Khóa luận tốt nghiệp Khoa học máy tính: Phương pháp xác định vòng đầu tự động trong quá trình ước tính chu vi đầu của thai nhi sử dụng ảnh siêu âm 2 chiều

Tuy:ñhiên trong quá trình ước tính chu vi đầu,công đoạn xác định vòng đầu của thải nhi vẫn đang được thực hiện thủ công bởi các bác sĩ siêu âm.. Với mong muốn trả lời câu hỏi nêu trên, n

ĐẠI HỌC QUOC GIA TP.HO CHÍ MINH

TRUONG DAI HOC CONG NGHE THONG TIN

KHOA KHOA HOC MAY TINH

TRAN NGUYEN HONG QUAN

DANG XUAN-TRUONG

KHOA LUAN TOT NGHIEP

PHƯƠNG PHÁP XÁC ĐỊNH VÒNG DAU TỰ ĐỘNG TRONG QUÁ TRINH UOC TÍNH CHU VI ĐẦU CUA

CU NHÂN NGANH KHOA HỌC MAY TÍNH

TP.HO CHI MINH, 2021

ĐẠI HỌC QUOC GIA TP.HÒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA KHOA HỌC MÁY TÍNH

TRAN NGUYEN HONG QUAN - 17520943

DANG XUAN TRUONG - 17521180

KHOA LUAN TOT NGHIEP

PHUONG PHAP XAC DINH VONG DAU TU DONG TRONG QUÁ TRINH UOC TINH CHU VI DAU CUA

THAI NHI SU DUNG ANH SIEU AM HAI CHIEU

AUTOMATICALLY DETECTS FETAL HEAD IN’ FETAL HEAD

CIRCUMFERENCE MEASUREMENT USING 2D

ULTRASOUND IMAGES

CU NHÂN NGANH KHOA HOC MAY TÍNH

GIANG VIEN HUONG DAN

TS LE MINH HUNG

TP.HO CHÍ MINH, 2021

DANH SÁCH HỘI ĐÒNG BẢO VỆ KHÓA LUẬN

Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số

ngày của Hiệu trưởng Trường Đại học Công nghệ Thông tin.

Gas — Chủ tịch.

,X : nhc.ẽ.cun — Thư ký.

"— : y.> w.‹ — Ủy viên

ĐẠI HOC QUOC GIA TP HO CHÍ MINH CỘNG HOA XÃ HỘI CHU NGHĨA VIỆT NAM

TRƯỜNG ĐẠI HỌC Độc lập — Tự do — Hanh phúc

CÔNG NGHỆ THÔNG TIN

TP HCM, ngày tháng năm 2021

NHẬN XÉT KHÓA LUẬN TOT NGHIỆP

CUA CÁN BỘ HƯỚNG DAN

Tên khóa luân:

PHƯƠNG PHÁP XÁC:ĐỊNH VÒNG DAU TỰ ĐỘNG TRONG QUÁ

TRÌNH UOC TINH CHU VI DAU GUA THAI NHI SỬ DỤNG ANH

SIÊU AM 2 CHIEU

Tên khóa luân tiếng anh:

AUTOMATICALLY DETECTS FETAL HEAD IN FETAL HEAD CIRCUMFERENCE MEASUREMENT USING 2D ULTRASOUND

1 Về cuốn báo cáo:

Số trang: Số chương:

Số bảng số liệu: Số hình vẽ:

Số tài liệu tham khảo: Sản phẩm:

Một số nhận xét về hình thức cuốn báo cáo:

Đánh gia chung: Khóa luận đạt / không đạt yêu cầu của một khóa luận tốt nghiệp kỹ

sư / cử nhân, xếp loại Giỏi / Khá / Trung bình.

Điểm từng sinh viên:

Tran Nguyễn Hồng Quân: /10

Đặng Xuân Trường: /10

Người nhận xét

(Ký tên và ghi rỗ họ tên)

ĐẠI HOC QUOC GIA TP HO CHÍ MINH CỘNG HOA XÃ HỘI CHU NGHĨA VIỆT NAM

TRƯỜNG ĐẠI HỌC Độc lập — Tự do — Hanh phúc

CÔNG NGHỆ THÔNG TIN

TP HCM, ngày tháng năm 2021

NHẬN XÉT KHÓA LUẬN TOT NGHIỆP

CỦA CÁN BO PHAN BIEN

Tên khóa luân:

PHƯƠNG PHÁP XÁC:ĐỊNH VÒNG DAU TỰ ĐỘNG TRONG QUÁ

TRÌNH UOC TINH CHU VI DAU GUA THAI NHI SỬ DỤNG ANH

SIÊU AM 2 CHIEU

Tên khóa luân tiếng anh:

AUTOMATICALLY DETECTS FETAL HEAD IN FETAL HEAD CIRCUMFERENCE MEASUREMENT USING 2D ULTRASOUND

IMAGES

Nhóm SY thực hiện: Cán bô phản biên:

Tran Nguyễn Hồng Quân 17520943 Nguyễn Vinh Tiệp

Đặng Xuân Trường 17521180

Đánh gia khóa luận:

1 Về cuốn báo cáo:

Số trang: Số chương:

Số bảng số liệu: Số hình vẽ:

Số tài liệu tham khảo: Sản phẩm:

Một số nhận xét về hình thức cuốn báo cáo:

Đánh gia chung: Khóa luận đạt / không đạt yêu cầu của một khóa luận tốt nghiệp kỹ

sư / cử nhân, xếp loại Giỏi / Khá / Trung bình.

Điểm từng sinh viên:

Tran Nguyễn Hồng Quân: /10

Đặng Xuân Trường: /10

Người nhận xét

(Ký tên và ghi rỗ họ tên)

LỜI CÁM ƠN

Lời đầu tiên, nhóm tác giả xin gửi lời cảm ơn sâu sắc đến thầy giáo — TS Lê Minh Hưng,

giảng viên khoa Khoa học Máy tính trường Đại học Công nghệ Thông tin — Dai học

Quốc gia thành phố Hồ Chí Minh, người đã trực tiếp hướng dẫn và tạo mọi điều kiệnthuận lợi nhất cho nhóm trong quá trình nghiên cứu và hoàn thành khóa-uận tốt nghiệp

Nhóm tác giả gửi lời cảm ơn chân thành dén BS.CKILNguyễn Thị Kiều Trinh = Trưởngkhoa Phụ sản và BS.CKII, ThS Nội khoa Tổng quát Nguyễn Luong Quang ~ Phó trưởngkhoa Nội Tim mạch Bệnh viện Da khoa tỉnh Quảng Nam đã giúp đỡ và cung cấp cáckiến thức chuyên môn Tiên quan trong quá trình thực hiện đề tài

Chúng tôi xin gửi loi cảm ơn đến các tác giả của các bài báo cáo nghiên cứu khoa học trong và ngoài nước mà nhón đã thanï khảo trong quá trình hoàn thiện đề tài.

