tên cá nhân tham gia thực Trần Anh Tuấn Phạm Thế Bảo Phạm Thế Bảo Số TT Sản phẩm chủ yếu đạt Báo cáo Đề xuất phương pháp, ứng dụng Ứng dụng CNN, chạy thực nghiệm Đề xuất phương Báo cáo pháp, chạy thực Ứng dụng Nội dung tham gia nghiệm Trần Anh Tuấn Trần Anh Tuấn Cải tiến phương Báo cáo Ứng dụng pháp, tách vỏ não, xác định vùng có khả Ghi chú* chứa khối u - Lý thay đổi ( có): Tình hình hợp tác quốc tế: Số TT Theo kế hoạch (Nội dung, thời gian, kinh phí, địa điểm, tên tổ chức hợp tác, số đoàn, số lượng người tham gia ) Thực tế đạt (Nội dung, thời gian, kinh phí, địa điểm, tên tổ chức hợp tác, số đoàn, số lượng người tham gia ) Ghi chú* - Lý thay đổi (nếu có): Tình hình tổ chức hội thảo, hội nghị: Theo kế hoạch Số (Nội dung, thời gian, kinh phí, địa TT điểm ) Thực tế đạt (Nội dung, thời gian, kinh phí, địa điểm ) Ghi chú* - Lý thay đổi (nếu có): Tóm tắt nội dung, công việc chủ yếu: (Nêu mục 15 thuyết minh, không bao gồm: Hội thảo khoa học, điều tra khảo sát nước nước ngồi) Số TT Các nội dung, cơng việc chủ yếu (Các mốc đánh giá chủ yếu) Thời gian (Bắt đầu, kết thúc - tháng … năm) Theo kế Thực tế đạt hoạch Tìm vùng chứa não : Nếu ảnh chưa tách hộp sọ, sử dụng BET, BSE mơ hình CNN có để tìm vùng chứa não Vùng chứa não Vùng chứa não Tìm vùng chứa khối u não: Xác định vùng có khả chứa khối u não Vùng có khả có chứa khối u não Vùng có khả có chứa khối u não Tách khối u não Khối u não Khối u não Canh chỉnh biên Khối u não sau điều chỉnh biên Khối u não sau điều chỉnh biên Đánh giá phương pháp với CSDL BRATS MICCAI Sử dụng độ đo Dice để đánh giá độ Sử dụng độ đo Dice để đánh giá độ Người, quan thực xác xác - Lý thay đổi (nếu có): III SẢN PHẨM KH&CN CỦA NHIỆM VỤ Sản phẩm KH&CN tạo ra: a) Sản phẩm Dạng I: Số TT Tên sản phẩm tiêu chất lượng chủ yếu Đơn vị đo Số lượng Theo kế hoạch Thực tế đạt - Lý thay đổi (nếu có): b) Sản phẩm Dạng II: Số TT Tên sản phẩm Yêu cầu khoa học cần đạt Theo kế hoạch Thực tế đạt Ghi - Lý thay đổi (nếu có) c) Sản phẩm Dạng III: Số TT Tên sản phẩm Báo cáo đề tài Yêu cầu khoa học cần đạt Theo Thực tế kế hoạch đạt Báo cáo nghiệm Trong nƣớc Số lượng, nơi cơng bố (Tạp chí, nhà xuất bản) thu đề tài Bài báo tạp chí Đăng báo tạp chí chun ngành có SCOPUS báo hội nghị quốc tế + tạp chí quốc tế scopus - Lý thay đổi (nếu có): d) Kết đào tạo: Số TT Cấp đào tạo, Chuyên ngành đào tạo Thạc sỹ Tiến sỹ Số lượng Theo kế hoạch Thực tế đạt - Lý thay đổi (nếu có): đ) Tình hình đăng ký bảo hộ quyền sở hữu công nghiệp: Ghi (Thời gian kết thúc) Số TT Kết Tên sản phẩm đăng ký Thực tế đạt Theo kế hoạch Ghi (Thời gian kết thúc) - Lý thay đổi (nếu có): e) Thống kê danh mục sản phẩm KHCN ứng dụng vào thực tế Số TT Tên kết ứng dụng Thời gian Địa điểm (Ghi rõ tên, địa nơi ứng dụng) Kết sơ 2 Đánh giá hiệu nhiệm vụ mang lại: a) Hiệu khoa học công nghệ: (Nêu rõ danh mục công nghệ mức độ nắm vững, làm chủ, so sánh với trình độ cơng nghệ so với khu vực giới…) - Mơ hình segmentation với kết hợp kết phương pháp ứng dụng Toán học deep learning - Cải tiến mơ hình CNN có để trích xuất u não b) Hiệu kinh tế xã hội: (Nêu rõ hiệu làm lợi tính tiền dự kiến nhiệm vụ tạo so với sản phẩm loại thị trường…) - Nếu đề tài tiếp tục thử nghiệm liệu bệnh viện, sản phẩm ứng dụng bệnh viện để hỗ trợ bác sĩ chẩn đoán khối u - Sản phẩm thực nghiệm nhiều CSDL có tính ứng dụng cao - Nếu cung cấp server triển khai phù hợp, cung cấp ứng dụng online hỗ trợ trích xuất trực tuyến Tình hình thực chế độ báo cáo, kiểm tra nhiệm vụ: Số TT I II III Nội dung Báo cáo tiến độ Báo cáo giám định Nghiệm thu sở Thời gian thực 12/2018 05/2019 06/2019 Chủ nhiệm đề tài (Họ tên, chữ ký) Ghi (Tóm tắt kết quả, kết luận chính, người