Đề tài này, tác giả tập trung vào việc đề xuất một phương pháp phân đoạn ảnh tuyến tụy sử dụng học sâu. Phương pháp dựa trên hướng tiếp cận bottom-up, ảnh đầu vào trước hết được phân đoạn thành các điểm ảnh lớn, sau đó các điểm ảnh này được phân lớp để tìm ra tuyến tụy. Để hiện thực việc phân lớp này, tác giả xây dựng một mô hình phân lớp đa tầng, với Random Forest và CNN. Trong phạm vi đề tài, tác giả tiến hành thực nghiệm phương pháp trên bộ ảnh Pancreas-CT của National Institutes of Health Clinical Center [13], bao gồm 82 bộ ảnh 3D CT scan tăng tương phản khoang bụng, được lấy từ 53 người đàn ông và 27 người phụ nữ. Đây có thể là một phương pháp mang lại hiệu quả cao. Chi tiết luận văn sẽ được trình bày theo trình tự trong các phần sau
ĐẠI HỌC QUỐC GIA TP HỊ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA VÕ NGUYÊN THÀNH PHÂN ĐOẠN ẢNH TUYẾN TỤY BẲNG PHƯƠNG PHÁP HỌC SÂU LUẬN VĂN THẠC SĨ ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA VÕ NGUYÊN THÀNH PHÂN ĐOẠN ẢNH TUYẾN TỤY BẰNG PHƯƠNG PHÁP HỌC SÂU Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số: 60.48.01.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 5, năm 2019 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA -ĐHQG -HCM Cán hướng dẫn khoa học: PGS TS NGUYỄN THANH BÌNH Cán chấm nhận xét 1: Cán chấm nhận xét 2: Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày tháng năm Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỊNG TRƯỞNG KHOA LỜI CẢM ƠN Tác giả xin chân thành cảm ơn thầy giáo hướng dẫn khoa học PGS TS Nguyễn Thanh Bình tận tình hướng dẫn, giúp đỡ q trình hồn thành luận văn thạc sĩ Xin gửi lời cảm ơn đến quý thầy cô khoa Khoa học máy tính, Trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh, người truyền đạt kiến thức quý báu cho tác giả suốt thời gian học tập vừa qua Cuối cùng, xin trân trọng cám ơn gia đĩnh, bạn bè, đồng nghiệp, người giúp đỡ, động viên, đồng hành tác giả suốt q trình học tập hồn thành luận văn TÓM TẮT LUẬN VĂN Phân đoạn ảnh mang lại nhiều ứng dụng quan trọng y học Có nhiều tốn cần giải liên quan đến vấn đề Qua đề tài này, tác giả tập trung vào việc đề xuất phuơng pháp phân đoạn ảnh tuyến tụy sử dụng học sâu Phuơng pháp dựa huớng tiếp cận bottom-up, ảnh đầu vào truớc hết đuợc phân đoạn thành điểm ảnh lớn, sau điểm ảnh đuợc phân lớp để tim tuyến tụy Đe thực việc phân lớp này, tác giả xây dựng mô hĩnh phân lớp đa tầng, với Random Forest CNN Trong phạm vi đề tài, tác giả tiến hành thực nghiệm phuơng pháp ảnh Pancreas-CT National Institutes of Health Clinical Center [13], bao gồm 82 ảnh 3D CT scan tăng tuơng phản khoang bụng, đuợc lấy từ 53 nguời đàn ông 27 nguời phụ nữ Đây phuơng pháp mang lại hiệu cao Chi tiết luận văn đuợc trình bày theo trình tự phần sau LỜI CAM ĐOAN CỦA TÁC GIẢ Tác giả xin cam đoan cơng trình nghiên cứu độc lập Các số liệu, kết luận văn trung thục chua đuợc công bố cơng trình khác Neu có sai phạm nào, tác giả xin hoàn toàn chịu trách nhiệm đề tài Nguời cam đoan Võ Nguyên Thành DANH MỤC CÁC HÌNH ẢNH Hình 