Nhóm xin được bày tỏ lòng:biết ơn đến các giảng viên trường Dai học Công nghệ Thôngtin, đặc biệt là các thầy cô khoa Khoa học Máy tính đã chia sẻ những kinh nghiệm quý

báu và giảng dạy nhiều kiến thức bồ ích trong suốt thời gian theo học tại trường.

Cuối cùng, cảm ơn gia đình và bạn bè đã luôn ủng hộ, động viên và hỗ trợ cho nhóm tác

gia trong quá trinh.lam khóa luận,

Xin tran trọng cam on!

Nhóm thực hiện khóa luận

ĐẠI HOC QUOC GIA TP HO CHÍ MINH CỘNG HOA XÃ HỘI CHU NGHĨA VIỆT NAM

TRƯỜNG ĐẠI HỌC Độc lập — Tự do — Hạnh phúc

CÔNG NGHỆ THÔNG TIN

ĐĂNG KÝ ĐÈ TÀI KHOA-LUAN TOT NGHIỆP

TÊN DE TÀI: PHƯƠNG PHÁP XÁC ĐỊNH VÒNG ĐẦU TỰ DONG TRONG QUÁ TRINH UOC TÍNH CHU VI DAU CUA THAI NHI SỬ DỤNG ANH’SIEU AM 2 CHIEU

TEN DE TAI TIENG ANH: AUTOMATICALLY DETECTS FETAL

HEAD IN FETAL HEAD CIRCUMFERENCE MEASUREMENT

USING 2D-ULTRASOUND._ IMAGES

Cán bộ hướng dan: TS:Lê Minh Hưng

Thời gian thực hiện: Từ ngay- /09/2020 đến ngày : /01/2021

Sinh viên thực hiện:

Tran Nguyễn Hồng Quân— 17520943 - Lớp: KHMT2017

Email: 17520943 @ gm.uit.edu.vn Dién thoai: 0908010224

Dang Xuan Truong — 17521180 Lớp: KHMT2017

Email: 17521180@gm.uit.edu.vn Dién thoai: 0346453515

Nội dung đề tài:

Ảnh siêu âm (Ultrasound image) là hình anh được trích xuất từ quá trình siêu âm, đượcdùng đề kiểm tra và chân đoán trong y khoa Ảnh siêu âm được sử dụng rộng rãi trong

quá trình kiêm tra sức khỏe thai nhỉ so với ảnh chụp CT vì đây là một hình thức theo

dõi có chi phí thấp, tiết kiệm thời gian va đặc biệt an toàn cho phụ nữ mang thai vìkhông có sự phơi nhiễm phóng xạ Dựa vào ảnh siêu âm, bác sĩ có thể thực hiện việc

đo lường các thông.số sinh trắc-Học-của thai nhỉ: đường kính lưỡng đỉnh (Biparietaldiameter — BPD), chu vi vòng bụng (Abdominal circumferenee-— AC), chiều dài xươngđùi (Femur length = FI;); v.v Trong đó chu vi đầu (Head circumference — HC) là mộttrong những thông số sinh trắc học cơ bản dùng đề ước tính tuôi thai (Gestational age)

và theo dối sự phát triển của thai nhi Tuy:ñhiên trong quá trình ước tính chu vi đầu,công đoạn xác định vòng đầu của thải nhi vẫn đang được thực hiện thủ công bởi các

bác sĩ siêu âm.

Câu hỏi đặt ra: Liệu có thê tự động -hóa quá trình xác định vòng đầu của thải nhi haykhông? Với mong muốn trả lời câu hỏi nêu trên, nhóm tác giả tiến hành tìm hiểu,nghiên cứu và thực hiện đề tài:.“Phương pháp xác định vòng đầu tự động trong

quá trình ước tính chư vi đầu của của thai nhỉ sử dụng ảnh siêu âm 2 chiêu”.

e©_ Mục tiêu: Đề xuất phương pháp xác định vòng đầu của thai nhi trên ảnh siêu âm 2

o Sử dụng thuật toán ellipse fitting dé xác định vòng ellipse sọ của thai nhi từ kết

quả vùng đầu lấy được

o Dựa trên độ sai lệch dé đánh giá kết quả phương pháp đề xuất

e Kết quả mong đợi của dé tài: đưa ra phương pháp tự động xác định vòng đầu thai

nhi trong quá trình ước tính thông số HC với độ sai lệch nhỏ nhất

Kế hoạch thực hiện:

e- Giai đoạn I(09/2020 11/2020): Tìm hiểu tài liệu liên quan đến đề tài, các kĩ thuật

tiền xử lý đữ liệu và các thuật toán phân đoạn ảnh trên ảnh yikhoa, cụ thé là ảnhsiêu âm Xây đựng phương pháp xác định vùng dau của thai nhị

e_ Giai đoạn 2 (10/2020 — 12/2020): Tìm hiểu và xây dựng phương pháp xác định

vòng ellipse sọ của thai nhi dựa trên ảnh đã phân đoạn Đánh giá kết quả của

phượng pháp.

e Giai đoạn 3 (12/2020 = 01/2021): Viết báo cáo

Phân công công việc:

Tên sinh viên Công việc

Tìm hiểu đề tài

: Sian Nghiên cứu va trién khai các phương pháp tiền

Trân Nguyên Hong Quân

xử lý dữ liệu, phân đoạn ảnh.

Việt báo cáo

Tìm hiéu đê tài

đoạn ảnh, xác định chu vi đầu thai nhi

Xác nhận của CBHD TP HCM, ngay tháng năm 2021

(Ký tên và ghi rõ họ tên) Sinh viên

(Ký tên và ghi rõ hộ tên)

MỤC LỤC

Tóm tắt khóa luận °- << << << s s£Ss£Ss£SsSsSseEseEseEseEseEserserssre 1

Chương 1: Mở đầu -.s s- 5s << se se ssseesetserseeserserssee 3

In, 6h 3

1.2 Thách thức, mục tiêu và pla VÌ -< c¿c5c<essssssesesseeseesssesee4sesseeseesse 6

1.2.1 Thách thúc ee T ve c Nhh IS CƯ Ị GÀ 6 1.2.2 MU 3ấ ¡i2 20107 2 ¬ 7

1.2.3 PGI Vi prt 1770777 4 7

1.2.4 Cấu trúc khóa luận : vóc StSttEkEESErkerktLEkrkerxerekerkerxeebie 7

Chương 2:“ Tổng quan: : ‹ ee —"- 9

2.1 .ˆ Phát biểu bài toắn ‹ ssscvv vsVcccecseceeskcseeeessosdesesnkkExeerrkerdee 9

