Tổng quan một số nghiên cứu xây dựng các thuật toán học sâu áp dụng trong phân tích ảnh y tế

Bài viết này sẽ giới tổng quan về các nghiên cứu xây dựng các thuật toán học sâu được sử dụng cho phân tích ảnh y tế và giới thiệu một số các nghiên cứu áp dụng trên một số lĩnh vực cụ thể như phân tích ảnh chụp cộng hưởng từ não, phân tích ảnh X vùng ngực, ảnh huỳnh quang chụp đáy mắt, ảnh nội soi tiêu hóa.

Công nghệ thông tin TỔNG QUAN MỘT SỐ NGHIÊN CỨU XÂY DỰNG CÁC THUẬT TOÁN HỌC SÂU ÁP DỤNG TRONG PHÂN TÍCH ẢNH Y TẾ Lê Thị Thu Hồng*, Nguyễn Chí Thành , Phạm Thu Hương Tóm tắt: Hiện thuật toán học sâu (deep learning) đặc biệt mạng nơ ron tích chập (CNN- Convolutional neural networks) phương pháp nhiều nhà nghiên cứu lựa chọn để giải tốn tự động phân tích ảnh y tế Bài báo giới tổng quan nghiên cứu xây dựng thuật toán học sâu sử dụng cho phân tích ảnh y tế giới thiệu số nghiên cứu áp dụng số lĩnh vực cụ thể phân tích ảnh chụp cộng hưởng từ não, phân tích ảnh X vùng ngực, ảnh huỳnh quang chụp đáy mắt, ảnh nội soi tiêu hóa Từ khóa: Học sâu; Mạng nơ-ron tích chập; Phân tích ảnh y tế ĐẶT VẤN ĐỀ Kể từ ảnh y tế quét để lưu trữ máy tính nhà nghiên cứu xây dựng hệ thống để tự động phân tích ảnh y tế Bắt đầu từ năm 1970 tới năm 1990 hệ thống tự động phân tích ảnh y tế ứng dụng xử lý ảnh áp dụng mơ hình tốn học xây dựng dựa vào hệ thống tập luật để giải tác vụ cụ thể đó, hệ thống gọi hệ chuyên gia Sau phương pháp học máy trở nên thông dụng hệ thống phân tích ảnh y tế vào năm 2000, có dịch chuyển từ hệ thống xây dựng dựa tập luật chuyên gia người đưa sang hệ thống huấn luyện dựa liệu, nhiên việc trích xuất đặc trưng ảnh người can thiệp dựa quan sát đặc tính riêng ảnh, hệ thống gọi hệ thống trích rút đặc trưng thủ công Trong năm gần thuật tốn học sâu ý nhiều đạt kết tốt số lĩnh vực ứng dụng nhận dạng khuôn mặt, nhận dạng ký tự viết tay, phân loại ảnh, phát đối tượng phân vùng đối tượng ảnh Các hệ thống xây dựng dựa việc máy tính tự học đặc trưng thuật toán học sâu Các thuật toán học sâu mở hướng phát triển tiềm cho ứng dụng phân tích ảnh y tế Các nghiên cứu xây dựng thuật tốn học sâu áp dụng cho phân tích ảnh y tế năm gần đưa hội thảo khoa học công bố tạp chí khoa học với số lượng tăng nhanh Hiện chủ đề nhiều nhóm nghiên cứu nước tập trung nghiên cứu đạt số kết khả quan, nhiên kết đạt chưa cao nghiên cứu áp dụng học sâu vào phân tích ảnh y tế lĩnh vực nghiên cứu đa ngành, đòi hỏi kết hợp chặt chẽ nhà nghiên cứu trí tuệ nhân tạo chun gia phân tích chuyển đốn hình ảnh y tế Bài báo giới thiệu tổng quan nghiên cứu xây dựng thuật toán học sâu sử dụng phân tích ảnh y tế Bài báo trình bày theo thứ tự sau: Phần giới thiệu lý thuyết mạng nơ-ron mơ hình học sâu Phần giới thiệu nghiên cứu sử dụng thuật toán học sâu cho toán phân tích ảnh y tế Phần giới thiệu ứng dụng sử dụng học sâu để phân tích ảnh y tế lĩnh vực ứng dụng cụ thể Phần tổng kết khả áp dụng, khó khăn hướng phát triển nghiên cứu xây dựng thuật tốn học sâu dùng cho phân tích ảnh y tế 196 