chủ trì…) Trần Anh Tuấn báo cáo Trần Anh Tuấn báo cáo Trần Anh Tuấn báo cáo Thủ trƣởng tổ chức chủ trì (Họ tên, chữ ký đóng dấu) Mục lục Giới thiệu 10 Tiền xử lý – Tách hộp sọ, da đầu, não 11 2.1 Giới thiệu 11 2.2 Cơ sở liệu phương pháp 12 2.2.1 Cơ sở liệu 12 2.2.2 Phương pháp 13 2.2.3 Nhóm lát cắt dựa hình dạng hộp sọ 15 2.2.4 Hình chữ nhật bao quanh vùng đầu biên da đầu 17 2.2.5 Phân đoạn hộp sọ 18 2.2.6 Phân đoạn não da đầu sử dụng mối quan hệ lát cắt 22 2.3 Kết 22 2.4 Thảo luận 25 Tách khối u não 26 3.1 Giới thiệu 26 3.2 Phương pháp đề xuất 27 3.2.1 Tiền xử lý 28 3.2.2 Tìm biên cho vùng chứa khối u 28 3.2.3 Phân đoạn thành phần khối u 29 3.3 Kết 30 Kết luận hướng phát triển 34 Lời cảm ơn 35 Tài liệu tham khảo 35 Danh mục ký hiệu, chữ viết tắt Từ viết tắt MRI WT ET TC Từ tiếng anh Nghĩa tiếng việt Ảnh chụp cắt lớp MRI Khối u tổng Khối u phát triển Nhân khối u MRI Images Whole Tumor Enhancing Tumor Tumor Core Danh mục bảng Bảng Nhóm lát cắt dựa vào hình dạng hộp sọ……………………………………… 16 Bảng Minh họa kết lát cắt nhóm CSDL BrainWeb Màu thể vùng sai màu xanh từ kết màu hồng từ ảnh so sánh 23 Bảng Minh họa kết lát cắt nhóm CSDL Neurodevelopmental Màu thể vùng sai màu xanh từ kết màu hồng từ ảnh so sánh.24 Bảng So sánh kết phân đoạn với phương pháp BET BSE 26 Bảng So sánh kết phân đoạn với phương pháp khác 26 Bảng Độ đo Dice Sensitivity cho Enhancing Tumor (ET), Whole Tumor (WT) Tumor Core (TC) tập liệu validation 32 Bảng Specificity Hausdorff distance cho Enhancing Tumor (ET), Whole Tumor (WT) Tumor Core (TC) tập liệu validation .33 Bảng Dice score, Hausdorff distance for Enhancing Tumor (ET), Whole Tumor (WT) Tumor Core (TC) tập kiểm tra 33 Danh mục hình vẽ, đồ thị Hình Hệ thống tổng quan tách hộp sọ, não da đầu từ ảnh MRI 14 Hình Minh họa lát cắt theo trục axial 15 Hình Các lát cắt với đối tượng nhiễu ảnh T1 FLAIR 17 Hinh Ảnh mẫu bước trình (a) Đỉnh ảnh histogram theo chiều ngang, (b) Ảnh kết sau hai đỉnh chọn theo chiều ngang, (c) Đỉnh ảnh histogram dọc, (d) Ảnh kết sau hai đỉnh histogram ảnh kết theo chiều dọc 18 Hình Tổng quan phương pháp đề xuất trích xuất khối u 28 Hình Minh họa sử dụng mặt phẳng bit Dòng trên, từ trái qua phải mắt phẳng bit 1-4 Dòng dưới, từ trái qua phải mặt phẳng bit từ 5-8 29 Hình Minh họa sử dụng nhiều kernel cho convolution mơ hình phân đoạn .30 Hình Kết phân đoạn hộp sọ từ ảnh BraTS'18 31 Hình Vùng Glioma .34 10 Ground Truth vs Result Bảng Minh họa kết lát cắt nhóm CSDL Neurodevelopmental Màu thể vùng sai màu xanh từ kết màu hồng từ ảnh so sánh Original image Sure segmentation Sure Skull, Sure Brain Using Adaptive Region Growing Skull Brain Ground truth 24 Scalp 2.4 Thảo luận Nghiên cứu nghiên cứu đặc biệt việc phân đoạn đồng thời hộp sọ, da đầu não Trong đó, hai sở liệu, sở liệu MRI BrainWeb Neurodevelopmental, sử dụng chúng chứa liệu phân đoạn hộp sọ da đầu cho mục đích so sánh Phương pháp tiên tiến cho hai sở liệu, bao gồm phương pháp BET BSE, lấy từ Francisco J Galdames [20] thực với công cụ MIPAV (xử lý, phân tích hình ảnh y tế) để phân đoạn não BET công cụ FSL [4] Từ so sánh Bảng 4, phương pháp hoạt động tốt phân đoạn hộp sọ từ sở liệu với loại T1, đặc biệt sở liệu BrainWeb (0,84 so với 0,71) Đối với sở liệu Neurodevelopmental MRI, có nhiều đối tượng nhiễu nhỏ, phương pháp chúng tơi phương pháp tiên tiến có số liệu gần giống Từ so sánh Bảng 5, kết so sánh với Trần Anh Tuấn et al [13], sử dụng Bitplane diễu hành nhanh thích ứng để phân chia nhiều mô Huang Y10, dựa khung suy luận Bayes kết hợp mơ hình cường độ hình ảnh, trước giải phẫu (atlas) biến đổi hình thái sử dụng trường ngẫu nhiên Markov ( MRF) Phương pháp cho thấy kết tốt