2:2 Cudc thi “Head Circumference ͧ”” dc 55s s5 95595 5599 9559 10

2.2 Đề bài 1 Ầ cẾ QUn, 0H ssosssecsesnenecsensnecssanenes 11

2.2.2 BO AR LGU [7†]z 3 \V V 27 -eTT icon ĐỂ HH HH HH re 11

2.2.3.5 DO ỞO tnageeeeececcneecececcneesceseaenineseeccseescseesceessceessceescesacessseesseeaees 12

2.3 Một số nghiên cứu liên quan: 2s sssssessessessessessessesse 13

Chương 3: Cơ sở lý thuyẾt s5 s2 ©cscsssseesevssesssrsssssersee 15

3.1 _ Giới thiệu về Artificial Neural Network . -sc-sesssscssessessesee 15

3.1.1 Cấu trúc của một n€urOI -¿- ¿+ + t+E+EE+E+E£EE+EEEEEEEEEEEvErtrrererkererxee 15

3.1.2 Xu 1010008110451) 2000707077 16

3.1.3 — Kiến trúc của ANN 2 S St St n1 2111111 112111111 11111111 eEeEerrer 18

3.2 Hàm mất mát << << << S999 99 999289 9 se 19

3.2.1 Jaccard LOSS 177 Ö313 19 3.2.2 i01 Ầ 20 3.2.3 Binary Cross Entropy (BCE) - - c1 k* vs kg hy 20

3.2.4 Mean Square Error (MSE) -z: St HT HN re, 21

3.3 Thuật toán tối ưu „«2cgZEEEccoas.oceesvEESTUviissessaaeso.EEEsrlssssessessssoesoEEnscose 21

3.3.1 Thuật toán Gradient Ï)es€en( : - 22 22555553 ++2**‡£c++sseeeeeeezskee 21

3.3.2 Thuậttoán SG : HH TH HH HH nhiệt 23 3.3.3 Thuật toán Momenfum . 5< 3333322111 333E#£2£##V‡+seeeeeeeeseeesg 24

3.3.4: Thuật toán Adam :: s Ăn ghi 25

3.4 Huấn luyện ANN é cvec52ssvtccsscsessevssssesssessersfEAsrserssrssrssssẩTesssee 27

3.5, Convolution Neural Network s<zc cos sạc 0 ý 0n 00096656 29

3.5.1 ConvolutIOn-ÏAY€T - 2 E551 880 vn HẤ Thu ng ng nh Hết 30

Chương 4: Phương pháp thực hién - <5 s5 <5 5< se Sssessseee 43

4.1 Phương pháp lÑ€gr€SSỈOIA 5 <5 5 << 9 HH H009 089008 43

ALL MObIlelNe( Ăn TT HH ngành 46 4.1.2 8501019000500 ỐÔÔÔÔÔỎ À 51 4.2 Phương pháp Segmentation s: o <5 555 5< 55s S555 5885595 ese 54

4.2.1 Dilate BIOCK «jute ND" 7 G6 reamẻẽe 55 4.2.2 Attention.Gates (AS§)-: :z LH TH HH ng tk, 58

Chương 5: - Thực nghiỆm : s5 55s e5 ses seese 61

53.1 Phương pháp Ñ€gr€Ssi0H «:s co 5< 5 5< s9 9095 656896 số 61

5.1.1: Phuc righiém fc 3-0001 1m 0n n 1 62

5.1.2: Thực nghiỆm 2' ¿ Bà 210111 ng ưu 63 Pel 22), Thựt nghiệth Š 5Q ch ecpeeeeceeahessceesecepibesseeeseceseceseceeeeees 66

5.1.4 Thực nghiệm 4-: - S5 111 1n Ấn ĐH HH như 67

5.1.5 Tổng kếtphương pháp : : :c e 52-25c27cccccccccckcerrerkrerrrres 68

5.2 Phương pháp SegImenfafÏOIN: os-s s55 5 <5 s93 5 9995 565565896696 71

5.2.1 Thực nghiệm 1 zz :2 2G SG 11191112111 111v TH Hư 72 572.2 Thurc nghim 71 73 5.2.3 Thurc nghigm n1 76

5.2.4 Thực nghiệm 4 & Thực nghiệm S .- 5 5c 2E Ssvsseesseeesee T7

5.2.5 Tong kết phương pháp ¿ ¿©-¿+2++E++EE+EE£EEeEEerEerkerkrrrrrrrres 80

5.3 Tong kết thực nghiệm -° 22s sssseEseEsEseEserserssessessssee 82

DANH MỤC HÌNH VE

Hình 1.1 Ảnh mình họa cho quá trình chuẩn đoán hình ảnh . - 3

Hình 1.2 Ảnh minh họa cho quá trình siêu âm được thực hiện bởi bác sĩ siêu âm 4

Hình 1.3 Ảnh minh họa cho việc sử dụng ảnh siêu âm dé theo dõi quá trình mang thai

Hình 2.1 Mặt cắt ngang đôi thị dùng để ước tính thông số HC :: -+ - 9

Hình 2.2 Hình:ảnh minh họa input-va ouput của bài toán lay từ bộ dữ liệu [6] với vòng

đầu màu vàng do nghiên cứu sinh có kinh nghiệm xác định . -5¿©52¿ 552 10

Hình 3.1 Cấu trúc củá một nơ ron.nhân tạo .: 2-5-5 5xx: EẾy*‡xeEerxrrerxererxresf 15

Hình 3.2 Đồ thị 2 activation function PhO biến 2-55-5292 2ccccxccrssrxerrssfEc 17

Hình 3.3 Một kiến trúc ANN dott giản 5 52255 srererer cc, 18

Hình 3.4 So sánh Gradient Descent với các hiện tượng vật lý 24

Hình 3.5 Kết quả đầu-ra-eủa-một conv layer với-inputeó kích thước 32 x 32 x 3, sửdụng 6 kernel có kích thước 5 X 5x 3 [27] ¿¿ z sỄt 22c S6 S13 x12 series 30

Hình 3.6 Các node trong conv layer (mau xanh) Kết nối với receptive fieild của nó (mauđỏ) với input có kích thước 32 x 32 X 5 [27] ‹z- -c 525 S32 +2 EE+EEsresrerssrsrxrs 31

Hình 3.7 Conv với padding = 0 ở các stride khác nhau «+ +-«<++<<£+sx+2 32 Hình 3.8 Conv với padding = 1 ở các stride khác nhau - ¿++-s<++<++sx+2 33 Hình 3.9 Ví du pooling layer và hiện tượng downsampling [27] - 34

Hình 3.10 Ví dụ max—pooling với kích thước 2 x 2 và S = 2 trên một lát cắt sâu [27]

Hình 3.12 So sánh ANN thông thường và sau khi áp dụng dropout .- 38

Hình 3.13 Kiến trúc mang U-Net (ví dụ cho kích thước 32 x 32 pixel ở độ phân giảithấp) [12] .ccccsccccsesssessesssesssessesssessessuessessuessesssessussssssusssessusssessusssecsusssecsusssessuessessueesessueeses 39