2.1 Máy chụp cắt lớp vi tính Hình 2.2 Thơng tin điểm ảnh rút từ tập tin Tập ảnh 16 17 Pancreas CT National Institutes of Health Clinical Center Hình 2.3 Các thơng tin tập tin ảnh DICOM lấy từ Tập 18 ảnh Pancreas-CT National Institutes of Health Clinical Center Hình 3.1 Minh họa trình phân đoạn ảnh 2D 24 Hình 3.2 Mơ hình rút trích đặc trưng phân lớp với kiến trúc đa tầng 25 Hình 3.3 Các tiểu vùng 25x25 (màu đỏ) 64x64 (màu xanh) 26 Hình 3.4 Phân đoạn điểm ảnh lớn gán nhãn Hình 3.5 Ket phân đoạn điểm ảnh lớn ảnh CT 28 29 Hình 3.6 Phân lớp tiểu vùng 25x25 thông qua Random Forest 30 Hình 3.7 Keypoint descriptor 2x2 bins, với orientation bin [20] 31 Hình 3.8 Phân lớp tiểu vùng học sâu 32 Hình 3.9 Bộ phân lớp hồn chỉnh 33 Hình 4.1 Các điểm ảnh lớn thu sau áp dụng SLIC với tham số số 38 Hình 4.2 lượng điểm ảnh lớn 300 Minh họa trình phân đoạn sáu mẫu ảnh 2D 37 DANH MỤC BẢNG BIỂU Bảng 2.1 Các số Dương tính (TP), Dương tính sai (FP), Âm tính 21 (TN) Âm tính sai (FN) Bảng 4.1 Số lượng mẫu dương tính âm tính dùng để huấn luyện phân 41 lớp CNN với phương pháp đề xuất (áp dụng tầng 1) phương pháp loại bỏ tầng Bảng 4.2 Kết thực nghiệm với phương pháp đề xuất (áp dụng tầng 1) phương pháp loại bỏ tầng 41 DANH SÁCH CÁC TỪ VIẾT TẮT CT DICOM Computed Tomography Digital Imaging and Communications in Medicine SLIC Simple Linear Iterative Clustering TP Dương tính FP Dương tính sai TN Âm tính FN Âm tính sai SIFT Scale Invariant Feature Transform dSIFT Dense-Scale Invariant Feature Transform CNN Convolutional Neural Network MỤC LỤC • • LỜI CẢM ƠN TÓM TẮT LUẬN VĂN LỜI CAM ĐOAN CỦA TÁC GIẢ DANH MỤC CÁC HÌNH ẢNH DANH MỤC BẢNG BIÊU DANH SÁCH CÁC TỪ VIẾT TẮT MỤC LỤC 10 Chương 1: GIỚI THIỆU 12 1.1 Giới thiệu đề tài 12 1.2 Mục tiêu nội dung đề tài 13 1.3 Giới hạn đề tài 13 1.4 Phương pháp nghiên cứu 13 1.5 Cấu trúc luận văn 14 Chương 2: SỞ LÝ THUYẾT VÀ CÁC NGHIÊN cứu LIÊN QUAN 16 2.1 Cơ sở lý thuyết 16 2.1.1 Chụp cắt lớp vi tính 16 2.1.2 Chuẩn DICOM 17 2.1.3 Phân đoạn điểm ảnh lớn 18 2.1.4 SIFT 19 2.1.5 Random Forest 20 2.1.6 Precision Recall 20 2.2 Các nghiên cứu liên quan 21 Chương 3: PHÂN ĐOẠN ẢNH TUYẾN TỤY BẰNG PHUƠNG PHÁP 23 HỌC SÂU 3.1 Yêu cầu toán 23 3.1.1 Dữ liệu đầu vào 23 3.1.2 Dữ liệu đầu 23 3.2 Phân đoạn ảnh tuyến tụy phương pháp học sâu 23 10 • Lấy kết có số lượng vote lớn làm kết cuối cho mô hĩnh Tác giả thực Random Forest với 50 leaf size tối thiểu 150 Bộ phân lớp huấn luyện toàn điểm ảnh lớn, bao gồm mẫu dương tính âm tính, với phần lớn mẫu âm tính, nên có khả nhận diện tốt mẫu âm tính 3.2.3 Bước 3: Tầng - phân lớp tiểu vùng học sâu convl conv2 conv3 conv4 fully conv5 connected connected fully Hình 3.8 Phân lớp tiểu vùng 64x64 học sâu Thông qua tầng một, mẫu phân lớp âm tính đáng tin cậy đề cập Vấn đề lại mẫu phân lớp dương tính có tỉ lệ xác khơng cao, việc xử lí tầng Do đó, phân lớp huấn luyện tập điểm ảnh lớn có nhãn dương tính âm tính mạnh Ở tầng 2, lưới tiểu vùng vuông từ ảnh CT cắt lớp gốc tương tự tầng áp dụng, nhãn suy luận với cách Tuy nhiên, tiểu