Đang tải... (xem toàn văn)
Chụp xạ hình tưới máu cơ tim (MPI) bằng máy chụp cắt lớp phát xạ đơn photon (SPECT) là một hướng nghiên cứu đầy tiềm năng cho học máy phục vụ hỗ trợ chẩn đoán (CAD). Tuy nhiên, các kết quả nghiên cứu về vấn đề này còn ít và khó có thể áp dụng, phát triển vì thiếu một cơ sở dữ liệu chuẩn. Hầu hết các thuật toán dò tìm tổn thương cơ tim bằng phân tích ảnh SPECT MPI đều dựa trên những tập dữ liệu riêng hoặc được công bố với thông tin không xác định. Điều này làm cho việc so sánh hiệu suất giữa các phương pháp khó khăn và việc phát triển tiếp gặp nhiều hạn chế. Nhằm giải quyết vấn đề này, chúng tôi đưa bộ dữ liệu chuẩn về ảnh SPECT MPI để đánh giá các phương pháp trong dò tìm tổn thương cơ tim. Bên cạnh đó, chúng tôi cũng xây dựng các mô hình hỗ trợ chẩn đoán bằng máy tính (CAD) dựa trên tập dữ liệu. Các mô hình được thiết kế với mục đích làm cơ sở chuẩn mực cho việc phát triển các mô hình CAD trên tập dữ liệu trong tương lai. Chúng tôi tin tưởng rằng, cơ sở dữ liệu và mô hình cơ bản sẽ góp phần phát triển các nghiên cứu về học máy ứng dụng trong hỗ trợ chẩn đoán SPECT MPI.
Nghiên cứu khoa học công nghệ VỀ MỘT BỘ DỮ LIỆU XẠ HÌNH TƯỚI MÁU CƠ TIM PHỤC VỤ VIỆC XÂY DỰNG, ĐÁNH GIÁ CÁC MƠ HÌNH HỌC MÁY DỊ TÌM TỔN THƯƠNG CƠ TIM Nguyễn Thành Trung1*, Nguyễn Chí Thành2 , Đặng Hoàng Minh2, Nguyễn Thái Hà 3, Nguyễn Đức Thuận3 Tóm tắt: Chụp xạ hình tưới máu tim (MPI) máy chụp cắt lớp phát xạ đơn photon (SPECT) hướng nghiên cứu đầy tiềm cho học máy phục vụ hỗ trợ chẩn đoán (CAD) Tuy nhiên, kết nghiên cứu vấn đề cịn khó áp dụng, phát triển thiếu sở liệu chuẩn Hầu hết thuật tốn dị tìm tổn thương tim phân tích ảnh SPECT MPI dựa tập liệu riêng công bố với thông tin không xác định Điều làm cho việc so sánh hiệu suất phương pháp khó khăn việc phát triển tiếp gặp nhiều hạn chế Nhằm giải vấn đề này, đưa liệu chuẩn ảnh SPECT MPI để đánh giá phương pháp dị tìm tổn thương tim Bên cạnh đó, chúng tơi xây dựng mơ hình hỗ trợ chẩn đốn máy tính (CAD) dựa tập liệu Các mơ hình thiết kế với mục đích làm sở chuẩn mực cho việc phát triển mơ hình CAD tập liệu tương lai Chúng tin tưởng rằng, sở liệu mơ hình góp phần phát triển nghiên cứu học máy ứng dụng hỗ trợ chẩn đốn SPECT MPI Từ khóa: Chụp cắt lớp phát xạ đơn photon (SPECT); Xạ hình tưới máu tim (MPI); Hỗ trợ chẩn đốn máy tính (CAD) ĐẶT VẤN ĐỀ Hỗ trợ chẩn đoán máy tính (Computer-aided Diagnosis-CAD) nghiên cứu với mục đích hỗ trợ bác sĩ đọc kết chẩn đoán SPECT MPI, hạn chế sai sót chủ quan, kinh nghiệm lâm sàng phức tạp hình ảnh… Nhiệm vụ CAD tốn phân tích ảnh SPECT MPI dị tìm tổn thương từ cấu trúc bất thường Mặc dù, CAD mang lại kết nghiên cứu khả quan [1, 2] chưa chấp thuận y tế Một lý kể đến chưa có sở liệu chuẩn để đánh giá hệ thống hỗ trợ chẩn đốn Bên cạnh đó, mơ hình CAD có