Hình 3.14 Một residual block [26] cece cceseeceeeneceeenecnessessessesseesesseeeeeseeseeseeneeaes 40

Hình 3.15 Anh từ bộ dữ liệu được áp dụng các kĩ thuật tăng cường khác-nhau 42

Hình 4.1 Mô hình được: xây dựng sử dụng trong phương pháp Regression 44

Hình 4.2 Kiến trúc tổng thê của phương pháp Regression -=. -5:©5z2%vc2 45

Hình 4.3 Kiến trúc mạng MobileNet-[30] - - - - SĂ 1 E262 +21 hệ, 47

Hình 4.4 Convolution thông thường và Depthwise convolution với batch normalization :8.)0800)0 0880105, 8“ cố th cố ố ố 47

Hình 4.5 So sánh MobileNet với GoogleNet va.VGG16 trên tập ImageNet [30] ,: 48

Hình 4.6 Cau trúc của một Depthwise Separable.Cøñvôlutiõn ¿Ý -. 48

Hình 4.7 Trực quan hóa cách tính của depthwise separable convolution 50

Hình 4.8 Kết quả của EfficientNet-B0 so sánh với ResNet-50 và DenseNet-169 trên

tap ImagE Net .X HQ Mager No con Ôn co đc ch nn HÌN uc HH ng re 51

Hình 4.9 (a) là ví dụ về một kiến trúc mang cho trước; (b) (c) (d) là các mang chi tăng

1 yếu tố nhất định như network width, network depth hoặc resolution; (e) kết hợp việctăng cả 3 yếu tô theo một tỉ lệ nhất định [3 I] - 2-2 22 s2 ++z++zx+zxzxz+z++2 52

Hình 4.10 Kiến trúc mạng EfficientNet-B0O — mạng cơ sở [3 [] -. - 53

Hình 4.11 Kiến trúc tổng thé của phương pháp Segmentation -¿- 2-52 54

Hình 4.12 Kiến trúc mạng U-Net sử dung dilate DIOCK c.cccccscssssessseesseessessseesseeeseees 56

Hình 4.13 Ba kernel 3 x 3 với đ lần lượt bằng 1, 2 và 4 (kernel được minh họa là các ô

vuông màu đen) Receptive field (vùng tô xám) tăng dần từ kích thước 3 x 3 ở lần đầu

tính lên 7 x 7 ở lần tính thứ hai và thành 15 x 15 ở lần thứ 3 Cả 3 kernel đều có 9 tham

Hình 4.14 Từ trên xuống đưới: Ảnh không có annotation và ảnh có annotation được théhiện bằng vòng màu đỏ Từ trái sang phải: Tam cá nguyệt đầu tiên với HC có giá trị65.1mm (pixel size là 0.06mm), tam cá nguyệt thứ hai với HC có giá trị 167.9mm (pixel

size là 0.12mm) và tam cá nguyệt thứ ba với HC có giá trị 278.4mm (pixel size là0.24mm) Lưu ý: Hộp sộ vẫn chưa nhìn thấy như một cấu trúc hoàn chỉnh trong-tam cá

nguyệt đầu tiên [TẾ - 5 aT eaten gv co ẤN, 2 óc c0 vu AC, 58

Hình 4.15 Kiến trúc mạñg U—Net sử dụng attention gates -5-©5c55c555c: 59

Hình 4.16 Thiét-Ké kiến trúc của AGs [36] ccccccccsssessesssecsesssesssessecbibeseessesseessesseeaseeses 59

Hình 4.17 Ảnh thể hiện attention coefficients trên từng số lượng epoch khác nhau (đ, 6,

10, 60, 150); Các anh này được trích xuất tử-ảnh CT 3D vùng bụng theo hướng ngang(axial) và hướng đứng dọc (sagittal) Mô hình dần học tập trung vào tuyến tụy; thận và

E§r9 6/3) 80000806 / 7n: 6 sen 60

Hình 5.1 Phân bố của kết quả dự đoán từ mô hình trên training set va phân bố của GT ởk1 NT v1mS.- ` 6 «ằ.ố H,L)L., 65

Hình 5.2 Phân bố của kết quả dự đoán tử mô-hình của thực nghiệm 3 trên training set

và phân bố của GT ở thông SỐ gÓC ¿©2212 2 E9E2‡EEEEEEEEEEEEEEEEEEEEEEEEEEEEEkrrrrerkee 67

Hình 5.3 Phân bố của kết quả dự đoán từ mô hình của thực nghiệm 4 trên training set

va phân bố của GT ở thông SỐ gÓC 2 2-12 9EEE2E2E12E121122121217121 2121 2.e, 68

Hình 5.4 Kết qua dự đoán vòng dau của phương pháp Regression . - 70

Hình 5.5 Biều đồ so sánh kết quả TN1 và TÌN2 2 2+2222£+S++£x££Evzxerxerxerreee 75

Hình 5.6 Biều đồ giá trị hàm mắt mát trong quá trình huấn luyện và kiểm định ở TN2(b)

"0S - - 76

Hình 5.7 Biểu đồ thể hiện sự thay đổi của learning rate trong quá trình huấn luyện .77

Hình 5.8 Biểu đồ so sánh kết quả của TN3, TN4 & TN5 -2- 2-5555 ccsz2cz+2 78

Hình 5.9 Ảnh phân đoạn dự đoán của TN4 & TN5 Hàng đầu tiên là ảnh trong testset[6]; hàng thứ 2 là mask phân đoạn dự đoán của TN4; hàng cuối cùng là mask phân đoạn

§0N5f0:1080ài 0880151275755 “34134 79

Hình 5.10 Kết qua dự đoán vòng đầu cua phương pháp Segmenfation - 81

DANH MỤC BANG

Bảng 4.1 Kiến trúc của dilated block được sử dụng trong khóa luận 57

Bảng 5.1 Bang mô tả các thực nghiệm thực hiện trong phương pháp Regression 61

Bảng 5.2 Kết quả ở thực nghiệm Ï - 2-22 2 ©S£+EE+EE££EEtEEEEEEtEEEEEEtrEeerkrrrrrrkee 62

Bảng 5.3 Bảng so sánh kết qua giữa kiến trúc mạng ResNet-50 ở thực nghiệm 1 và thực

nghiệm 2 vs co negate Co epee ibe racees PT NÂNG co SG ccỰ HỤ 210 4, 63

Bảng 5.4 Bảng so sánh Kết quả giữa thực nghiệm 2 và thực nghiệm 3 .- 66

Bang 5.5 Bảng so sánh kết quả gitra thực nghiệm 3 và thực nghiệm4 67

Bang 5.6 Kết quả các thực nghiệm ở phương pháp Regression . -¿ 69

Bảng 5.7 Bang mô tả các thực nghiệm thực-hiện trong phương pháp Segmentation: 71

Bang 5.8: Bảng kết quả TÌNT.: : 2c 5S< ĐÃ 215 E5 12k k ky St re HẾ vu 73

Bảng.5.9 Bang kết quả TN2! csetcsessesssecctbeseesseenbeslespessecsedbeccsssssababesecsusssecssessecsseeses 73