vùng có kích thước 64x64 Mơ hình CNN chuẩn [22] để phân lớp nhị phân tiểu vùng áp dụng (hình 3.8) Năm layer convolutional trước tiên tính tốn, tống hợp đặc trưng mức thấp thành đặc trưng phức tạp hơn, theo kiểu layer Các convolutional layer hidden layer với tập feature map với feature map scan input ban đầu, trích xuất đặc trưng cụ thể 32 Ke đến layer max-pooling fully connected Mô hĩnh CNN mà tác giả áp dụng kết thúc với softmax layer cho lớp “tuyến tụy” “không tuyến tụy” Các layer fully connected sử dụng DropOut để tránh over-fitting trình huấn luyện Ket quả, tác giả xây dựng mơ hĩnh CNN (Hĩnh 3.4) bao gồm: • Layer convolution gồm 64 unit, activation ReLU • Layer max-pooling với pool size X • Layer convolution gồm 192 unit, activation ReLU • Layer max-pooling với pool size X • Layer convolution gom 384 unit, activation ReLU • Layer convolution gom 256 unit, activation ReLU • Layer convolution gom 256 unit, activation ReLU • Layer fully connected gom 4096 unit, activation ReLU • Layer DropOut với rate 0.5 • Layer fully connected gom 4096 unit, activation sigmoid • Layer DropOut với rate 0.5 • Layer fully connected với activation softmax Ở tang này, kích thuớc tiểu vùng đuợc chọn 64 X 64 thay vĩ 25 X 25 nhu tầng 1, vĩ chi phí tính tốn lớn đáng kể Quy mơ khơng gian bối cảnh lớn thuờng dự kiến mang lại chất luợng ghi nhãn xác Cuối phân lớp hồn chỉnh đuợc minh họa hình 3.9 Hình 3.9 Bộ phân lóp hồn chỉnh 33 3.3 PHƯƠNG PHÁP ĐÁNH GIÁ Tiến hành thực nghiệm tập liệu 82 ảnh 3D CT cắt lớp khoang bụng 82 bệnh nhân Việc đánh giá hiệu suất dựa số SI (chỉ số tuông tự), JI (chỉ số tuơng đồng), Precision (tỉ lệ xác), Recall (tỉ lệ tái hiện): • Dữ liệu đuợc dùng để tính tốn SI JI: o A ị output mơ hĩnh, chứa tổng diện tích điểm ảnh lớn đuợc phân lớp duơng tính (tuyến tụy) ảnh CT 2D o Bị diện tích tuyến tụy liệu phân đoạn thủ cơng tuơng ứng với ảnh CT 2D SI (Dice Similarity Index) (%): mô tả trùng lắp hai mẫu [15] o SI trung bĩnh m tập ảnh 3D đuợc tính theo cơng thức 3.2 Sỉk (3.2) o Trong SI tập ảnh k gồm n ảnh CT 2D đuợc tính theo cơng thức 3.3 i y n ( AjHBj n Áui-Q \Ai\+\Bi (3.3) JI (Jaccard Index) (%): dùng để tính tốn tuơng đồng kết phân đoạn tiêu chuấn tham chiếu [15] o JI trung bĩnh m tập ảnh 3D đuợc tính theo cơng thức 3.4 (3.4) o Trong JI tập ảnh k gồm n ảnh CT 2D đuợc tính theo cơng thức 3.5 34 o iyn (l^nfij) (3.5) nZ-l i=0 • Tỉ lệ xác (Precision) (%): tỉ lệ số điểm ảnh lớn dưong tính số điểm phân loại dưong tính, tính theo cơng thức 3.6 vm ■Z ) TPk — ™ Ắ-tk=1TPk+FPk (3.6) ' ' • Tỉ lệ tái (Recall) (%): tỉ lệ số điểm dưong tính số điểm thực dưong tính, tính theo cơng thức 3.7 vm TPk m Z j k = 1T P k + F N k 35 (3J) Chương THÍ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ Sau đề xuất phương pháp phân đoạn ảnh tuyến tụy học sâu đề cập Chương 3, tác giả tiến hành thực nghiệm tập liệu cho trước có định dạng mô tả phần liệu đầu vào phương pháp đề xuất Bên cạnh đó, tác giả loại bỏ tầng thứ thực nghiệm liệu để thực so sánh Sau phần đánh giá dựa so