L T T Hồng, N C Thành, P T Hương, “Tổng quan số nghiên cứu … ảnh y tế.” Thông tin khoa học công nghệ TỔNG QUAN VỀ CÁC THUẬT TOÁN HỌC SÂU 2.1 Mạng nơ-ron (Artificial Neural Network) học sâu (deep learning) Mạng nơ-ron (Artificial Neural Network- ANN) thuật toán học mô dựa hoạt động hệ thống thần kinh sinh vật, bao gồm số lượng lớn nơ-ron gắn kết để xử lý thông tin ANN giống não người, học kinh nghiệm, có khả lưu giữ kinh nghiệm, tri thức sử dụng tri thức việc dự đoán liệu chưa biết Một mạng nơ-ron bao gồm nơ-ron hay gọi đơn vị tính tốn (unit), hàm kích hoạt (activation) a=σ( )và tập tham số Ѳ={Ⱳ, B} W gọi tập trọng số (weight) mạng Mạng nơ-ron gồm nhiều lớp gọi MLP (Multi Layered Peceptrons) Một hạn chế kiến trúc MLP nói chung hàm mát khơng phải hàm lồi, việc tìm nghiệm tối ưu tồn cục cho toán tối ưu hàm mát khó Một vấn đề khác việc huấn luyện MLP không hiệu số lượng lớp ẩn lớn,vấn đề gọi “vanishing gradient” Để giúp phần tránh vanishing gradient người ta đưa ý tưởng tiền huấn luyện không giám sát (unsupervised pretraining) ma trận trọng số lớp ẩn tiền huấn luyện (pretrained) Các trọng số tiền huấn luyện coi giá trị khởi tạo tốt cho lớp ẩn phía đầu mạng nơ-ron nhiều lớp ẩn gọi mạng nơ ron kiến trúc sâu Hình Cấu trúc mạng nơ-ron Học sâu (Deep Learning) phương pháp học máy xây dựng dựa mạng nơ-ron kiến trúc sâu, hiểu học sâu mạng nơ-ron với nhiều lớp ẩn Học sâu cho phép hệ thống huấn luyện tập liệu dự đốn đầu dựa vào tập đầu vào, với học sâu đặc trưng trích xuất tự động 2.2 Mạng nơ- ron tích chập (Convolutional Neural Networks -CNN) Mạng nơ-ron tích chập (CNN- Convolutional Neural Network) mơ hình học sâu tiên tiến giúp cho xây dựng hệ thống thông minh với độ xác cao như hệ thống xử lý ảnh lớn Facebook, Google hay Amazon CNN dựa khái niệm tích chập (convolution), tích chập (convolution) nhân ma trận 3x3 (hoặc 5x5) với ma trận trượt ma trận ảnh đầu vào,giá trị đầu tích thành phần cộng lại, kết tích chập ma trận sinh từ việc trượt ma trận filter thực Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 04 - 2019 197 Công nghệ thông tin tích chập tồn ma trận ảnh CNN tập hợp lớp Convolution chồng lên sử dụng hàm kích hoạt khơng tuyến tính ReLU, Tanh để kích hoạt trọng số nút Mỗi lớp sau thông qua hàm kích hoạt tạo thơng tin trừu tượng cho lớp Ngồi có số lớp khác pooling/subsampling dùng để chắt lọc lại thơng tin hữu ích Một số kiến trúc mạng CNN tiếng[6] - LeNet : LeNet mạng CNN lâu đời tiếng Yann LeCUn phát triển vào năm 1998s Cấu trúc LeNet gồm: lớp (Convolution + maxpooling) lớp fully connected output softmax layer - AlexNet: AlexNet mạng CNN dành chiến thắng thi ImageNet LSVRC-2012 năm 2012 AlexNet mạng CNN với số lượng parameter lớn (60 triệu), kiến trúc Alexnet gồm lớp convolution lớp fully connection Hàm kích hoạt Relu sử dụng sau convolution fully connection - VGG: Sau AlexNet VGG đời với số cải thiện hơn,VGG cho tỉ lệ lỗi thấp AlexNet ImageNet Large Scale Visual Recognition Challenge (ILSVRC) năm 2014 VGG có phiên