Xây dựng thuật toán phân vùng để phân loại và xác định kích thước khối u não

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHĨA LUẬN TỐT NGHIỆP NGÀNH KỸ THUẬT Y SINH XÂY DỰNG THUẬT TỐN PHÂN VÙNG ĐỂ PHÂN LOẠI VÀ XÁC ĐỊNH KÍCH THƯỚC KHỐI U NÃO GVHD: TS NGUYỄN THANH NGHĨA SVTH: MAI PHẠM TUÂN ĐÀO THÁI PHƯƠNG UYÊN SKL011114 Tp Hồ Chí Minh, tháng 7/2023 BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH ĐỒ ÁN TỐT NGHIỆP NGÀNH KỸ THUẬT Y SINH ĐỀ TÀI: XÂY DỰNG THUẬT TOÁN PHÂN VÙNG ĐỂ PHÂN LOẠI VÀ XÁC ĐỊNH KÍCH THƯỚC KHỐI U NÃO GVHD: TS Nguyễn Thanh Nghĩa SVTH 1: Mai Phạm Tuân MSSV 1: 19129059 SVTH 2: Đào Thái Phương Uyên MSSV 2: 19129064 Tp Hồ Chí Minh - 07/2023 TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH CỘNG HỒ XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA ĐIỆN-ĐIỆN TỬ ĐỘC LẬP - TỰ DO - HẠNH PHÚC BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH o0o Tp HCM, ngày 20 tháng năm 2023 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Mai Phạm Tuân MSSV: 19129059 Đào Thái Phương Uyên MSSV: 19129064 Chuyên ngành: Kỹ thuật Y sinh Mã ngành: 29 Hệ đào tạo: Đại học quy Mã hệ: Khóa: 2019 Lớp: 191290 I TÊN ĐỀ TÀI: XÂY DỰNG THUẬT TOÁN PHÂN VÙNG ĐỂ PHÂN LOẠI VÀ XÁC ĐỊNH KÍCH THƯỚC KHỐI U NÃO II NHIỆM VỤ Các số liệu ban đầu: - Ngôn ngữ sử dụng: Python - Phần mềm huấn luyện: IDLE Python 3.10, Visual Studio Code, Google Colab, PyCharm - Tập liệu: Dữ liệu ảnh MRI dùng để phân loại gồm 7023 ảnh gồm ảnh não loại Glioma, Meningioma, Pituitary ảnh não bình thường tác giả Masoud Nickparvar Dữ liệu dùng để phân vùng gồm 3064 ảnh u não Nikhil Tomar 2150 ảnh u não tác giả Jenny Luciav - Sử dụng mạng nơ - ron để phân loại ảnh - Sử dụng mạng nơ - ron thuật toán GraphCut - Pinpoint để phân vùng ảnh - Thiết kế giao diện GUI để hiển thị kết chẩn đoán Nội dung thực hiện: - Nội dung 1: Tìm hiểu lý thuyết khối u đặc, cách tạo hình ảnh MRI đặc điểm ảnh MRI - Nội dung 2: Thiết kế phương pháp tìm phân loại dùng mạng nơ - ron I - Nội dung 3: Nghiên cứu thuật toán phân vùng khối u ảnh y tế cơng thức tính kích thước khối u não đặc - Nội dung 4: Viết Code cho mơ hình phân loại phân vùng dùng ngôn ngữ Python - Nội dung 5: Thiết kế giao diện GUI dùng ngôn ngữ Python - Nội dung 6: Chạy mô phỏng, hiệu chỉnh, thu thập kết - Nội dung 7: Đánh giá kết thực - Nội dung 8: Viết báo cáo thực - Nội dung 9: Bảo vệ luận văn III NGÀY GIAO NHIỆM VỤ: 25/02/2023 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 20/06/2023 V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: CÁN BỘ HƯỚNG DẪN TS Nguyễn Thanh Nghĩa BM ĐIỆN TỬ CÔNG NGHIỆP – Y SINH II CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH ĐỘC LẬP - TỰ DO - HẠNH PHÚC KHOA ĐIỆN-ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH o0o Tp HCM, ngày 20 tháng năm 2023 LỊCH TRÌNH THỰC HIỆN ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên 1: Mai Phạm Tuân Lớp: 191290 MSSV: 19129059 Họ tên sinh viên 2: Đào Thái Phương Uyên Lớp: 191290 MSSV: 19129064 Tên đề tài: Xây dựng thuật toán phân vùng để phân loại xác định kích thước khối u não Nội dung Tuần/ngày Tuần 01 (20/2 - 26/2/2023) Tuần 02 (27/2 - 5/3/2023) Xác nhận GVHD - Họp với GVHD để nghe phổ biến yêu cầu làm đồ án, tiến hành chọn đề tài viết đề cương nghiên cứu - Viết tóm tắt yêu cầu đề tài chọn: đề tài làm gì, nội dung thiết kế, thơng số giới hạn đề tài Tuần 03 - Tuần 05 - Tìm hiểu phương pháp phân loại u (6/3 - 26/3/2023) Tuần 06 - Tuần 08 (27/3 - 19/3/2023) não - Tìm hiểu phương pháp phân vùng u não cơng thức xác định kích thước khối u não Tuần 09 - Tuần 13 - Ứng dụng phương pháp vào mơ hình (20/3 - 30/4/2023) phân loại xác định kích thước khối u Tuần 14 - Tuần 16 (1/4 - 21/5/2023) - Hiệu chỉnh kết phân loại phân vùng u não - Viết báo cáo III - Xây dựng phần mềm hiển thị kết chấn đốn tính kích thước khối u Tuần 17 - Chạy thử nghiệm hoàn thiện hệ thống (22/5 - 28/5/2023) - Tiếp tục viết báo cáo Tuần 18 (29/5 - 4/6/2023) - Trình bày hồn chỉnh báo cáo - Nộp báo cáo cho GVHD đề xét duyệt chỉnh sửa GV HƯỚNG DẪN (Ký ghi rõ họ tên) IV LỜI CAM ĐOAN Nhóm cam đoan báo cáo tổng hợp từ kiến thức tổng quát, chuyên ngành trình học trình thực đồ án nhóm Cùng với đó, nhóm tìm hiểu từ nhiều nguồn tài liệu để giải vấn đề liên quan nhằm hoàn thành đề tài, tài liệu tham khảo trích dẫn phần tài liệu tham khảo Các kết nghiên cứu kết luận báo cáo đề tài trung thực khơng có chép từ tài liệu có sẵn Nhóm sinh viên thực Mai Phạm Tuân Đào Thái Phương Uyên V LỜI CẢM ƠN Nhóm chúng em xin gửi lời cảm ơn chân thành lòng tri ân sâu sắc đến Thầy Nguyễn Thanh Nghĩa - Giảng viên môn Điện Tử Công nghiệp - Y Sinh Thầy dành thời gian quý báu trực tiếp hướng dẫn tận tình giúp đỡ, chia sẻ nhiều kinh nghiệm tạo điều kiện cho chúng em thực tốt đề tài Nhóm xin gửi lời cảm ơn thầy cô Khoa Điện - Điện Tử nói chung, thầy mơn Điện Tử Cơng Nghiệp - Y Sinh nói riêng Thầy trang bị kiến thức cần thiết giúp đỡ nhiều trình thực đề tài Cuối cùng, nhóm xin gửi lịng biết ơn ba mẹ, đấng sinh thành ni dưỡng, chăm sóc tin tưởng vào chúng em suốt thời gian qua Xin chân thành cảm ơn! Nhóm sinh viên thực Mai Phạm Tuân Đào Thái Phương Uyên VI MỤC LỤC NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP .I LỊCH TRÌNH THỰC HIỆN ĐỒ ÁN TỐT NGHIỆP III LỜI CAM ĐOAN V LỜI CẢM ƠN .VI MỤC LỤC VII LIỆT KÊ HÌNH X LIỆT KÊ BẢNG XIV DANH SÁCH CÁC TỪ VIẾT TẮT .XVI DANH SÁCH THUẬT NGỮ XVII TÓM TẮT XIX Chương TỔNG QUAN .1 1.1 ĐẶT VẤN ĐỀ 1.2 MỤC TIÊU .2 1.3 NỘI DUNG NGHIÊN CỨU 1.4 GIỚI HẠN 1.5 BỐ CỤC Chương CƠ SỞ LÝ THUYẾT 2.1 MÔ TẢ VỀ BỆNH U NÃO 2.1.1 Khái quát u não 2.1.2 Phân loại bệnh u não 2.2 GIỚI THIỆU VỀ ẢNH MRI 2.3 MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI U NÃO 2.3.1 Phương pháp máy