Bảng 5.10 Bảng so sánh kết quả TN2(b) & TÌNÄ - 2222-55 55c2cxcccscxccrserxee 76

Bảng 5.11 Bảng sọ sánh kết quả TN3, TN4 & TNS .¿: ” -5-522-55c25sccxcczssrxez 77

Bang 5.12 Kết quả các thực nghiệm ở phương pháp Segmentation . 80

Bang 5.13 Bảng so sánh kết quả với các nghiên cứu khác : : sz 82

DANH MỤC TU VIET TAT

2D Adam

GD

HC ML

MSE

ReLU

SGD

TN WBCE

GT

Two-dimensional Adaptive moment estimation

Attention Gates Artificial neural network Binary Cross Entropy Convolutional Neural Network

Convolution layer Deep Learning Fully-Convolutional Neural Network

Gradient Descent Head Circumference Machine Learning

Mean Square Error

Rectified Linear Unit

Stochastic gradient descent

Thuc nghiém Weighted Binary Cross Entropy

Ground truth

TÓM TÁT KHÓA LUẬN

Ảnh siêu âm — hình ảnh trích xuất từ quá trình siêu âm, được các bác sĩ sản khoa sử dụng

để theo dõi thai nhi xuyên suốt quá trình mang thai Đây là hình thức đặc biệt an toàn

cho người mẹ và em bé do không có sự phơi nhiễm bức xạ Dựa vào ảnh siêu âm, các

bác sĩ có thé thực hiện việc ước tính tuôi thai, kiểm tra sức khỏe và phát-hiện bất thườngtrong các giai đoạn của thai kỳ qua các thông số sinh trắc họe của bào thai Một trongnhững thông số quan trọng cửa quá trình theo-dõi sự phát trién của thai-nhi là chu vi đầu(Head Circumference = HC):

Trong quá trình ước tính HC, công đoạn xác định vòng đầu của thai nhi van đang đượcthực hiện thủ công bởi các bác sĩ siêu âm Những trở ngại trong việc xác định vòng đầuthu công đã đặt ra câu hoi: “Liệu có thê tự động hóa quá trình xác định vòng đầu của thaihay không?” Đề tìm câu trả lời cho câu hỏi nghiên cứu nêu trên, nhóm tác giả đã tìmhiểu, nghiên cứu và thực hiện khóa luận với đề tài: “Phuong pháp xác định yong đầu

tự động trong quá trình ước tính chu vĩ đầu của thai nhỉ sử dụng ảnh siêu âm haichiều”

Khóa luận thực hiện theo hai hướng tiếp cận là phương pháp phân đoạn (Segmentation)

và phương pháp hoi quy (Regression) Ở phương pháp Segmentation, mô hình được xây

dựng trên kiến trúc mạng U-Net kết hợp kỹ thuật Attention Gates, thuật toán tối ưu SGD

và hàm mat mát là tổ hợp tuyến tính Dice Loss và BCE Loss Ở phương pháp Regression,

mô hình được huấn luyện sử dụng kiến trúc mạng ResNet-50, thuật toán tối ưu Adam

và hàm mất mát là MSE Loss được tinh chỉnh phù hợp với bài toán

Hai mô hình được xây dựng trong đề tài đã cơ bản hoàn chỉnh, đạt được kết quả tương

tự như các nghiên cứu liên quan đã công bé trước đây Quá trình nghiên cứu đã khảo sát được các kỹ thuật sử dụng kết hợp vào kiến trúc mang U—Net cho bài toán trong mảng

phân đoạn ảnh y sinh Đồng thời đánh giá được tính hiệu quả của phương pháp

Regression với vấn đề nghiên cứu này Kết quả khả quan sau quá trình nghiên cứu vàthực nghiệm của khóa luận đã cho thấy tính khả thi trong việc tự động xác định vòng

đầu trong quá trình ước tính HC sử dụng ảnh siêu âm 2D

Chuong1: Mở đầu

1.1 Dat vấn đề

Chẩn đoán hình ảnh (Diagnostic Imaging) 1a một trong những chuyên ngành quan trọngbậc nhất của hệ thống y tế: Phương pháp chân đoán bệnh thông qua hình ảnh này ứngdụng các kết quả cua ngành khơa hoe Kỹ thuật như sóng siêu âm, tia X, từ trường, -: déthé hiện cau trúc cơ thé con người bằng hình-ảnh theo quy ước, nhằm cung cấp các thôngtin lâm sàng cho bác sĩ: Thông qua các kết quả hình ảnh này, bác sĩ sẽ có được các thôngtin về sức khỏe, chan đoán bệnh chính xác và đưa ra những phác đồ điều trị bệnh lý hiệu

quả (Hình 1:1).

Với sự phát triển của y học hiện đại, hiện nay có rất nhiều phương pháp dé chan đoánhình anh Trong đó, siêu âm (Ultrasound) là phương pháp cận lâm sàng phổ biến, hiệuquả và hỗ trợ đắc lực cho các bác sĩ trong quá trình chan đoán (Hình 1.2) Kỹ thuật siêu

âm sử dụng đâu dò vừa có chức năng phát sóng siêu âm (chùm sóng siêu âm dùng trong

! Nguồn: _ https://primefeed.in/news/572573/europe—pacs—and-ris—market—is—expected—to—reach—us—1329-87—

million—by—2027—with—cagr—of—7—0/

chân đoán thường có tần số IMHz đến 10MHz, cường độ 5 — 10 milliwatt cho mỗi cm),

vừa có chức năng thu nhận sóng phan xạ lại Chùm sóng siêu âm được phát ra di xuyênqua cơ thé sẽ gặp những bộ phận có trở kháng âm (còn gọi là độ dẫn truyền) khác nhau

và sẽ cho những âm phản xa trở về tác dụng lên đầu dò siêu âm thành những tín hiệuđiện, tín hiệu này được khuếch đại và truyền vào vi xử lý của máy siêu-âm dưới dạngnhững xung điện Các đỉnh xung này được biéu thị bằng các điểm sáng có cường độ tỉ

lệ thuận với cường độ của chùm sóng phản hồi về đầu đò Đi chuyên đầu dò trên bề mặtvùng da và ghi lại những điểm sáng trên mặt phẳng quét thì sẽ xây dựng và thể hiện được

Hình 1.2 Ảnh mình họa cho quá trình siêu âm được thực hiện bởi bác sĩ siêu dm?