VGG16 VGG19 Kiến trúc VGG16 bao gồm 16 lớp: 13 lớp Conv (2 lớp conv-conv,3 lớp conv-conv-conv) có kernel 3x3, sau lớp Conv maxpooling downsize xuống 0.5, lớp fully connection VGG19 tương tự VGG16 có thêm lớp convolution lớp conv cuối - GoogleNet: Năm 2014, Google cơng bố CNN nhóm nghiên cứu họ phát triển có tên GoogleNet GoogleNet gồm 22 lớp, khởi đầu lớp convolution đơn giản, block Inception module với maxpooling theo sau block, sử dụng Inception module tồn khơng sử dụng fully connection layer mà thay vào average pooling làm giảm thiểu nhiều số lượng tham số -ResNet: ResNet phát triển Microsoft năm 2015 ResNet thắng ImageNet ILSVRC competition 2015 với tỉ lệ lỗi 3.57%, ResNet có cấu trúc gần giống VGG với nhiều lớp làm cho mơ hình sâu ResNet có kiến trúc gồm nhiều residual block, y tưởng residual block feed foward đầu vào x qua số layer conv-max-conv, ta thu đầu F(x) sau thêm x vào đầu H(x) = F(x) + x HỌC SÂU SỬ DỤNG TRONG PHÂN TÍCH ẢNH Y TẾ Phần giới thiệu nghiên cứu thuật toán học sâu cho tốn phân tích ảnh y tế, bao gồm phân loại (classification), phát đối tượng (detect object), phân vùng ảnh (segmentation) Ngồi xây dựng thuật học sâu cho số toán khác biến đổi ảnh (registration), tổng hợp ảnh (retrieval), nhiên tốn khó chưa có nhiều nghiên cứu thực để giải toán 3.1 Phân loại ( Classification) 3.1.1 Phân loại ảnh (Image classification) 198 L T T Hồng, N C Thành, P T Hương, “Tổng quan số nghiên cứu … ảnh y tế.” Thông tin khoa học công nghệ Phân loại ảnh tốn phân tích ảnh y tế mà học sâu đem lại kết tốt Với toán phân loại ảnh phân tích ảnh y tế, đầu vào nhiều ảnh chụp vùng thể, đầu chẩn đoán mắc khơng mắc bệnh Tập liệu huấn luyện toán phân loại ảnh y tế thường có kích thước khơng lớn, nghiên cứu giải toán thường sử dụng thuật toán học chuyển giao (Tranfer learning) tức sử dụng mạng nơ-ron huấn luyện trước (pretrained-network) trước tập liệu ảnh lớn ImageNet đưa vào thêm kỹ thuật khác để giải tốn Ngồi hướng tiếp cập dùng tranfer learning, số nhóm nghiên cứu tự xây dựng cấu trúc mạng CNN riêng dùng cho tốn riêng Ví dụ nhóm tác giả Mina Rezaei, Haojin Yang, Christoph Meinel [4] xây dựng mạng CNN để phân loại ảnh cộng hưởng từ não (MRI não) xác định tổn thương vùng não Kiến trúc bao gồm lớp lớp polling nhằm giảm đáng kể kích thước véc tơ đặc trưng Sau lớp conv7 lớp 7th fully-connected gồm 4096 neural, cuối áp dụng chuẩn hóa sau lớp full-connected cuối để giảm overfitting Hình Kiến trúc mạng phân loại ảnh MRI 3.1.2 Phân loại đối tượng ảnh (Object or lesion classification) Bài toán phân loại đối tượng ảnh tập trung vào phân loại phần ảnh, ví dụ: phân loại đối tượng bất thường ảnh chụp CT vùng ngực để xác định u bứu vùng ngực Trong tốn thơng tin cục xuất đối tượng bất thường thông tin tổng thể ảnh cần phân tích Do người ta thường sử dụng kiến trúc multi-stream để giải tốn Ví dụ nhóm Kawahara and Hamarneh(2016) sử dụng multi-stream CNN để phân loại vết tổn thương bề da, stream xử lý ảnh với độ phân giải khác Gao et al (2015) đề xuất mơ hình kết hợp CNNs RNNs để xây dựng hệ thống xác định bệnh đục thủy tinh thể dựa ảnh chụp huỳnh quang mắt, CNN filters mạng huấn luyện sẵn Sự kết hợp cho phép xử lý tất các thông tin chung tổng quan ảnh mà khơng quan tâm đến kích thước ảnh 3.2 Xác định đối tượng ảnh (Object Detection) 3.2.1 Xác định vị trị phận thể vùng thể Xác định phận thể, vùng thể bước quan trọng phân tích ảnh y tế Để xác định vị trí đối tượng ta cần phải phân tích ảnh 3D, có hai hướng tiếp cận để phân tích ảnh 3D xác định vị trí đối tượng giải phẫu ảnh y tế đề xuất bao gồm: Một xem ảnh 3D tập hợp ảnh 2D theo lát cắt trực giao, sau xác định vị trí vật thể ảnh 2D, phương pháp Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 04 - 2019 199 Công nghệ thông tin phổ biến cho kết tốt Hai xây dựng mạng CNN riêng trực tiếp áp dụng cho ảnh 3D, phương pháp phức tạp yêu cầu khối lượng tính tốn lớn 3.2.2 Phát đối tượng vùng dị thường Việc phát đối tượng cần quan tâm vùng dị thường ảnh y tế phần quan trọng chẩn đốn bệnh việc khó khăn của bác sỹ Về phát vùng dị thường xác định vị trí nhận biết vùng bất thường nhỏ khơng gian ảnh lớn Ví dụ: phát khối u tế bào ảnh chụp cộng hưởng từ não, phát vết tụ máu chảy ảnh chụp cộng hưởng từ não, Phát khối u ảnh chụp X quang vùng ngực Phần lớn thuật tốn cơng bố sử dụng kiến trúc mạng CNN để thực phân loại đối tượng sau bước xử lý để xác định đối tượng Dưới trình bày ví dụ kiến trúc sử dụng để xây dựng hệ thống phát dị thường não dựa ảnh cộng hưởng từ não nhóm tác giả Mina Rezaei, Haojin Yang, Christoph Meinel [4] Hình Kiến trúc mạng phát vùng bất thường ảnh MRI não Hệ thống sử dụng đồng thời hai kiến trúc mạng: Kiến trúc thứ mạng CNN để trích rút đặc trưng toàn ảnh Kiến trúc thứ hai kết hợp mạng Fast R-CNN để nhận dạng vùng cần quan tâm mạng VGG-16 tinh chỉnh lại để trích rút đặc trưng cục vùng Ứng dụng tác giả áp dụng với tập liệu BRATS-2015 gồm 220 người bệnh mắc khối u 54 người bệnh không mắc khối u, tỉ lệ phát đạt độ xác 94.3 % 3.3 Phân đoạn đối tượng ảnh (Segmentation) Phân đoạn phân tích ảnh y tế thường có hai dạng: phân đoạn phận thể cấu trúc nhỏ ảnh, hai phân đoạn vùng bị tổn thương bất thường ảnh Phân đoạn phận thể cấu trúc ảnh y tế dùng để phân tích tham số liên quan kích thước hình dạng phận Phân đoạn vùng bị tổn thương bất thường kết hợp phát đối tượng phân đoạn đối tượng ảnh dựa vào đặc trưng riêng biệt vùng bất thường Có số phương pháp sử dụng cho phân đoạn đối tượng, đa số trúc CNN RNN Gần kiến trúc thành công U-net sử dụng phổ biến tác vụ phân đoạn 200 L T T Hồng, N C Thành, P T Hương, “Tổng quan số nghiên cứu … ảnh y tế.” Thông tin khoa học công nghệ MỘT SỐ NGHIÊN CỨU ỨNG DỤNG PHÂN TÍCH ẢNH Y TẾ SỬ DỤNG CÁC THUẬT TỐN HỌC SÂU Phân tích hình ảnh não: Các nghiên cứu ứng dụng phân tích hình ảnh não đa số tập trung vào sử dụng thuật toán phân loại ảnh để chẩn đốn bệnh não ví dụ bệnh Alzheimer Một số nghiên cứu khác lại theo hướng sử dụng phát phân đoạn đối tượng để phát khối u vùng dị thường não Hiện phần lớn nghiên cứu xây dựng thuật toán học sâu tập ảnh chụp cộng hưởng từ (MRI) sử dụng kiến trúc mạng CNN Bảng Một số công trình nghiên cứu thuật tốn học sâu áp dụng phân tích ảnh não Nhóm tác giả Shi, J., Zheng, X., Li, Y., Zhang, Q., Ying, S., Jan 2017 Sarraf, S., Tofighi, G., 2016 Van der Burgh, H K., Schmidt, R., Westeneng, H.