vector hỗ trợ 2.3.2 Phương pháp mạng nơ - ron tích chập CNN 2.4 MỘT SỐ PHƯƠNG PHÁP PHÂN VÙNG U NÃO 14 2.4.1 Phương pháp phân vùng dựa ngưỡng 14 2.4.2 Phương pháp phân vùng dựa mơ hình mạng nơ – ron 16 2.4.3 Phương pháp phân vùng dựa cắt giảm đồ thị 18 Chương TÍNH TỐN VÀ THIẾT KẾ HỆ THỐNG .21 3.1 GIỚI THIỆU 21 VII 3.2 SƠ ĐỒ KHỐI 21 3.4 TIỀN XỬ LÝ 23 3.4.1 Định dạng kích thước ảnh .23 3.4.1.1 Mơ hình YOLOv4 24 3.4.1.2 Mơ hình học sâu tự đề xuất 24 3.4.2 Gán nhãn cho liệu 25 3.5 MƠ HÌNH PHÂN LOẠI U NÃO 27 3.5.1 Mơ hình YOLOv4 27 3.5.2 Mơ hình học sâu tự đề xuất 30 3.6 THUẬT TOÁN PHÂN VÙNG U NÃO 31 3.6.1 Thuật toán phân vùng dựa mạng nơ - ron 31 3.6.2 Thuật toán phân vùng GraphCut - pinpoint 34 3.7 PHƯƠNG PHÁP ĐÁNH GIÁ MƠ HÌNH PHÂN LOẠI VÀ PHÂN VÙNG U NÃO 39 3.7.1 Ma trận nhầm lẫn 40 3.7.2 Độ xác, độ bao phủ, số dung hồ số tương đồng40 3.7.3 Thơng số AP mAP 42 3.8 TÍNH KÍCH THƯỚC KHỐI U NÃO 42 3.9 THIẾT KẾ GIAO DIỆN 43 Chương KẾT QUẢ, ĐÁNH GIÁ VÀ NHẬN XÉT 47 4.1 GIỚI THIỆU 47 4.2 TẬP DỮ LIỆU ĐƯỢC SỬ DỤNG 47 4.2.1 Dữ liệu sử dụng cho mơ hình phân loại 47 4.2.2 Dữ liệu sử dụng cho mô hình phân vùng 50 4.3 KẾT QUẢ PHÂN LOẠI U NÃO 52 4.3.1 Mơ hình EfficientNetB0 52 4.3.2 Mơ hình YOLOv4 55 4.3.3 Mơ hình học sâu tự đề xuất 58 4.4 KẾT QUẢ PHÂN VÙNG U NÃO 63 4.4.1 Thuật toán phân vùng dựa mạng nơ - ron 63 4.4.2 Thuật toán phân vùng GraphCut - Pinpoint 68 VIII CHƯƠNG KẾT QUẢ, ĐÁNH GIÁ VÀ NHẬN XÉT Hình 4.19: Ảnh trước sau phân vùng u não loại Glioma dùng thuật tốn GraphCut - Pinpoint Hình 4.20: Ảnh trước sau phân vùng u não loại Meningioma dùng thuật tốn GraphCut - Pinpoint Hình 4.21: Ảnh trước sau phân vùng u não loại Pituitary dùng thuật tốn GraphCut - Pinpoint Như Hình 4.19, 4.20, 4.21, ta thấy thuật toán GraphCut - Pinpoint phân vùng xác hiệu ảnh ảnh u não loại Glioma, Meningioma Pituitary so với phân vùng mơ hình U - Net thực trình bày Nhận xét thuật tốn GraphCut - Pinpoint: Sau khi, tiến hành test với ảnh Test từ tập liệu mơ hình Phân loại đề cập Phần 3.3, nhóm test với 906 ảnh bao gồm ảnh u não Glioma, Meningioma Pituitary Kết thống kê Bảng 4.16: Bảng 4.16: Chỉ số đánh giá hiệu suất thuật toán phân vùng GraphCut Pinpoint GraphCut - Pinpoint F1 - score Jaccard Recall Precision 72.86% 64.22% 68.46% 88.43% BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 69 CHƯƠNG KẾT QUẢ, ĐÁNH GIÁ VÀ NHẬN XÉT Ở Bảng 4.16, số Accuracy, Jaccard, Precision cao F1 Recall lại thấp Nguyên nhân GraphCut - Pinpoint thực phân vùng chưa tốt với u não loại Glioma Đặc điểm loại u hình dáng phức tạp, giá trị pixel đối tượng gần tương đương với giá trị pixel Nguyên nhân khác phụ thuộc giá trị Bounding box sau nhận kết phân loại não mạng YOLOv4 Nếu YOLOv4 khơng phân loại ảnh não phân loại xác loại não xác định sai vị trí khối u não dẫn đến cho giá trị Bounding box đối tượng sai vào tính tốn phân vùng