phân đoạn hộp sọ, đặc biệt sở liệu MRI Neurodevelopmental (0,74 so với 0,67, 0,63), phương pháp chúng tơi, đối tượng hộp sọ đặt làm hạt giống lát cắt nhóm dựa hình dạng hộp sọ Trong nhóm, thơng số phù hợp chọn cho phân tách hộp sọ Do đó, tất kết hộp sọ tốt so với phương pháp khác, mô khác không chứng minh độ xác cao Về mặt nguyên tắc, phương pháp khác dựa hình dạng não chủ yếu tập trung vào phân đoạn não Nếu kết hợp nghiên cứu chúng tơi với thủ tục khác, có phương pháp tốt Với hạn chế đó, cơng việc tương lai sử dụng điều kiện phù hợp phân loại pixel 25 Bảng So sánh kết phân đoạn với phương pháp BET BSE Data BrainWeb Neuro MRI Tissues Our method State of art methods Brain 93% 93% Skull 84% 71% Scalp 93% 90% Brain 89% 88% Skull 74% 74% Scalp 88% 88% Bảng So sánh kết phân đoạn với phương pháp khác Data BrainWeb Neuro MRI Tách khối u não 3.1 Giới thiệu Tissues Our method TAT13 Huang Y10 Brain 93% 96% n/a Skull 84% 80% ~90% Scalp 93% 93% ~95% Brain 89% 91% n/a Skull 74% 67% ~63% Scalp 87% 80% ~90% Trích xuất xác khối u não đóng vai trị quan trọng chẩn đoán lập kế hoạch điều trị Các phương pháp hình ảnh thần kinh Chụp cộng hưởng từ (MRI) cung cấp thông tin giải phẫu sinh lý bệnh khối u não hỗ trợ chẩn đoán, lập kế hoạch điều trị theo dõi bệnh nhân Phân đoạn thủ công khối u não cơng việc khó khăn tốn thời gian Do đó, phân đoạn khối u não từ 3D Brain MRI tự động giải vấn đề Trong số nhiều loại khối u não, Gliomas khối u ác tính não phổ biến nghiêm Trong báo này, tập trung vào phân đoạn Enhancing Tumor, Tumor Core, Whole Tumor vùng Gliomas Phân đoạn khối u não trong nhiều loại ảnh MRI nhiệm vụ khó khăn phân tích hình ảnh y khoa Hiện nay, có nhiều phương pháp liên quan 26 đến phân đoạn khối u não đặt [21-22] Trong báo này, chia phương pháp thành hai loại nhóm : phương pháp tốn học phương pháp học máy  Trong phương pháp tốn học: khối u phân đoạn cách sử dụng ngưỡng, phương pháp dựa cạnh [23], Atlas [24] Trong Dubey cộng [25], phân cụm mờ dựa tập thô đề xuất để phân đoạn khối u  Trong phương pháp học máy: Theo truyền thống, nhiều tính trích xuất thủ cơng từ hình ảnh cung cấp cho trình phân loại Tuy nhiên, năm gần đây, Convolution Neural Networks (CNNs) chứng minh vượt trội học tính phức tạp phù hợp với phân cấp nhiệm vụ thấy thành công bật phân loại hình ảnh, phát đối tượng phân đoạn ngữ nghĩa hình ảnh [2628] Nhiều phương pháp phân chia khối u não dựa CNN kết hợp CNN với phương pháp truyền thống đề xuất [29-31] Trong nghiên cứu này, kết hợp phương pháp mặt phẳng Bit [32] kiến trúc U-Net [33] để phân chia khối u Đầu tiên, sử dụng mặt phẳng Bit để chuyển hình ảnh thành nhiều hình ảnh cách xác định bit quan trọng Kế tiếp, hình ảnh với bit quan trọng sử dụng để phân đoạn biên đối tượng Cuối cùng, hình ảnh gốc hình ảnh có bit quan trọng sử dụng để xác định thành phần bên ranh giới Cả hai giai đoạn sử dụng U-Net với nhiều ảnh đầu vào để phân đoạn thành phần xác Phần lại báo tổ chức sau: phần tiếp theo, chúng tơi trình bày phương pháp đề xuất để phân đoạn khối u não kết thử nghiệm trình bày Phần Chúng tơi đưa kết luận thảo luận Phần 3.2 Phƣơng pháp đề xuất Phương pháp đề xuất minh họa Hình Có ba giai đoạn chính: tiền xử lý, phân đoạn vùng chứa đối tượng phân tách thành phần bên Như thể Hình 1, sau chuyển đổi ảnh 3D thành hình ảnh 2D phân loại lát cắt, U-Net dự đốn tồn vùng chứa khối u U-Net khác để đánh nhãn tất pixel bên vùng chứa khối u 27 Hình Tổng quan phương pháp đề xuất trích xuất khối u 3.2.1 Tiền xử lý Quá trình tiền xử lý giai đoạn cần thiết trước phân đoạn đối tượng Chúng thực ba bước chính:  Chuẩn hóa liệu: hình ảnh 2D riêng lẻ chia tỷ lệ phạm vi [0-255]  Gom nhóm lát