-J., de Reus, 2017 Kamnitsas, K., Ledig, C., Newcombe, V F., Simpson, J P., Kane, A D., 2017 Công trình Multimodal neuroimaging feature learning with multimodal stacked deep polynomial networks for diagnosis of Alzheimer’s disease Classification of Alzheimer’s disease using fMRI data and deep learning convolutional neural networks Deep learning predictions of survival based on MRI in amyotrophic lateral sclerosis Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation Phân tích ảnh phản quang chụp đáy mắt: Một toán nghiên cứu hướng tới nhiều phát màng phủ đáy mắt bệnh nhân biến chứng bệnh tiểu đường dựa phân tích ảnh màu phản quang chụp đáy mắt (CFI) chụp đáy mắt Để thực toán nghiên cứu tập trung vào sử dụng mạng CNN để phân tích ảnh CFI, sử dụng detection, segmentation để phát dị thường võng mạc chẩn đốn bệnh mắt Bảng Một số cơng trình nghiên cứu thuật tốn học sâu áp dụng phân tích ảnh vùng mắt Nhóm tác giả Zilly, J., Buhmann, J M., Mahapatra, D., 2017 Gulshan, V., Peng, L., Coram, M., Stumpe, M C., Wu., Narayanaswamy , 2016 Worrall, D E., Wilson, C M., Brostow, G J., 2016 Maninis, K.-K., Pont-Tuset, J., Arbelaez, P., Gool, L., 2016 Cơng trình Glaucoma detection using entropy sampling and ensemble learning for automatic optic cup and disc segmentation Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs Automated retinopathy of prematurity case detection with convolutional neural networks Deep retinal image understanding: Segmentation of blood vessels and optic disk; VGG-19 network extended with specialized layers for each segmentation task Phân tích ảnh vùng ngực: Các nghiên cứu phân tích ảnh vùng ngực chủ yếu tập trung vào phân tích ảnh X quang ngực sử dụng classification detection để phát khối u, chẩn đốn bệnh phổi, tim mạch Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 04 - 2019 201 Công nghệ thông tin Bảng Một số cơng trình nghiên cứu thuật tốn học sâu áp dụng phân tích ảnh vùng ngực Nhóm tác giả Rajkomar, A., Lingam, S., Taylor, A G., Blum, M., Mongan, J., 2017 Christodoulidis,Anthimopoulos, Ebner, L., Christe, A., 2017 Shin, H.-C., Roberts, K., Lu, L., Demner-Fushman, D., 2016 Dou, Q., Chen, H., Yu, L., Qin, J., Heng, P A., 2016 Cơng trình High-throughput classification of radiographs using deep convolutional neural networks Multi-source transfer learning with convolutional neural networks for lung pattern analysis Learning to read chest x-rays: Recurrent neural cascade model for automated image annotation, CNN detects 17 diseases, large data set (7k images) Multi-level contextual 3D CNNs for false positive reduction in pulmonary nodule detection Phân tích ảnh nội soi tuyến tiêu