GraphCut - Pinpoint NHẬN XÉT CHUNG: Qua trình bày trên, nhóm thống kê Bảng 4.17 đây: Bảng 4.17: Chỉ số đánh giá hiệu suất GraphCut - Pinpoint U - Net F1 - score Jaccard Recall Precision GraphCut - Pinpoint 72.86% 64.22% 68.46% 88.43% U - net (Sau) 70.5% 61.56% 69.39% 78.31% Từ số liệu thống kê Bảng 4.17, ta thấy số đánh giá thuật toán phân vùng ảnh u não dùng GraphCut - Pinpoint cao mơ hình U - net từ - 10% Nguyên nhân gây khác biệt do: - Mơ hình U - Net cịn liệu để huấn luyện thời gian huấn luyện chưa đủ để mơ hình đưa kết phân vùng xác - Cũng có thể, ảnh Test khó ảnh Train nên đưa kết dự đoán thấp - Ở kỹ thuật phân vùng U - Net GraphCut - Pinpoint chưa phân vùng hiệu đối tượng u não loại Glioma Sau thống kê kết phân vùng ảnh, nhóm trình bày kết nhận xét thu q trình kiểm thử với 906 ảnh Test nhóm đưa bảng so sánh kỹ thuật phân vùng dùng mơ hình U - net GraphCut - Pinpoint dựa vào đặc điểm: Thời gian phân vùng, Tính phụ thuộc, Dữ liệu, Độ phức tạp, Độ xác, Đối tượng phân vùng theo Bảng 4.18 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 70 CHƯƠNG KẾT QUẢ, ĐÁNH GIÁ VÀ NHẬN XÉT Bảng 4.18: So sánh đặc điểm phân vùng ảnh u não U - Net GraphCut - Pinpoint Kỹ thuật Đặc điểm Thời gian phân vùng U - Net Phân vùng ảnh GraphCut - Pinpoint nhanh Tốn nhiều thời gian để chóng sau huấn phân vùng ảnh tính tốn luyện phức tạp Thuật tốn cần can thiệp Mơ hình tự học giám sát, Tính phụ thuộc không cần nhiều can thiệp để thực cài đặt bước thủ công tham số đầu vào, cụ thể giá trị Bounding box đầu vào từ mơ hình phân loại YOLO Cần nhiều liệu nhãn Dữ liệu có độ xác cao để Khơng cần nhiều liệu tránh Overfitting Tính tốn phức tạp tốn Độ phức tạp Có cấu trúc đơn giản với tài nguyên để tối ưu hoá lớp tích chập gộp lượng mơ hình Markov ngẫu nhiên Đều cho kết phân vùng tốt xác cần Kết phân vùng tốt Độ xác nhiều thời gian huấn xác kỹ thuật luyện liệu đầu vào truyền thống lớn Có hình dáng khác Có hình dáng không phức Đối tượng phân vùng phải tách biệt rõ tạp giá trị pixel vùng ràng với Phù hợp với đối tượng phải khác với giá loại u não Glioma, trị pixel vùng u não Meningioma Pituitary loại Meningioma, Pituitary BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 71 CHƯƠNG KẾT QUẢ, ĐÁNH GIÁ VÀ NHẬN XÉT Qua Bảng 4.18, ta có nhận xét mạng U - Net GraphCut Pinpoint hai phương pháp phân vùng ảnh khác nhau, có ưu điểm hạn chế riêng U - Net phù hợp với ảnh u não có đối tượng hình dạng phức tạp giá trị pixel có độ tương phản thấp Glioma kể đối tượng có hình dạng khơng phức tạp Meningioma Pituitary Cịn GraphCut Pinpoint thường phân vùng xác ảnh có đối tượng đơn giản rõ ràng Meningioma Pituitary Như vậy, việc lựa chọn thuật toán phân vùng phù hợp phụ thuộc vào yêu cầu ứng dụng cụ thể 4.5 GIAO DIỆN PHÂN LOẠI VÀ XÁC ĐỊNH KÍCH THƯỚC KHỐI U NÃO Sau hồn thành đào tạo mơ hình phân loại, thuật tốn phân