cắt não [34]: Chúng tơi gom nhóm lát cắt để kết hợp khối u lại với để có độ xác tốt Việc gom nhóm thực tự động cách học đặc trưng tự động thủ công cách bỏ qua số lát cắt kết thúc Ở đây, phát khối u thường xuất từ lát cắt 40-140  Vùng chứa đối tượng: hình ảnh 2D cắt để thực học sâu cách hiệu Ở đây, cắt kích thước hình ảnh từ (256,256) thành (176,176) Phần lớn bệnh nhận liệu trích theo mặt phẳng axial ảnh có độ phân giải cao mặt phẳng Do đó, tất MRI não 3D chuyển thành lát cắt não 2D lát cắt trục trích xuất từ bốn loại ảnh Sau giai đoạn tiền xử lý, tất lát cắt 2D từ (155,256,256) thành (100,176,176) với phạm vi giá trị (0-255) 3.2.2 Tìm biên cho vùng chứa khối u Phương pháp mặt phẳng bit [32] dựa việc phân tách hình ảnh đa cấp thành loạt hình ảnh nhị phân Cường độ hình ảnh dựa công thức thức (20): 28 am-12m-1 + am-22m-2 + … + a121 + a020 (20) Chúng nhận mặt phẳng cuối chứa bit quan trọng Để phân tách vùng chứa đối tượng, đề xuất sử dụng bit quan trọng để loại bỏ nhiễu ảnh hưởng đến hình ảnh Thay sử dụng mặt phẳng, kết hợp nhiều mặt phẳng lại với Chúng tơi trình bày lát cắt sử dụng mặt phẳng từ bit đến tám bit Hình Trong nghiên cứu này, loại bỏ bit cuối để loại bỏ nhiễu sử dụng bit để giữ liệu quan trọng để tạo hình ảnh để phát vùng chứa đối tượng Sau có ảnh, U-Net sử dụng để phân đoạn vùng chứa khối u cách sử dụng đầu vào lát 2D hình ảnh chứa bit quan trọng Hình Minh họa sử dụng mặt phẳng bit Dòng trên, từ trái qua phải mắt phẳng bit 1-4 Dòng dưới, từ trái qua phải mặt phẳng bit từ 5-8 3.2.3 Phân đoạn thành phần khối u Sau tìm vùng chứa khối u, thành phần bên vùng chứa khối u phân đoạn cách sử dụng U-Net khác Dữ liệu đầu vào liệu xử lý trước từ giai đoạn Tuy nhiên, để có kết tốt hơn, chúng tơi đề xuất hai đóng góp để tăng cường phân đoạn:  Một liệu bổ sung bên cạnh liệu ban đầu hình ảnh có nhiễu tạo từ bit có trọng số thấp Trong nghiên cứu này, thực nhiễu từ ba bit cuối hình ảnh 29  Triển khai U-Net với nhiều kích thước kernel để có phân đoạn tốt [35] Đặt ] Let 𝐾 = {(𝐾1, (𝑎1, 𝑏1)), … , (𝐾𝑛 , (𝑎𝑛 , 𝑏𝑛))} tập hợp n lọc K có kích thước (a, b) Đầu lớp i hợp đồ đặc trưng mà lớp i tạo Trong nghiên cứu này, số khối Conv bao gồm tập hợp kernel 3x3 hạt nhân phân tích kernel 5x5 Hình Hình Minh họa sử dụng nhiều kernel cho convolution mơ hình phân đoạn 3.3 Kết Chúng sử dụng liệu huấn luyện BraTS 2018 [36-39], bao gồm 210 ảnh MRI trước phẫu thuật đối tượng với khối u loại glioblastoma (HGG) 75 ảnh đối tượng có khối u loại lower grade glioma (LGG) Các loại ảnh quét đầu vào mô tả qua loại ảnh là: a) native (T1) and b) post-contrast T1-weighted (T1Gd), c) T2-weighted (T2), and d) T2 Fluid Attenuated Inversion Recovery (FLAIR) Tất ảnh lấy từ nhiều tổ chức khác (n = 19) Các nhãn đánh sau GD-Enhancing Tumor (ET — label 4), the peritumoral edema (ED — label 2), and the necrotic and non-enhancing tumor core (NCR/NET — label 1) Phương pháp đề xuất triển khai dựa thư viện Keras [40] với tensorflow [41] Phương thức tối ưu hóa 'Adam [[42] ' binary_crossentropy' [43] sử dụng UNET Chúng chạy phương pháp với 50 epoch card đồ họa Ge-force GTX980 Hình cho thấy kết minh họa từ ảnh MRI liệu thực BraTS'18 Hàng Hình ảnh ban đầu, từ trái sang phải: FLAIR, T1, T1ce T2 Hàng thứ hai chứa hình ảnh từ hai bit quan trọng Hàng thứ ba chứa hình ảnh có nhiễu từ ba bit có trọng số thấp Hàng thứ tư hàng cuối kết phân khúc cho giai đoạn 30 Original image FLAIR T1 T1ce T2 Generating images from two most significant bits Generating images with noise from three least significant bits Tumor boundary Result segmentation Hình Kết phân đoạn hộp sọ từ ảnh BraTS'18 31 Bảng Bảng cho thấy kết đánh giá trung bình cho lớp