SI, JI, Precision, Recall 3.1 CÁC THƠNG SĨ BAN ĐẦU Tập ảnh Pancreas-CT National Institutes of Health Clinical Center [13], bao gồm 82 ảnh 3D CT scan tăng tưong phản khoang bụng, ảnh gồm trung bĩnh 235 ảnh CT 2D Các tập tin ảnh 2D lưu định dạng DICOM (.dcm) Toàn 82 tập tin chứa nhãn ảnh ứng với bệnh nhân lưu dạng 3D với định dạng tập tin nhãn (.nii.gz) với điểm ảnh chứa giá trị ứng với lớp “tuyến tụy” “khơng tuyến tụy” Các ảnh CT scan có độ phân giải 512x512 độ dày lát cắt khoảng 1.5 2.5 mm Tác giả tiến hành thực nghiệm toàn 82 ảnh, sử dụng six-fold cross validation • Chia tập dự liệu thành tập khơng có phần tử chung, có kích thước gần • Tại lần kiểm thử, số tập dùng để kiểm tra, tập lại dùng để huấn luyện • Thực lần tính trung bĩnh số SI (công thức 4.1), JI (công thức 4.2), Precision (công thức 4.3) Recall (công thức 4.4) 36 (4.1) (4.2) (4.3) o Recall = ~Ylt=1Recallr (4.4) Đe so sánh, tác giả thực nghiệm với mơ hình bỏ tầng 1, tất tiểu vùng âm tính đuợc đua vào huấn luyện 3.2 HIỆN THỰC PHƯƠNG PHÁP ĐỀ XUẤT 3.2.1 Phân loại điểm ảnh lởn gán nhãn: Áp dụng giải thuật SLIC cho lát cắt CT Trong trình thực nghiệm, số đuợc dùng để đánh giá mức độ hiệu tham số tỉ lệ tái biên (boundary recall), đuợc tính tỉ lệ diện tích thật tuyến tụy điểm ảnh lớn diện tích tồn điểm ảnh lớn Số luợng điểm ảnh lớn cho hiệu cao (82%) 300 Kết đuợc sử dụng buớc trình thực nghiệm Một minh họa cho kết phân đoạn điểm ảnh lớn bệnh nhân đuợc trích bên duới, với ảnh 2D gốc Hĩnh 4.1, tác giả minh trình phân đoạn điểm ảnh lớn mẫu 2D đầu vào cột (a), kết phân đoạn cột (b), cột (c) tác giả phóng to vùng có chứa tuyến tụy để dễ dàng so sánh với liệu gán nhãn thủ cơng cột (d) 37 Hình 4.1 Các điểm ảnh lớn thu sau áp dụng SLỈC với tham số số lượng điểm ảnh lớn 300: (a) ảnh 2D đầu vào (b) điểm ảnh lớn (c) to vùng chứa tuyến tụy (d) liệu gân nhãn thủ cơng Sau đó, tồn điểm ảnh lớn thu đuợc đuợc so sánh với tập liệu gán nhãn thủ công để gán nhãn tuơng ứng Việc định nhãn điểm ảnh lớn duơng tính hay âm tính dựa tỉ số trùng lắp r nhu đề cập 3.2.1 Tại buớc này, ta thấy chênh lệch rõ ràng lực luợng lớp duơng tính âm tính, theo đó, lớp duơng tính chiếm khoảng 5% Việc cho thấy rõ, áp dụng phân lớp đa tầng buớc cần thiết Tầng mơ hình phân lớp dựa Random Forest Ket thực nghiệm cho thấy, tỉ lệ tái (Recall) phân lớp gần nhu 100%, điều bảo đảm cho việc bỏ qua điểm ảnh lớn âm tính cho việc training tầng thứ Bên cạnh đó, tỉ lệ xác (Precision) lại không tốt nhu (65%) 38 Nhằm giúp bù đắp tỉ lệ xác, điểm ảnh lớn dương tính sai (các điểm ảnh phân lớp dương tính thực chất lại âm tính), tạm gọi điểm ảnh lớn âm tính mạnh, sử dụng để huấn luyện tầng thứ 3.2.2 Tầng - rút trích đặc trưng phân lóp tiểu vùng thơng qua random forest Kích thước lưới tiểu vùng chọn để tiến hành xử lí ảnh CT tầng chọn 25 X 25 pixel, với khoảng cách tiểu vùng pixel Như vậy, ảnh 2D512x512 pixel chia thành 26569 tiểu vùng /5 - ( — + /5 - \ x V \ + (~B V = 26569 Giải thuật dSIFT sử dụng để rút trích vector đặc trưng 32 chiều tiểu vùng Ngoài tọa