hóa: Các nghiên cứu phân tích ảnh nội soi tuyến tiêu hóa chủ yếu xây dựng thuật tốn phát đối tượng bất thường ảnh cắt từ video camera nội soi thu Các bất thường u, polyp, vết viêm loét xuất huyết Bảng Một số cơng trình nghiên cứu thuật tốn học sâu áp dụng phân tích ảnh nội soi tuyến tiêu hóa Nhóm tác giả Younghak shin, Hemin ali qadir, Ilangko balasingham, 2018 N Tajbakhsh, S Gurudu, and J Liang, 2016 S Park, M Lee, and N Kwak, 2016 Ruikai Zhang , Yali Zheng , Carmen C.Y Poon , Dinggang Shen, James Y.W La, 2017 Cơng trình Abnormal Colon Polyp Image Synthesis Using Conditional Adversarial Networks for Improved Detection Performance Automated polyp detection in colonoscopy videos using shape and context information Polyp detection in colonoscopy videos using deeply-learned hierarchical features Polyp Detection during Colonoscopy using a Regressionbased Convolutional Neural Network with a Tracker Ngoài nghiên cứu ứng dụng phân tích ảnh vùng thể kể có ứng dụng phân tích ảnh tim mạch (cardiac), hệ xương (musculoskeletal) để chẩn đốn bệnh có liên quan khác KẾT LUẬN Qua phần nghiên cứu tổng quan trình bày thấy thuật tốn học sâu áp dụng tất khía cạnh phân tích ảnh y tế CNN kiến trúc đạt hiệu cao cho tốn phân tích ảnh y tế Các thuật tốn học sâu xây dựng để áp dụng cho phân tích ảnh y tế theo hai hướng tiếp cận chính: thứ sử dụng mạng CNN huấn luyện trước điều chỉnh lại để phù hợp với tập liệu ảnh y tế áp dụng, thứ hai xây dựng mạng CNN riêng huấn luyện mạng trực tiếp tập liệu ảnh mẫu toán áp dụng Kiến trúc mạng yếu tố định hiệu thuật tốn cho tốn phân tích ảnh y tế, kiến trúc mạng yếu tố định việc đạt hiệu cao giải 202 L T T Hồng, N C Thành, P T Hương, “Tổng quan số nghiên cứu … ảnh y tế.” Thông tin khoa học cơng nghệ tốn, kỹ thuật tiền xử lý liệu tăng cường liệu yếu tố ảnh hưởng đến kết giải pháp, ngồi có yếu tố khác kích thước đầu vào mạng, tham số tối ưu mạng ví dụ learning rate, drop out rate… Khi xây dựng thuật toán học sâu áp dụng cho phân tích ảnh y tế khó khăn lớn thiếu hụt tập liệu huấn luyện đủ lớn Các hệ thống PACS sử dụng rộng rãi hệ thống y tế chúng lưu trữ lượng ảnh y tế lớn nhiên khó khăn gặp phải việc gán nhãn cho tập liệu ảnh Gán nhãn cho liệu ảnh y tế phải thực chuyên gia chẩn đoán hình ảnh lĩnh vực riêng tốn nhiều cơng sức, thời gian Một khó khăn khác liên quan đến liệu liệu ảnh y tế liệu không cân tức số lượng ảnh cho trường hợp mắc bệnh nhiều so với số lượng ảnh cho trường hợp khơng mặc bệnh, thuật tốn cho hiệu tốt tập liệu thử nghiệm, lại sai cho trường hợp thực tế gặp tập liệu mẫu Ngoài lĩnh vực y tế, việc chẩn đốn bệnh khơng thơng tin trích rút qua phân tích ảnh y tế mà phải dựa vào thơng tin khác người bệnh ví dụ độ tuổi, chiều cao, cân nặng, tiền sử bệnh, biểu lâm sàng… Do nhà nghiên cứu xây dựng thuật toán học sâu cần phải kết hợp thông tin bệnh nhân ảnh y tế để làm đầu vào cho thuật tốn, khó khăn giải vấn đề kết hợp cần phải cân đặc trưng ảnh (có thể lên tới hàng hàng nghìn đặc trưng) đặc trưng mang