cho tất bệnh nhân thử nghiệm [44] Cuộc thi BraTS'18 có bốn số để đánh giá độ xác kết phân đoạn để đo lường tương đồng phân đoạn A B Đối với công việc phân đoạn để thống với cấu hình thách thức BraTS trước đó, hệ thống sử dụng số Dice khoảng cách Hausdorff Ngoài ra, BraTS'18 sử dụng số Sensitivity and Specificity, cho phép đánh giá them độ xác phân đoạn vùng khối u Các độ đo định nghĩa phương trình (21) (22) (23) (24) (21) (22) (23) (24) Độ đo Dice số đo giống hai tập A B, tương ứng với kết phân đoạn phương pháp ảnh đánh nhãn Sensitivity Specificity số thống kê sử dụng để đánh giá kết phân đoạn dựa điểm ảnh True Positives, False Negatives, False Positives, and True Negatives Hausdorff (A, B) khoảng cách Hausdorff hai bề mặt A B where đây, Ở khoảng cách Euclide a b Độ đo cho biết chất lượng phân đoạn biên khối u cách đánh giá khoảng cách lớn hai bề mặt phân đoạn khơng phụ thuộc vào kích thước khối u Bảng Độ đo Dice Sensitivity cho Enhancing Tumor (ET), Whole Tumor (WT) Tumor Core (TC) tập liệu validation Sensitivity Sensitivity Sensitivity Label Dice_ET Dice_WT Dice_TC ET WT TC Mean 0.68252 0.81871 0.69986 0.70254 0.77338 0.64729 32 StdDev 0.28138 0.16968 0.2913 0.25413 0.20257 0.30542 Median 0.80902 0.88296 0.82567 0.7804 0.83364 0.75828 Bảng Specificity Hausdorff distance cho Enhancing Tumor (ET), Whole Tumor (WT) Tumor Core (TC) tập liệu validation Label Mean StdDe v Media n Specificit Specificit Specificit Hausdorff Hausdorff Hausdorff Specificit y y y 95 95 95 y ET WT TC ET WT TC ET 0.99783 0.99525 0.99862 7.01652 9.42113 12.46282 0.99783 0.00403 0.00589 0.00197 9.53618 9.74773 14.68491 0.00403 0.9989 0.9967 0.99905 2.82843 6.04138 6.16441 0.9989 Bảng Dice score, Hausdorff distance for Enhancing Tumor (ET), Whole Tumor (WT) Tumor Core (TC) tập kiểm tra Hausdorff Hausdorff Hausdorff ET WT TC 0.51291 12.3933 14.19183 15.62507 0.15914 0.24294 12.33002 16.98779 14.32559 0.83227 0.56504 8.11168 8.06226 12.08305 Label DiceET DiceWT DiceTC Mean 0.47623 0.77338 StdDev 0.26239 Median 0.55018 Để tham gia thi BraTS 2018, sử dụng 100% liệu huấn luyện (285 ảnh MRI) cho mục đích huấn luyện Mơ hình chúng tơi huấn luyện để phân đoạn loại khối u HGG LGG Kết việc phân đoạn Enhancing Tumor (ET), Whole Tumor (WT) and Tumor Core (TC) sử dụng bốn độ đo trình bày Bảng Bảng Các giá trị trình bày Bảng cho thấy hiệu suất cao số Dice cho vùng WT, hiệu suất thấp cho khu vực ET TC nhiễu phát sinh từ Phương pháp bitplane có khác biệt nhỏ khơng xác minh để làm cho hình ảnh thực 33 Kết luận hƣớng phát triển Ngày nay, với phát triển học sâu, phát sinh thêm liệu cách tiếp cận tốt để phân đoạn xác Trong báo này, đề xuất sử dụng mặt phẳng Bit để tạo nhiều hình ảnh cách giữ lại đặc trưng quan trọng Bên cạnh đó, triển khai U-Net cách kết hợp nhiều loại kernel để có hiệu suất tốt Kết đánh khơng có liệu khác ngồi liệu thi kết đầy hứa hẹn Tuy nhiên, hiển thị Hình 6, loại hình ảnh đầu vào có đặc điểm cụ thể, đó, thay sử dụng loại hình ảnh làm đầu vào cho tất giai đoạn, sử dụng loại hình ảnh phù hợp cho giai đoạn để có kết tốt Hình 9: Vùng Glioma [16-19] Đối với phương pháp tiền xử lý, việc phân chia hộp sọ dựa MRI khó khăn so với phân đoạn hình ảnh CT sử dụng MRI không hoạt động tốt để chụp ảnh cấu trúc xương; đó, phân đoạn hộp sọ thách thức nhiều nhà nghiên cứu Trong nghiên cứu này, nhóm tác giả sử dụng histogram để tìm biên hình chữ nhật phù hợp adaptive region growing để phân chia hộp sọ Các tác giả sau phân đoạn não da đầu Các liệu công khai khác thường sử dụng cho đánh giá cộng đồng ảnh não (ví dụ, IBSR, OASIS) khơng sử dụng nghiên cứu liệu không cung cấp liệu để so sánh cho thành phần hộp sọ da đầu Theo Bảng 5, phương pháp phân chia hộp sọ đặt có hiệu phương pháp khác Tuy nhiên, tỷ lệ Dice trung bình phương pháp đề xuất cho phân đoạn não so với phương pháp [20] sở liệu BrainWeb điều kết phân đoạn có vấn đề liên quan đến nhóm đầu tiên; lát cắt bao gồm nhiều nhiễu nhỏ chứa hỗn hợp khơng khí thành phần khác 34 Lời cảm ơn Chúng muốn gửi lời cám ơn đến phòng LAB trường Đại Học Kinh Tế Luật Kết nghiên cứu hỗ trợ Chương trình Vườn Ươm Sáng tạo Khoa Học Cơng Nghệ Trẻ quản lý Trung Tâm Phát triển Khoa Học Cơng Nghệ Trẻ, Thành Đồn Thành Phố Hồ Chí Minh 2018 Tài liệu tham khảo Wen PY, Macdonald DR, Reardon DA, Cloughesy TF, Sorensen AG, Galanis E, Degroot J, Wick W, Gilbert MR, Lassman AB, Tsien C, Mikkelsen T, Wong ET, Chamberlain MC, Stupp R, Lamborn KR, Vogelbaum MA, Van den Bent MJ, Chang SM, Updated response assessment criteria for high-grade gliomas: Response assessment in neurooncology working group, Journal of Clinical Oncology 28:1963, (2010), DOI: 10.1093/neuonc/now058 Z.-P Liang, P C Lauterbur, Principles of Magnetic Resonance Imaging: A Signal Processing Perspective, The Institute of Electrical and Electronics Engineers Press, (2000) William Penny, Karl Friston, John Ashburner, Stefan Kiebel, Thomas Nichols, Statistical Parametric Mapping: The analysis of functional brain images, Elsevier/Academic Press, (2007) Stephen M Smith, Mark Jenkinson, Mark W Woolrich, Christian F Beckmann, Timothy E.J Behrens, Heidi Johansen-Berg, Peter R Bannister, Marilena De Luca, Ivana Drobnjak, David E Flitney, Rami K Niazy, James Saunders, John Vickers, Yongyue Zhang, Nicola De Stefano, J Michael Brady, Paul M Matthews, Advances in Functional and Structural MR Image Analysis and Implementation as FSL, NeuroImage 23: S208, (2004), DOI: 10.1016/j.neuroimage.2004.07.051 Stephen M Smith, Fast robust automated brain extraction, Human Brain Mapping 17: 143, (2002), DOI: 10.1002/hbm.10062 Shattuck DW, Sandor-Leahy SR, Schaper KA, Rottenberg DA, Leahy RM, Magnetic Resonance Image Tissue Classification Using a Partial Volume Model, NeuroImage 13:856, (2001), DOI: 10.1006/nimg.2000.0730 Fischl B., Salat D.H., Busa E., Albert M., Dieterich M., Haselgrove C., van der Kouwe A., Killiany R., Kennedy D., Klaveness S., Montillo A., Makris N., Rosen B., Dale A.M, Whole brain segmentation: automated labeling of neuroanatomical structures in the human brain, Neuron 33:341, (2002), DOI: 10.1016/S0896-6273(02)00569 D Rivière, J Régis, Y Cointepas, D Papadopoulos-Orfanos, A Cachia, and J.-F Mangin, A freely available Anatomist/BrainVISA package for structural morphometry of the cortical sulci, Proc 9th HBM, Neuroimage 19:934, (2003) Goebel R, BrainVoyager–Past, present, future, NeuroImage 62:748, (2012), DOI:10.1016/j.neuroimage.2012.01.083 10 Huang Yu, Parra, Lucas C., Fully Automated Whole-Head Segmentation with Improved Smoothness and Continuity with Theory Reviewed, PLoS ONE 10:e0125477, (2015), doi: 10.1371/journal.pone.0125477 11 Nielsen JD, Madsen KH, Puonti O, Siebner HR, Bauer C, Madsen CG, Saturnino GB, Thielscher A., Automatic skull segmentation from MR images for realistic volume conductor models of the head: Assessment of the state-of-the-art, Neuroimage 174:587, (2018), doi: 10.1016/j.neuroimage.2018.03.001 12 P Kalavathi, V B Surya Prasath, Methods on Skull Stripping of MRI Head Scan Images—a Review, J Digit Imaging 29: 365, (2016), DOI: 10.1007/s10278-015-9847-8 35 13 Tran Anh Tuan, Jin Young Kim, Pham The Bao, 3D brain magnetic resonance imaging segmentation by using bitplane and adaptive fast marching, International Journal of Imaging Systems and Technology 28:223, (2018), DOI: 