độ (x, y) pixel trung tâm tiểu vùng so với ảnh CT gốc thêm vào chiều cuối vector đặc trưng Như vậy, vector đặc trưng có 34 chiều Nhãn tiểu vùng mượn từ nhãn điểm ảnh lớn nằm trung tâm tiểu vùng Với tập liệu đầu vào vector đặc trưng tiểu vùng, với nhãn tương ứng, tiến hành huấn luyện phân lớp dựa Random Forest với 50 leaf size tối thiểu 150 3.2.3 Tầng - phân lớp tiểu vùng học sâu Kích thước lưới tiểu vùng chọn để tiến hành xử lí ảnh CT tầng chọn 64 X 64 pixel, với khoảng cách tiểu vùng pixel Như vậy, ảnh 2D 512 X 512 pixel chia thành 22500 tiểu vùng (^3 + ) X +1H2500 (-3 Xây dựng mô hĩnh CNN để phân lớp nhị phân tiểu vùng bao gồm layer convolutional với max pooling layer fully connected với DropOut 39 4.2.4 Kiểm thử mơ hình Hình 4.2 Minh họa q trình phân đoạn sáu mâu ảnh 2D: (a) ảnh 2D đầu vào (b) điếm ảnh lớn (c) to vùng chứa tuyến tụy (d) liệu gán nhãn thủ công (e) kết phân đoạn 40 Thực kiểm thử 82 bệnh nhân dựa tham số SI, JI, Precision, Recall Bảng 4.2 cho thấy kết khả quan Tỉ lệ tái (Recall) cao, tỉ lệ xác (Precision) đuợc cải thiện đáng kể qua tầng thứ mơ hình Tác giả minh họa tồn q trĩnh phân đoạn điểm ảnh lớn phân lớp mẫu 2D đầu vào hĩnh 4.2 3.3 ĐÁNH GIÁ KẾT QUẢ Tổng số tiểu vùng Số luợng tiểu vùng Số luợng tiểu vùng âm 64x64 duong tính tính Loại bỏ tầng 361,312,500 18,065,625 332,407,500 Phuong pháp đề xuất 361,312,500 18,065,625 9,727,644 Bảng 4.1 Sô lượng mâu dương tỉnh âm tính dùng đê huân luyện phân lớp CNN với phương pháp đề xuất (áp dụng tầng 1) phương pháp loại bỏ tầng SI(%) JI(%) Precision(%) Recall (%) Loại bỏ tầng 65 45 62 69 Phuong pháp đề xuất 70.4 58.2 71.8 74.2 Bảng 4.2 Kết thực nghiêm với phương pháp đề xuất ịảp dụng tầng 1) phương pháp loại bỏ tầng Theo kết bảng 4.1, nhờ áp dụng thêm phân lớp Random Forest tầng 1, số luợng mẫu âm tính đuợc dùng để huấn luyện phân lớp CNN giảm mạnh từ 332,407,500 xuống 9,727,644 nghĩa giảm khoảng 97% Các so SI, JI, Precision Recall đuợc cải thiện áp dụng thêm phân lớp tầng thứ Ket phuơng pháp đề xuất tỏ hiệu 41 CHƯƠNG 5: KẾT LUÂN • Qua đề tài, tác giả áp dụng thực nghiệm thành công phương pháp phân đoạn ảnh tuyến tụy học sâu Việc thực nghiệm ảnh mẫu cho kết khả quan Tuy nhiên, sổ bước chưa khai thác toi đa Tác giả nêu số ưu nhược điểm hướng phát triển đề tài qua chương 5.1 KẾT QUẢ ĐẠT Được Đe hồn thành đề tài, tác giả tìm hiểu ảnh y khoa, tiếp cận với việc thao tác ảnh DICOM Bên cạnh đó, tác giả tham khảo cơng trình nghiên cứu liên quan đến phân đoạn ảnh quan thể nói chung, tuyến tụy nói riêng, cơng trình liên quan đến nhận dạng ảnh phân lóp, qua ứng dụng vào phuơng pháp đề xuất Tác giả đề áp dụng phuơng pháp phân đoạn ảnh tuyến tụy dùng học sâu, với huớng tiếp bận bottom-up Phuơng pháp đề xuất sử dụng mơ hĩnh phân lóp đa tầng, với đối tuợng đuợc phân lóp tiểu vùng chứa điểm ảnh lớn Phuơng pháp đuợc thực ngôn ngữ python thực nghiệm với đầu vào ảnh CT khoang bụng đầu ảnh phân đoạn tuyến tụy Cuối cùng, tác giả đua đánh giá dựa kết đạt đuợc 5.2 ƯU NHƯỢC ĐIỂM CỦA PHƯƠNG PHÁP ĐỀ XUẤT Phuơng