Anh siêu âm (ultrasound images) là phương tiện hình ảnh y khoa cơ bản đầu tiên đượccác bác sĩ chuyên khoa dùng đề đánh giá bản chất, hình thái của một cơ quan Đặc biệt

là trong sản khoa, siêu âm ngày càng phát huy được vai trò chủ đạo (Hình 1.3) Ảnh siêu

âm được sử dụng dé theo dõi sức khỏe thai nhi trong suốt quá trình mang thai bởi tính

an toàn cho người mẹ và em bé vì hình thức này không có sự phơi nhiễm bức xạ như

chụp X—quang (Conventional Radiology), cắt lớp vi tính (Computed Tomography — CT),

2 Nguồn: https://www.medicalnewstoday.com/articles/245491#Concept

Dựa vào ảnh siêu âm, các bác sĩ có thé ước tính tudi thai (Gestational Age — GA) [2]

và theo dõi su phát triển của thai nhi [3] thông qua các thông số sinh trắc học của bàothai: chiêu dài xương đùi (Femur Length — FL), chiêu dài đầu — mông (Crown RumpLength — CRL), đường kính lưỡng đỉnh (Biparietal Diameter — BPD), chu vi đầu (Head

Circumference — HC),

Hình 1:3 Anh minh hoa‘cho việc sử dụng nh siêu âm dé theo dõi quá trình mang thai *

Chu vi đầu (Head Cireumference - HC) là một-trong-những thông số quan trọng, cótầm ảnh hưởng trong quá trình theo dõi sức khỏe thai nhi: HC và các thông số sinh trắchọc khác còn được sử dụng đề đánh giá các trường:hợp rồi loại sự tăng trưởng của thai

nhi [4] bao gồm: thai to, thai chết lưu và thai tăng trưởng chậm Đồng thời, các bác sĩ có

thé chân đoán được các di tật [5] của thai nhỉ: não ung thủy, thoát vi não — màng não,

hội chứng Dandky,

Trong quá trình ước tính HC hiện nay, công đoạn xác định vòng đầu vẫn còn được thực

hiện thủ công bởi các bác sĩ siêu âm Đề đạt được độ chính xác nhất định thì công đoạn

này chiêm khá nhiêu thời gian trong quá trình siêu âm Đặc điêm của ảnh siêu âm hai

chiêu (two dimensional — 2D) thai nhi là hình ảnh phang, màu trắng đen, có bóng mờ,

3 Nguồn: https://houseofdebt.org/how—much-does—an-ultrasound—cost—hout—an—insurance/

không rõ nét, dẫn đến những khó khăn trong quá trình xác định rõ các đặc điểm trên cơthé em bé Siêu âm thai còn bị ảnh hưởng bởi những yếu tổ bat lợi khác: hướng xoay của

em bé trong lúc siêu âm, các cơ quan của thai nhi chưa hình thành rõ, ảnh giả, cạm bẫy

anh, Đồng thời việc xác định đúng các mặt cắt và Vòng đầu đề đo được HC phụ thuộcrất nhiều vào chuyên môn, kinh nghiệm của bác sĩ cận lâm sàng chuyên-ngành siêu âm.Đặc biệt, với một bác sĩ mới ra trường, chưa có nhiều kinh nghiện thì những yếu tố trênlại càng gây trở ngại trong quá trình xác định vòng đầu thủ công Những khó khăn trongviệc thực hiện thủ công kế trên đã đặt ra câu hâu hỏi thực tiễn là: “Liệu có thể tự độnghóa quá trình xác định vòng đầu của thai nhỉ trong quá trình siêu âm dé ước tính chư vidau hay khôn#?”:

Đề tìm câu trả lời cho câu hỏi:nghiên cứu nêu trên, nhóm tác giả đã tiền hành tìm hiểu,nghiên cứu va thực hiện dé tài: “Phương pháp xác định vòng đầu tự động trong quátrình ước tính chu vi đầu của thai nhi sử dụng ảnh siêu âm hai chiêu”.

1.2 - Thách thức, mục tiêu và phạm vi

1.2.1 Thách thức

Trong quá trình tìm hiệu, nghiên cứu và thực hiện khóa luận tốt nghiệp, nhóm tác giả đãgặp một số khó khăn chính như sau:

e Tinh chuyên môn của các kiến thức Y học liên quan đến vấn đề thực tiễn gây trở ngại

cho nhóm tác giả trong quá trình tìm hiểu và thực hiện bài toán nghiên cứu

e Tính bảo mật của hồ sơ khám chữa bệnh (“Luật khám bệnh, chữa bệnh”: Luật sỐ

40/2009/QH12 của Quốc hội *) gây khó khăn trong quá trình kiêm thử hiệu suất mô

4 Nguồn: Văn bản quy phạm pháp luật (chinhphu.vn)

hình và xác định tính khả thi của phương pháp trên dữ liệu siêu âm thai nhi ở Việt

Nam.

e Số lượng các bài báo nghiên cứu khoa học đã được công bố liên quan đến bài toán

nghiên cứu tương đối ít

e Học sâu (Deep Learning — DL) bao gồm nhiều thuật toán khác nhau cũng như nhiều

thư viện để cài đặt các thuật toán này Việc lựa chọn thuật toán, thự viện phù hợp cho

vấn đề cụ thể cũng là một thách thức

e Trong mỗi thuật toán DL thì việc lựa chọn kiến trúc phù hợp (số tang, kiểu kiến trúc

của từng tầng) sẽ quyết định độ chính-xác của mô hình.

1.2.2 Mục tiêu

Sau đây là một số rhục tiêu mà Khóa luận hướng tới:

e Tìm hiểu:được các bài báo nghiên cứu khoa hoe liên quan đến các phương pháp sử

dụng trong khóa luận.

e Ti những kiến thức tìm hiểu được, nghiên cứu và đề xuất phương pháp tự động xác

định vòng dau thai nhi trên ảnh 2D

1.2.3 Phạm vi

Ảnh siêu âm 2D trong qué trình mang thai thê hiện mặt cắt ngang đôi thị của hộp sọ thai

nhi.

1.2.4 Cấu trúc khóa luận

Cấu trúc khóa luận được chia thành các chương như sau:

e_ Chương 1: giới thiệu van đề, câu hỏi nghiên cứu; trình bày những thách mức, mục

tiêu và phạm vi của khóa luận.

e Chương 2: giới thiệu về cuộc thi “Head Circumference 18” — cuộc thi có đề bài tương

tự bài toán nghiên cứu của khóa luận và các nghiên cứu, bài báo khoa học liên quan.

Chương 3: trình bày một số cơ sở lý thuyết về mạng nơ ron nhân tạo và các kiến trúcmạng tìm hiểu được, sử dụng trong quá trình nhóm tác giả thực hiện khóa luận.

Chương 4: tông quan về hai phương pháp Regression, Segmentation và các kỹ thuậtliên quan trong quá trình xây dựng, huấn luyện mô hình xác định vòng đầu thai nhi

sử dụng ảnh siêu âm 2D.