vùng u não hoàn thành thiết kế giao diện tương tác với người dùng, cần vài thao tác nhấn nút ta có kết phân loại u não diện tích có Khi đóng gói thành tệp.exe ta dễ dàng sử dụng sau vài giây bắt đầu khởi chạy phần mềm Giao diện phần mềm lên Hình 4.22 Hình 4.22: Giao diện Phân loại xác định kích thước u não Để thực phân loại tính diện tích u não ảnh MRI não ta tiến hành theo bước sau: - Bước 1: Chọn ảnh cần u não cần phân loại, nhấn nút “ Choose Image” để bắt đầu chọn Hình 4.23 Sẽ lên tệp ảnh mà ta muốn phân loại Chọn ảnh mà bạn muốn phân loại nhấn “Open” hộp thoại để hoàn thành bước chọn ảnh cần phân loại BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 72 CHƯƠNG KẾT QUẢ, ĐÁNH GIÁ VÀ NHẬN XÉT Hình 4.23: Nút nhấn ‘Choose Image’ để load ảnh lên - Bước 2: Sau chọn ảnh, nhấn nút “ Classification” ứng dụng dùng mơ hình huấn luyện để phân loại, ảnh sau phân loại hiển thị “Images classification” kết phân loại ô “Result of Classification” Hình 4.24 Hình 4.24: Nút nhấn “Classification” để phân loại ảnh - Bước 3: Nếu bước ảnh não phân loại có u não bước này, ta tiếp tục nhấn “Segmentation & Calculation” để tính diện tích u não chuẩn đốn Hình 4.25 Hình 4.25: Nút nhấn “Segmentation & Calculation” để phân vùng tính diện tích u não ảnh có khối u BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 73 CHƯƠNG KẾT QUẢ, ĐÁNH GIÁ VÀ NHẬN XÉT Ngược lại, ta không cần nhấn nút “Segmentation & Calculation” ảnh phân loại khơng có u não khơng thực bước Hình 4.26: Kết nhấn “Segmentation & Calculation” để phân vùng tính diện tích u não ảnh có khối u Sau nhấn nút “Segmentation & Calculation”, kết phân vùng hiển thị Hình 4.26, diện tích vùng khối u hiển thị “Area of the tumor” Tương tự, sau hoàn thành phân loại tính tốn diện tích u não ảnh khác cách lặp lại bước 4.6 DỰ TỐN HỆ THỐNG Hệ thống phân loại tính tốn diện tích u não xây dựng, đào tạo công cụ hỗ trợ nguồn liệu miễn phí, tiêu tốn thời gian cơng sức mặt nghiên cứu thực xây dựng hệ thống liệt kê tính tốn chi phí Bảng 4.19 sau: Bảng 4.19: Dự toán hệ thống phân loại tính tốn diện tích u não Cơng việc thực Xây dựng huấn luyện mạng Thiết kế lập trình cho hệ thống Tổng Thời gian thực Đơn giá Giá thành (ngày) (Đồng/ngày) (Đồng) 20 ngày 250.000 đồng 5.000.000 đồng ngày 250.000 đồng 1.750.000 đồng 6.750.000 đồng BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 74 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 KẾT LUẬN Đề tài “Xây dựng thuật toán phân vùng ảnh để phân loại xác định kích thước khối u não” đạt mục tiêu ban đầu phân loại xác định kích thước khối u não Đề tài xây dựng mơ hình phân loại tự đề xuất CNN đạt độ xác cao 90% so với mơ hình phân loại có sẵn EffcientNetB0 YOLOv4 Cùng với mơ hình phân vùng ảnh tương đối ổn định dùng mơ hình U - Net với độ xác từ 61% - 78% thuật tốn GraphCut - Pinpoint đạt độ xác cao U - Net từ 