10.1002/ima.22273 14 Mazziotta J, Toga A, Evans A, Fox P, Lancaster J, Zilles K, et al., A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM), Philosophical Transactions of the Royal Society of London Series B 356:1293, (2001), DOI: 10.1098/rstb.2001.0915 15 D S Marcus, T H Wang, J Parker, J G Csernansky, J C Morris, and R L Buckner, Open access series of imaging studies (OASIS): cross-sectional MRI data in young, middle aged, nondemented, and demented older adults, Journal of Cognitive Neuroscience 19: 1498, (2007), doi: 10.1162/jocn.2009.21407 16 Aubert-Broche B, Griffin M, Pike GB, Evans AC, Collins DL, Twenty new digital brain phantoms for creation of validation image databases, IEEE Transactions on Medical Imaging 25: 1410, (2006), DOI: 10.1109/TMI.2006.883453 17 Sanchez, C.E., Richards, J.E., & Almli, C.R, Age-specific MRI templates for pediatric neuroimaging, Developmental Neuropsychology 37: 379, (2012), doi: 10.1080/87565641.2012.688900 18 W K Pratt, Digital Image Processing, Wiley-Interscience, 2007 19 Nobuyuki Otsu, A threshold selection method from gray-level histograms, IEEE Trans Sys., Man Cyber 9: 62, (1979), DOI: 10.1109/TSMC.1979.4310076 20 Francisco J Galdames, Fabrice Jaillet, Claudio A Pereza, An accurate skull stripping method based on simplex meshes and histogram analysis for magnetic resonance images, Journal of Neuroscience Methods 206:103, (2012), DOI: 10.1016/j.jneumeth.2012.02.017 21 N Gordillo, E Montseny, and P Sobrevilla: State of the art survey on MRI brain tumor In IEEE of Segmentation, (2013), doi: 10.1016/j.mri.2013.05.002 22 M Angulakshmi, G.G Lakshmi Priya: Automated brain tumor segmentation techniques— A review Int J Imaging Syst Technol., vol 27, pp 66-77, (2017), doi: 10.1002/ima.22211 23 A Aslam, E Khan, and M.M.S Beg: Improved edge detection algorithm for brain tumor segmentation Elsevier, vol 58, pp 430–437, (2015), doi: 10.1016/j.procs.2015.08.057 24 Bauer, S., Seiler, C., Bardyn, T., Buechler, P., Reyes, M.: Atlas-based segmenta- tion of brain tumor images using a Markov Random Field-based tumor growth model and nonrigid registration In: Proc IEEE EMBC pp 4080-4083 (2010), doi:10.1109/IEMBS.2010.5627302 25 Y.K Dubey, M.M Mushrif, and K Mitra: Segmentation of brain MR images using rough set based intuitionistic fuzzy clustering Biocybern Biomed Eng, pp 413–426, (2016), doi: 10.1016/j.bbe.2016.01.001 26 Y Lecun, L Bottou, Y Bengio, P Haffner: Gradient-based learning applied to document recognition In: Proceedings of the IEEE, pp 2278–2324, (1998), doi: 10.1109/5.726791 27 Evan Shelhamer, Jonathan Long, Trevor Darrell: Fully convolutional networks for semantic segmentation IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 39, is-sue 4, 640-651, (2017), doi: 10.1109/CVPR.2015.7298965 28 Vijay Badrinarayanan, Alex Kendall, Roberto Cipolla: SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation IEEE Transactions on pattern analysis and machine intelligence, vol 39, issue 12, 2481-2495, (2017), doi: 10.1109/TPAMI.2016.2644615 29 Lu Guo, Ping Wang, Ranran Sun, Chengwen Yang, Ning Zhang, Yu Guo, Yuanming Feng: A fuzzy feature fusion method for auto-segmentation of gliomas with multimodality diffusion and perfusion magnetic resonance images in radiotherapy Scientific Reports volume 8, Article number: 3231, (2018) 30 Shukla G, Alexander GS, Bakas S, Nikam R, Talekar K, Palmer JD, Shi W Advanced magnetic resonance imaging in glioblastoma: a review Chin Clin Oncol 2017 Aug;6(4):40 doi: 10.21037/cco.2017.06.28 36 31 Bakas S, Zeng K, Sotiras A, Rathore S, Akbari H, Gaonkar B, Rozycki M, Pati S, Davatzikos C