Chương 5: trình bày về các mô-hình, kết qua thu được, thảo luận uu nhược điềm của

các thực nghiệm chính được tiến hành trong quá trình nghiên cứu khóa luận

Chương 6: tông kết những kết quả đạt được, đóng góp của khóa luận và đưa ra hướng

cải tiên, mở rộng trên hai phương pháp đê xuat đôi với bài toán nghiên cứu.

Chương 2: Tổng quan

2.1 Phát biếu bài toán

Thông số HC được đo vòng theo bờ ngoài của xương sọ (hay còn gọi là vòng đầu) dựatheo mặt phăng cắt ngang hộp sọ; mặt cắt chuan (mặt cắt ngang đồi thị) dùng để đo sẽ

đi ngang qua doi thi (thalamus), liềm ndo-(falx), vách trong suốt (cavum septumpellucium) và không di qua tiéu não (cerebellum) [2] (như mỗ ta ở Hình 2.1)

Hình 2.1 Mặt cắt ngang đôi thị dùng để ước tính thông số HC Š.

Bài toán nghiên cứu được đặt ra đê tra lờicho câu hỏi nghiên cứu được nêu ra ở phan

1.1.Đặt vân đê của khóa luận Dữ liệu của bài toán có câu trúc dit liệu đâu vào (input)

và dit liệu đầu ra (output) như sau:

e Input (Hình 2.2(a)): Ảnh siêu âm 2D trong quá trình mang thai thể hiện mặt cắt

ngang đôi thị của hộp sọ thai nhi

5 Nguồn: https://www.sciencedirect.com/science/article/abs/pii/S 15216934 18300464

e Output (Hình 2.2(b)): 5 tham số của hình elip (ellipse) trùng khớp nhất với hình anh

vòng đầu thai nhi, bao gồm:

o Hai tham số x, y là tọa độ tâm ellipse

o Hai tham số a, b (đơn vị mm (millimetre)) là nửa độ dài hai đường chéo của hình

ellipse.

o Góc lệch (angle) giữa đường chéo:hình ellipse với trục tọa độ tương ứng (hay còn

(a) Input bài toán (b) Output bài toán.

Hình 2.2 Hình anh-minh-hoa input và ouput của bài toán lấy từ bộ dữ liệu'[6 ] với vòng dau màu vàng

đo nghiên cứu sinh có kinh nghiệm xác định:

2.2 Cuộc thi “Head Circumference 18” °

Cuộc thi “Head Cireumference_18”-được tô chức trên Grand Challenge ’ — một nền tangphat triển-các giải pháp học „máy (Machine Learning — ML) trong xử lý hình ảnh y sinh.Cuộc thi được tổ chức vào năm 2018 với hon 500 tài khoản tham gia nộp bài (submit)

đên thời điêm này.

5 https://hc18.grand—challenge.org/

7 Grand Challenge (grand—challenge.org)

10

Radboud, Nijmegen, Hà Lan (the Department of Obstetrics of the Radboud University

Medical Center, Nijmegen, the Netherlarids) Hình anh trong dataset được lấy từ quatrình siêu âm.định kỳ của 551 sản phụ trong khoảng thời gian từ thang 5/2014 đến tháng

5/2015 Tất cả các bào that có hình ảnh được đưa vào dataset không có bat kỳ sự bat

thường nào về tăng trưởng

Ảnh siêu âm được các bác sĩ siêu âm có kinh nghiệm trích xuất từ thiết bị siêu âmVoluson E8 và Voluson 730 (General Electric, Áo) Tap dữ liệu chú thích liên quan đến

vòng đầu (bao gồm các thông số của output) được tạo ra bởi Thomas L A van den Heuvel — một nhà nghiên cứu y khoa có kiến thức, kỹ thuật về hình ảnh siêu âm và được

đào tạo bởi một bác sĩ siêu âm có kinh nghiệm trong việc đo HC Ủy ban đạo đức địa

phương (CMO Arnhem — Nijmegen)-da phê duyệt việc thu thập va sử dụng dataset cho

các nghiên cứu này Tất ca dữ liệu đã được bảo mật theo các điều khoản của Tuyên bóHelsinki (Declaration of Helsinki — DoH) và đã được kiểm tra dé đảm bảo không có sai

sót trong quá trình thu thập dữ liệu.

Kích thước của mỗi ảnh có trong dataset là [800 x 540] pixel với kích thước pixel nằmtrong khoảng từ 0.052 — 0.326 (mm) Sự khác biệt về kích thước pixel là kết quả của việc

11

điều chỉnh cài đặt trong quá trình siêu âm (bác sĩ siêu âm cài đặt độ sâu và mức độ thuphóng, thường thay đổi trong quá trình bác sĩ khám thai), giải thích cho các kích thước

khác nhau của thai nhi trong hình ảnh 2D có trong dataset Dataset được chia ngẫu nhiên

thành hai phần: tập huấn luyện (training set) (được cung cấp nhãn) và ứập kiểm tra (test

set) (không có nhãn) với tỉ lệ lần lượt 75% tương ứng với 999 ảnh và 25% tương ứng

với 335 ảnh.

2.2.3 Độ đo

Cuộc thi “Head Circumference I8” sử dụng 4 độ đo: Meam Dice, Mean Hausdorff

distance (Mean HD), Mean absolute difference (Mean ADF), Mean difference (Mean

DF) dé đánh giá hiệu suất của mô hình Bốn độ đo của cuộc thi là giá tri ky vọng (mean)

và độ léchichuan (standard deviation— std) cua-4 công thức tương ứng dưới đây (được

tính trên toàn bộ test set):

Dice similarity coefficient (DSC):

trong đó, S = {Su Soya, Sq} là các pixel được xác định từ dự đoán cua mô hình; R =

{r,, Ty Ty} là các pixel của ảnh tương ứng testset; và h(S, R) được tính theo công thức:

h(S,R) = maxmin|ls — r|| (2.3)

s€S T€R

12

Absolute difference (ADE):

Ở một số nghiên-€ứu liên quan; DSC,.HD, ADF va DF được thê hiện tương ứng cho

Mean Dice, Mean Hausdorff distance (Mean HD), Mean absolute difference (Mean

ADF) va Mean đifference (Mean DF) Dé đồng bộ trong việc trình bày, khi so sánh kếtquả thực nghiệm của khóa luận.và-các kết quả nghiên cứu khác, sẽ sử dụng cách viết

Mean Dice; Mean HD, Mean.ADFE-và Mean DF

Trong bốn độ đo trên thì hai độ do Mean ADF và Mean DF dùng dé xác định độ chênhlệch giữa chỉ số HC được dự đoán với ground truth của test set Hai độ đo:còn lại làMean Dice và Mean HD dùng để xác định mức độ trùng khớp của khu vực vòng dau từ

mô hình dự đoán va ground truth của test set Mục tiêu của bài toán nghiên cứu là xác

định vị trí của vòng đầu-thai nhi trên ảnh.siêu âm 2D, vì vậy trong Chương 5:Thực

nghiệm của khóa luận sẽ sử dụng độ đo Mean Dice và Mean HD dé đánh giá mức độhọc tốt của mô hình Mean Dice càng lớn, Mean HD càng nhỏ thì mô hình sẽ có độ chính

xác càng cao.