64% - 88%.Trong đó, mơ hình thuật tốn xử lý thực ngôn ngữ Python, giao diện xây dựng để hiển thị kết phân loại kích thước khối u não, chức tương đối đạt yêu cầu, dễ sử dụng thẩm mỹ Kết đề tài hình ảnh 2D khối u, phân vùng, phân loại không u não loại u não với kích thước khối u số diện tích (pixel) làm cho bác sĩ nhân viên y tế có nhìn tổng thể u não Tuy nhiên, đề tài cần phải cải thiện hiệu suất mơ hình phân vùng để tính tốn kích thước khối u não xác 5.2 HƯỚNG PHÁT TRIỂN Trong trình thực đề tài, nhóm nhận thấy có nhiều mặt hạn chế nhiều phương hướng để hồn thiện sản phẩm xác Nhóm đề xuất thêm số sau: - Thu thập thêm tập liệu để tăng số lượng liệu đầu vào - Thêm chức hệ thống cho hợp lý cập nhật nhiều kết bệnh nhân tái khám hướng đến xây dựng hệ thống sở liệu trực tuyến BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 75 TÀI LIỆU THAM KHẢO TÀI LIỆU THAM KHẢO [1] MOH, “Tình hình ung thư Việt Nam”, Cổng thông tin điện tử Bộ Y Tế, 2021, Availabel online: https://moh.gov.vn/hoat-dong-cua-dia-phuong//asset_publisher/gHbla8vOQDuS/content/tinh-hinh-ung-thu-tai-viet-nam [2] Vinmec, “Triệu chứng cảnh báo u não & cách điều trị”, Hệ thống Bệnh viện Đa khoa Quốc tế Vinmec, 2019, Availabel online: https://www.vinmec.com/vi/tin-tuc/thong-tin-suc-khoe/trieu-chung-canh-baou-nao-cach-dieu-tri/ [3] Wikipedia, “Hình ảnh y khoa”, Bách khoa tồn thư mở Wikipedia, 2021, Availabel online: https://vi.m.wikipedia.org/wiki/H%C3%ACnh_%E1%BA%A3nh_y_khoa [4] Trần Thị Quỳnh Như, “Dùng phương pháp Wavelet tăng cường biên ảnh để xác định kích thước khối u đặc”, Luận văn thạc sĩ, trường ĐH SPKT,Tp HCM, 2014 [5] Tâm Anh Hospital, “U não: Dấu hiệu, Nguyên nhân Cách chẩn đoán bệnh.”, 2022 Availabel online: https://tamanhhospital.vn/u-nao/ [6] Vinmec, “Thông tin Gliomas ( u thần kinh đệm người lớn)”, Hệ thống Bệnh viện Đa khoa Quốc tế Vinmec, Available online: https://www.vinmec.com/vi/tin-tuc/thong-tin-suc-khoe/ung-buou-xa-tri/thongtin-ve-gliomas-u-kinh-dem-o-nguoi-lon/ [7] Vinmec, “Các biện pháp chẩn đoán u màng não”, Hệ thống Bệnh viện Đa khoa Quốc tế Vinmec, Available online: https://vinmec.com/vi/ung-buou-xa-tri/thong-tin-suc-khoe/cac-bien-phap-chandoan-u-mang-nao/ [8] Vinmec, “U tuyến yên: Những điều cần biết”, Hệ thống Bệnh viện Đa khoa Quốc tế Vinmec, Available online: https://www.vinmec.com/vi/tin-tuc/thong-tin-suc-khoe/suc-khoe-tong-quat/utuyen-yen-nhung-dieu-can-biet/ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 76 TÀI LIỆU THAM KHẢO [9] Hoàng Thị Ngọc Lan, Huỳnh Hoàng Duy Linh, “Phân loại ảnh MRI u não sử dụng phương pháp CNN”, Luận văn tốt nghiệp, Trường ĐHSPKT, Tp.HCM, 2022 [10] Nguyễn Thanh Hải, Ngơ Quốc Cường, “Giáo trình: Xử lý ảnh”, Trường ĐHSPKT, Tp.HCM, Nhà xuất ĐH Quốc Gia, Tp.HCM, 2018 [11] Việt Hoàng, “[MaskRCNN] Các bước triển khai Mask R - CNN cho toán Image