GLISTRboost: Combining Multimodal MRI Segmentation, Registration, and Bio-physical Tumor Growth Modeling with Gradient Boosting Machines for Glioma Segmenta-tion Brainlesion (2015) 2016;9556:144-155 doi: 10.1007/978-3-319-308586_1 32 R.C Gonzalez, and R.E Woods: ‗Digital Image Processing‘ Prentice Hall, Inc., New Jersey, 2002 33 Ronneberger, O.; Fischer, P.; Brox, T.: U-Net: Convolutional networks for biomedical image segmentation In: International Conference on Medical Image Computing and Computer- Assisted Intervention, pp 234-241 Springer, Cham (2015) 34 Tran Anh Tuan, Jin Young Kim, Pham The Bao: 3D brain magnetic resonance imaging segmentation by using bitplane and adaptive fast marching International Journal of Imaging Systems and Technology, vol 28, pp 223-230, (2018), doi: 10.1002/ima.22273 35 Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich: Going deeper with convolutions IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2015), doi: 10.1109/CVPR.2015.7298594 36 Menze BH, Jakab A, Bauer S, Kalpathy-Cramer J, Farahani K, Kirby J, Burren Y, Porz N, Slotboom J, Wiest R, Lanczi L, Gerstner E, Weber MA, Arbel T, Avants BB, Ayache N, Buendia P, Collins DL, Cordier N, Corso JJ, Criminisi A, Das T, Delingette H, Demiralp Γ, Durst CR, Dojat M, Doyle S, Festa J, Forbes F, Geremia E, Glocker B, Golland P, Guo X, Hamamci A, Iftekharuddin KM, Jena R, John NM, Konukoglu E, Lashkari D, Mariz JA, Meier R, Pereira S, Precup D, Price SJ, Raviv TR, Reza SM, Ryan M, Sarikaya D, Schwartz L, Shin HC, Shotton J, Silva CA, Sousa N, Subbanna NK, Szekely G, Taylor TJ, Thomas OM, Tustison NJ, Unal G, Vasseur F, Wintermark M, Ye DH, Zhao L, Zhao B, Zikic D, Prastawa M, Reyes M, Van Leemput K "The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS)", IEEE Transactions on Medical Imaging 34(10), 1993-2024 (2015) DOI: 10.1109/TMI.2014.2377694 37 Bakas S, Akbari H, Sotiras A, Bilello M, Rozycki M, Kirby JS, Freymann JB, Farahani K, Davatzikos C "Advancing The Cancer Genome Atlas glioma MRI collections with expert segmentation labels and radiomic features", Nature Scientific Data, 4:170117 (2017), DOI: 10.1038/sdata.2017.117 38 Bakas S, Akbari H, Sotiras A, Bilello M, Rozycki M, Kirby J, Freymann J, Farahani K, Da-vatzikos C "Segmentation Labels and Radiomic Features for the Pre-operative Scans of the TCGA-GBM collection", The Cancer Imaging Archive, 2017 DOI: 10.7937/K9/TCIA.2017.KLXWJJ1Q 39 Bakas S, Akbari H, Sotiras A, Bilello M, Rozycki M, Kirby J, Freymann J, Farahani K, Da-vatzikos C "Segmentation Labels and Radiomic Features for the Pre-operative Scans of the TCGA-LGG collection", The Cancer Imaging Archive, 2017 DOI: 10.7937/K9/TCIA.2017.GJQ7R0EF 40 Chollet, Francois and others, Keras https://keras.io, 2015 41 Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., et al.: Tensorflow: a system for large-scale machine learning In: OSDI vol 16, pp 265-283 (2016) 42 D.P Kingma, L.J.Ba:, Adam: a Method for Stochastic Optimization In: International Conference on Learning Representations, (2015) 43 Bishop, Christopher M., Pattern Recognition and Machine Learning, Springer, 2006 44 Spyridon Bakas, Mauricio Reyes, et Int, and Bjoern Menze, ―Identifying the Best Machine Learning Algorithms for Brain Tumor Segmentation, Progression Assessment, and Overall Survival Prediction in the BRATS Challenge‖, arXiv preprint arXiv:1811.02629, 2018 37 45 Goodfellow, I J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Cour-ville, A., and Bengio, Y.: Generative adversarial nets In NIPS'14 Proceedings of the 27th International Conference on Neural Information Processing Systems, (2014) 38