pháp ứng dụng tốt mô hĩnh phân lớp đa tầng, giúp giảm đáng kể chi phí tính toán tầng thứ hai, nhờ tận dụng phân lóp với chi phí tính tốn thấp tầng thứ Sau hai tầng mơ hĩnh phân lóp, tỉ lệ tái Recall tỉ lệ xác Precision cao Nhu vậy, phân lóp có điểm yếu, nhung đuợc kết họp để bù đắp cho tạo mô hĩnh tuơng đối hiệu Tuy nhiên, thấy mơ hình chua khai thác cơng đoạn tiền xử lý tập ảnh đầu vào Các tham số trĩnh phân đoạn điểm ảnh lớn sử dụng SLIC 42 cần tiến hành thực nghiệm nhiều Bên cạnh đó, việc cân nhắc số chiều vector đặc trung tầng thứ cần đuợc xem xét thông qua thực nghiệm 5.3 HƯỚNG MỞ RỘNG Nhu vừa đề cập, tuơng lai, công đoạn tiền xử lý tập ảnh đầu vào cần đuợc khai thác nhằm tăng hiệu suất Qua đề tài, tầng thứ mô hĩnh phân lớp, tác giả sử dụng phân lớp Random Forest với vector đặc trung 34 chiều Việc áp dụng thêm phân lớp khác mở rộng vector đặc trung mang lại kết tốt Rõ ràng, với mô hĩnh phân lớp đa tầng, tính hiệu cần đuợc cân nhắc thực nghiệm tất tầng Việc thực nghiệm vĩ tối cần thiết Ở tuơng lai gần, tác giả tiếp tục nghiên cứu dựa mô hĩnh đề xuất nhằm khắc phục điểm yếu khai thác tiềm 43 DANH MUC CÁC TÀI LIÊU THAM KHẢO • • [1] Zheng Y, Barbu A, Georgescu B, Scheuering M, Comaniciu D “Four-chamber heart modeling and automatic segmentation for 3d cardiac CT volumes using marginal space learning and steerable features” IEEE Trans Med Imaging 27(11): 1668-1681, 2008 [2] Moghbel, Mehrdad et al “Automatic liver segmentation on Computed Tomography using random walkers for treatment planning.” EXCLI journal vol 15 500-517, 2016 [3] R Wolz, c Chu, K Misawa, M Fujiwara, K Mori and D Rueckert, "Automated Abdominal Multi-Organ Segmentation With Subject-Specific Atlas Generation," in IEEE Transactions on Medical Imaging, vol 32, no 9, pp 1723-1730, 2013 [4] Chu c et al., “Multi-organ Segmentation Based on Spatially-Divided Probabilistic Atlas from 3D Abdominal CT Images” In: Mori K., Sakuma I., Sato Y., Barillot c., Navab N (eds) Medical Image Computing and Computer- Assisted Intervention - MICCAI 2013 MICCAI 2013 Lecture Notes in Computer Science, vol 8150 Springer, Berlin, Heidelberg, 2013 [5] Wang z et al., “Geodesic Patch-Based Segmentation” In: Golland p., Hata N., Barillot c., Hornegger J., Howe R (eds), Medical Image Computing and Computer-Assisted Intervention - MICCAI 2014 MICCAI 2014 Lecture Notes in Computer Science, vol 8673 Springer, Cham, 2014 [6] A Lucchi, K Smith, R Achanta, G Knott and p Fua, "Supervoxel-Based Segmentation of Mitochondria in EM Image Stacks With Learned Shape Features," in IEEE Transactions on Medical Imaging, vol 31, no 2, pp 474-486, Feb 2012 [7] L L Dijia Wu, N Lay, D Liu, I Nogues and R M Summers, "Accurate 3D bone segmentation in challenging CT images: Bottom-up parsing and 44 contextualized optimization," 2016 IEEE Winter Conference on Applications of Computer Vision (WACV), Lake Placid, NY, 2016, pp 1-10 [8] ShimizuA, KimotoT, KobatakeH, NawanoS, ShinozakiK, “Automated pancreas segmentation from three-dimensional