Segmentation”, Viblo Asia, 2020, Available online: https://viblo.asia/p/maskrcnn-cac-buoc-trien-khai-mask-r-cnn-cho-bai-toanimage-segmentation-6J3Zg4VPlmB [12] Nguyễn Lê Mai Duyên, Trương Minh Thuận, “Kết hợp phương pháp phân ngưỡng GraphCut phân tích ảnh y khoa để hỗ trợ chẩn đốn”, Tạp chí khoa học & Cơng nghệ Đại học Duy Tân, 2019 [13] Masoud Nickparvar, A dataset for classify brain tumor, Available online: https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset [14] Alexey Bochkovskiy, Yolov4, v3 and v2 for Windows and Linux, Available online:https://github.com/AlexeyAB/darknet [15] Heartex, LabelImg, https://github.com/heartexlabs/labelImg [16] Nikhil Tomar, “A 2D brain tumor segmentation dataset”, Available online: https://www.kaggle.com/datasets/nikhilroxtomar/brain-tumor-segmentation [17] Jenny Luciav, “A 2D brain tumor Segmentation and Classification data set”, Available online: https://github.com/jennyluciav/braintumorclassification/tree/master/D atasets [18] Phạm Đình Khanh, “Đánh giá mơ hình phân loại Machine Learning”, Khoa học liệu, 2020, Available online: https://phamdinhkhanh.github.io/2020/08/13/ModelMetric.html [19] Annisa Wulandari, Riyanto Sigit, Mochamad Mobed Bachtiar, “Brain Tumor Segmentation to Calculate Percentage Tumor Using MRI”, Informatics and Computer Department Electronic Engineering Polytechnic Insitute of Surabaya, 2018, Available online: 10.1109/KCIC.2018.8628591 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 77 TÀI LIỆU THAM KHẢO [20] Sovit Ranjan Rath, Brain MRI Classification using Pytorch, EfficientNetB0, Available online: https://debuggercafe.com/brain-mri-classification-using-pytorch-efficientnetb0/ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 78 PHỤ LỤC PHỤ LỤC Tồn code lập trình đề tài lưu đường dẫn: https://drive.google.com/drive/u/1/folders/1InY7V0YUwaE3A9vr4QW PA32SI9Fl3x_H Thống kê kết phân vùng mơ hình U - Net GraphCut Pinpoint: https://drive.google.com/drive/folders/1vFAi4eSEMYpjE32SyI5nlJHum Do1VmDF Một số hình ảnh sử dụng đề tài: Hình 3.8: Giao diện LabelImg Hình 3.9: Định nghĩa nhãn cho đối tượng file “predefined_classes.txt” BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 79 PHỤ LỤC Hình 3.11: File nhãn txt Hình 3.12: Một số file nhãn liệu dùng LabelImg Hình 3.14: Chuẩn bị liệu train mơ hình YOLOv4 Hình 3.15: Chuẩn bị file ‘yolo.names’ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 80 PHỤ LỤC Hình 3.16: Chuẩn bị file ‘train.txt’ (trái) ‘val.txt’(phải) Hình 3.17: Chuẩn bị file ‘yolo.data’ Hình 3.18: Chuẩn bị file ‘yolov4-custom.cfg’ BỘ MƠN ĐIỆN TỬ CƠNG NGHIỆP - Y SINH 81 PHỤ LỤC Hình 3.19: Chuẩn bị file ‘MakeFile’ Hình 3.30: Giao diện phần mềm Qt Designer vừa khởi chạy Hình 3.32: Mã python chuyển từ tệp ui sang py thưu viện PyQt5 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 82 S K L 0