2.3 Một số nghiên cứu liên quan

Sự quan trọng, cần thiết của việc đo lường và đánh giá các thông số sinh trắc học củathai nhi trong suốt quá trình mang thai là lí do chính dé các nhà khoa học nghiên cứu va

công bố các bài báo khoa học liên quan đến việc xác định các bộ phận của thai nhi dựa

trên kỹ thuật siêu âm 2D.

13

Tháng 04/2017, Sundaresan et al [9] đã công bố nghiên cứu sử dụng kiến trúc FCN déxác định vị trí tim thai trên ảnh siêu âm 2D nhằm mục đích hỗ trợ xác định bệnh tim bam

sinh (congenital heart diseases — CHD) ở thai nhị Một thời gian sau, vào tháng 07/2017,

Liet al [10] đã đưa ra nghiên cứu cho thấy sự hiệu quả của việc sử dung mô hình Encoder

— Decoder FCN dé phân đoạn nước ối và các mô bào thai trong ảnh siêu âm 2D thai nhi

ở nhiêu góc độ khác nhau.

Từ năm 2018 trở về sau; có rất nhiều các bai báo nghiên cứu khoa-học được công bồ liênquan đến việc phân đoạn các bộ phận thainhi; đặc biệt là xác định vòng đầu thai nhi trênảnh siêu âm 2D Hệ thống hỗ trợ chân đoán (computer aided detection — CAD) sử dụngtrong quá trình tự động ước tính thông số HC của thai nhi được phát triển trên bộ dữ liệu

là ảnh siêu.âấm:2D ở tắt cả các thai kỳ do Hevel et al [7] nghiên cứu được đưa ra vào

giữa năm 2018.

Một năm sau đó ~ năm 2019, hai, nghién cứu nỗi bật về việc phân đoạn và ước tính thông

số HC đựa trên phương pháp: Đeep Learning-đượẻ công bố Một là nghiên.cứu đượcBudd et al {11] dé xuất sử dụng mô hình U—Net [12] + một kiến trúc mang FCN đượcsử:dụng nhiều trong việc phân đoạn ảnh y sinh — để đự đoán phân đoạn vòng đầu thainhi trên ảnh siêu âm Hai là nghiên cứu cua,Sobhaninia‘et al [13] dé xuất một mô hình

học sâu đa tác vụ dựa trên kiến-trúc mạng LinkNet [14] để ước tinh thông số HC trên

ảnh siêu âm 2D.

Và sần nhất là trong năm.2020;cững đã có không ít các nghiên cứu về các phương pháp

hỗ trợ các vấn dé trong siêu âm thai nhi, điển hình như: nghiên cứu xác định mặt phangtiêu chuẩn của não thai nhi trong siêu âm 3D [15] của Qu et al., một nghiên cứu kháccủa việc tự động ước tính HC dựa trên kiến trúc mang CNN [16] do Sobhaninia et al.phát triển, Đặc biệt phải nhắc tới nghiên cứu của Zhang et al [17], nghiên cứu nay

dự đoán trực tiếp một thông số sinh trắc học của thai nhỉ — cụ thé ở đây là thông số HC,bằng việc sử dụng mô hình hồi quy mà không thông qua bước phân đoạn trung gian

14

Chương3: Cơ sở lý thuyết

3.1 _ Giới thiệu về Artificial Neural Network

Học sâu (Deep Learning — DL) là một công cụ phô biến và mạnh mẽ dé giải quyết các

bài toán học có giám sát (supervised learning) dựa trên mạng nơ ron nhân tạo (Artificial Neural Nefwork — ANN).

Lay cảm hứng từ các té bào thần kinh (nơ ron — neuron) trong sinh hoc; ANN có câu-tạo

từ các neuron, tổ chức thành các /ớp (layer) cho phép học được các tham số từ dir liệu

huân luyện; sau đó sử dụng.các kêt qua này dé đưa ra dự đoán với đữ liệu mới

ANN và các kiến trức liên quan:được ứng dụng thành công trong nhiều bài toán liên

quan đến xử lý ngôn ngữ tự nhiên (Natural Language Processing — NLP), thị giác máy

tinh (Computer Vision — CV), :

3.1.1 Cau trúc của một neuron

Hình 3.1 Cầu trúc của một nơ ron nhân tạo.

Như đã minh họa trên Hình 3.1, một neuron nhân tao gồm:

© x= [x¡,x;, x„] là một vector hàng chứa thông tin input, bao gồm z¡, x;, , x„ là

các thuộc tính của dữ liệu đâu vào.

15

e Biến 7 là output cudi cùng của neuron sau quá trình tính toán.

e Trọng số (weight): w = [W;,w›¿, , w„] là một vector hàng với w, W2, W„ tương

ứng với mỗi giá trị x1, Xz, x„ thé hiện cho mức độ quan trọng của giá trị đầu vào

đó với kết quả đầu ra

e Hàm tổng © (summation function): hàm tính tổng các tích của từng giá trị đầu vào

với weight tương ứng cộng với giá trị độ lệch b (bias), công thức như sau:

n

Z= wrt b = wx" +b 3.1)

i

e Hàm kích hoạt g.(activation function): các dạng ham phi tuyến (non-linear function)

được sử dụng giip ANN tang cường khả nang hoc tổng quát, có thé học và biéu diễncác ánh xạ phức tạp từ dir liệu đầu vào.-Kết quả của hàm tổng là input cho hàm kíchhoạt đề tính toán ra output của neuron

9= øữ)= ø(wx"+ b) (3.2)

3.1.2 Activation Function

Ham kích hoạt (activation function) dùng dé kích hoạt các thông tỉn quan trong từ input,được đánh giá thông qua quá trình Jan tryên ngược (back probagation) Dưới đây là một

số activation function phô biến thường được sử dụng:

Hàm Sigmoiđ-'là một dang non-linear funetion có công thức:

1

gŒ) = ø(2) = [pez (3.3)

Ham Sigmoid nhận dau vào là một số thực và chuyền thành một giá trị trong khoảng(0; 1) Với đồ thị như Hình 3.2(a), nếu đầu vào là số thực âm rất nhỏ sẽ cho đầu ra tiệmcận với 0; ngược lại, nếu đầu vào là số thực dương rất lớn sẽ cho đầu ra tiệm cận với 1

Dễ nhận thấy được nhược điểm của hàm sigmoid là khi đầu vào có giá trị tuyệt đối lớn

(rât âm hoặc rât dương), đạo hàm của hàm sô này sẽ rât gân với 0 Điêu này đông nghĩa

16