contrast-enhanced computed tomography” Int J Comput Assist Radiol Surg 5(1):85—98, 2010 [9] OkadaT, Linguraru M, YoshidaY, Hor M, Summers R, Chen Y, Tomiyama N, Sato Y, “Abdominal multi-organ segmentation of CT images based on hierarchical spatial modeling of organ interrelations In: Abdominal imaging computational and clinical applications”, pp 173-180, 2012 [10] Lu L, Barbu A, Wolf M, Liang J, Bogoni L, Salganicoff M, Comaniciu D, “Simultaneous detection and registration for ileo-cecal valve detection in 3d CT colonography” In: European conference on computer vision Springer, Berlin, pp 465-478, 2008 [11] Lu L, Devarakota p, Vikal s, Wu D, Zheng Y, Wolf M, “Computer aided diagnosis using multilevel image features on large-scale evaluation” In: Medical computer vision-MICCAI Springer, Berlin, pp 161-174, 2013 [12] R Achanta, A Shaji, K Smith, A Lucchi, p Fua and s Sũsstrunk, "SLIC Superpixels Compared to State-of-the-Art Superpixel Methods," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 34, no 11, pp 2274-2282, 2012 [13] https://wiki.cancerimagingarchive.net/display/Public/Pancreas-CT, 2019/05/31 [14] Sokolova, Marina, and Guy Lapalme “A Systematic Analysis of Performance Measures for Classification Tasks.” Information Processing & Management, vol 45, no 4, 2009, pp 427-437 [15] Thada, Vikas and Vivek Jaglan “Comparison of Jaccard , Dice , Cosine Similarity Coefficient To Find Best Fitness.” (2013) [16] Vedaldi A, Fulkerson B VLFeat: an open and portable library of computer vision algorithms, 2008, http://www.vlfeat.org/, 2019/05/31 [17] Mildenberger, p., Eichelberg, M & Martin, E Eur Radiol 12: 920 https://doi.org/10.1007/s00330010110Q 2002 45 [18] https://en.wikipedia.org/wiki/CT scan 2019/05/31 [19] Viola p, Jones M Robust real-time face detection Int J Comput Vis 57(2): 137154, 2004 [20] Lowe D Distinctive image features from scale-invariant keypoints Int J Comput Vis 60(2):91-110, 2004 [21] Wang z, Bhatia K, Glocker B, Marvao A, Dawes T, Misawa K, Mori K, Rueckert D "Geodesic patch-based segmentation" In: MICCAI, vol 1, pp 666-673, 2014 [22] Farag A., Lu L., Roth H.R., Liu J., Turkbey E., Summers R.M “Automatic Pancreas Segmentation Using Coarse-to-Fine Superpixel Labeling” In: Lu L., Zheng Y., Carneiro G., Yang L (eds) Deep Learning and Convolutional Neural Networks for Medical Image Computing Advances in Computer Vision and Pattern Recognition Springer, Cham, 2017 46 ... dụng vào tốn phân đoạn ảnh tuyến tụy, nhằm giảm chi phí tính tốn tầng học sâu 22 Chương PHÂN ĐOAN ẢNH TUYẾN TUY BẰNG PHƯƠNG PHÁP • • HỌC SÂU • Ở chương này, toán phân đoạn ảnh tuyến tụy xác định... đến đề tài Chương 3: PHÂN ĐOẠN ẢNH TUYẾN TỤY BẰNG PHƯƠNG PHÁP HỌC SÂU Một phương pháp phân đoạn ảnh tuyến tụy theo hướng tiếp cận bottom-up trình bày chi tiết chương Phương pháp thiết kế kiến trúc... ĐOẠN ẢNH TUYẾN TỤY BẰNG PHUƠNG PHÁP 23 HỌC SÂU 3.1 Yêu cầu toán 23 3.1.1 Dữ liệu đầu vào 23 3.1.2 Dữ liệu đầu 23 3.2 Phân đoạn ảnh tuyến tụy phương pháp học sâu