thơng tin bệnh nhân (chỉ khoảng vài chục thông tin) Xem xét xu hướng phát triển thuật toán học sâu nguồn liệu ảnh y tế xác định hướng phát triển cho thuật tốn học sâu áp dụng cho phân tích ảnh y tế tương lai thuật tốn học khơng giám sát Các thuật tốn học sâu khơng giám sát có điểm lợi phù hợp với liệu ảnh y tế chúng phân tích tập liệu ảnh lớn khơng cần gán nhãn để tìm tri thức ẩn sâu liệu TÀI LIỆU THAM KHẢO [1] Geert Litjens, Thijs Kooi, Babak Ehteshami Bejnordi, Arnaud Arindra Adiyoso Setio, Francesco Ciompi, Mohsen Ghafoorian, Jeroen A.W.M van der Laak, Bram van Ginneken, Clara I Sanchez (2017) A Survey on Deep Learning in Medical Image Analysis arXiv:1702.05747 [2] Rajpurkar P, Irvin J, Ball RL, Zhu K, Yang B, Mehta H, et al (2018) Deep learning for chest radiograph diagnosis PLoS Med 15(11): e1002686 https://doi.org/10.1371/journal.pmed.1002686 [3] Mina Rezaei, Haojin Yang, Christoph Meinel 2017 Deep Learning for Medical Image Analysis arXiv:1708.08987 [4] Shen, W., Zhou, M., Yang, F., Yang, C., Tian, J., 2015 Multi-scale convolutional neural networks for lung nodule classification In: Inf Process Med Imaging Vol 9123 of Lect Notes Comput Sci.pp 588–599J Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 04 - 2019 203 Công nghệ thông tin [5] Bernal et al.,2017 ‘‘Comparative validation of polyp detection methods in video colonoscopy: Results from the MICCAI 2015 endoscopic vision challenge,’’ IEEE Trans Med Imag., vol 36, no 6, pp 1231–1249 [6] https://www.coursera.org/specializations/deep-learning; ABSTRACT AN OVERVIEW OF STUDIES ON DEEP LEARNING IN MEDICAL IMAGE ANALYSIS Deep learning algorithms, in particular convolutional neural networks, have rapidly become a methodology of choice for analyzing medical images This article will provide an overview of the studies on deep learning algorithms used for medical imaging analysis It also introduces some studies applied in specific areas such as brain magnetic resonance imaging, chest X-ray image, abdominal region endoscopy, colono-scopy Keywords: Deep learning; Convolutional neural networks; Medical imaging Nhận ngày 26 tháng 12 năm 2018 Hoàn thiện ngày 10 tháng năm 2019 Chấp nhận đăng ngày 25 tháng năm 2019 Địa chỉ: Viện Công nghệ thông tin/Viện Khoa học Công nghệ quân * Email: lethithuhong1302@gmail.com 204 L T T Hồng, N C Thành, P T Hương, “Tổng quan số nghiên cứu … ảnh y tế.” ... trình b y th y thuật tốn học sâu áp dụng tất khía cạnh phân tích ảnh y tế CNN kiến trúc đạt hiệu cao cho tốn phân tích ảnh y tế Các thuật toán học sâu x y dựng để áp dụng cho phân tích ảnh y tế theo... phát triển thuật toán học sâu nguồn liệu ảnh y tế xác định hướng phát triển cho thuật toán học sâu áp dụng cho phân tích ảnh y tế tương lai thuật tốn học khơng giám sát Các thuật tốn học sâu khơng... dụng phổ biến tác vụ phân đoạn 200 L T T Hồng, N C Thành, P T Hương, Tổng quan số nghiên cứu … ảnh y tế. ” Thông tin khoa học công nghệ MỘT SỐ NGHIÊN CỨU ỨNG DỤNG PHÂN TÍCH ẢNH Y TẾ SỬ DỤNG CÁC