độ xác cao tập liệu nhỏ sử dụng làm đảm bảo an toàn sử dụng mơ hình ngồi thực tế Hiện nay, có liệu ảnh SPECT MPI đề cập tới báo khoa học, liệu dùng riêng cho nhóm nghiên cứu J Betancur cộng [1, 2], không chia sẻ rộng rãi cho nhà khoa học Điều khiến cho việc kiểm chứng ứng dụng kết nghiên cứu liên quan tới phân tích ảnh SPECT MPI trở nên khó khăn Bên cạnh đó, việc sử dụng liệu cá nhân nguyên nhân làm giảm tốc độ nghiên cứu xây dựng mơ hình CAD Các nhóm nghiên cứu muốn vào lĩnh vực thường phải tiến hành thu thập liệu từ đầu Để khắc phục thực tế trên, báo này, chúng tơi đưa đóng góp sau: - Đề xuất liệu chuẩn có kích thước lớn Bộ liệu xây dựng từ nguồn liệu uy tín tại Việt Nam khu vực Bộ liệu nhiều nhóm nghiên cứu ngồi nước sử dụng để xây dựng cơng trình lĩnh vực CAD phân tích ảnh SPECT MPI sau - Đưa đánh giá khách quan tập liệu, dựa vào mơ hình học máy tốt Kết đánh giá trở thành sở tham khảo trình xây dựng mơ hình, kiến trúc CAD dựa học máy Tạp chí Nghiên cứu KH&CN quân sự, Số 67, - 2020 169 Công nghệ thông tin & Cơ sở toán học cho tin học Nội dung báo gồm năm phần Phần giới thiệu số tập liệu ảnh nói chung ảnh y tế nói riêng Phần trình bày phương pháp thu thập gắn nhãn liệu Phần đưa phương pháp phân lớp phép đo Phần gồm kết luận hướng phát triển CÁC NGHIÊN CỨU TRƯỚC ĐÂY Trong năm qua, cộng đồng nghiên cứu thị giác máy tính có bước phát triển vượt bậc Rất nhiều nhà nghiên cứu rằng, tập liệu mở, chuẩn hóa động lực dẫn đến thành cơng kỹ thuật phân lớp học máy deep learning Có thể kể đến ImageNet, Mixed National Institute of Standards and Technology (MNIST), Caltech 256 [3-5] Bảng Bảng thống kê tập liệu CT SPECT MPI Bảng thống kê hiệu suất phương pháp học máy dị tìm nghi ngờ tổn thương Tác giả Số Cơng khai/ Độ Độ Dương Dạng mẫu Cá nhân nhạy tính giả liệu xác Karssemeijer Cơng khai CT 50 NA 90% cs [9] (MIAS) Mudigonda Công khai CT 56 NA 81% 2.2 cs [10] (MIAS) Công khai CT Liu cs [11] 38 NA 90% (MIAS) Li cs [12] 94 Cá nhân NA 91% 3.21 CT Baum cs Cá nhân CT 63 NA 89% 0.61 [13] Kim cs [14] 83 Cá nhân NA 96% 0.2 CT Cá nhân 95CT Yang cs [15] 203 96.1% 1.8 98% Cá nhân 2.3 per CT The cs [16] 123 NA 94% case Sadaf cs [17] 127 Cá nhân NA 91% NA CT Công khai CT Chu cs [18] 230 NA 98.5% 0.84 (DDSM) J Betancur SPECT 1638 Cá nhân 80% 82.3% NA cs [1] MPI Trong y học, chụp cắt lớp (computed tomography-CT) thể hình ảnh giải phẫu chụp cắt lớp xạ đơn photon (sigle photon emission tomography- SPECT) cho hình ảnh chuyển hóa chúng ghi hình xạ, tái tạo ảnh sử dụng thuật toán tái tạo tương đồng chiếu ngược có lọc (filtered back project-FBP) hay tái tạo lặp (iterative algorithm) Có thể nói, tập liệu hình ảnh CT tập liệu hình ảnh SPECT MPI có cấu trúc, cách trình bầy tương tự Tuy nhiên, tập liệu CT có nhiều dễ truy cập tập liệu SPECT MPI Một vài tập liệu tốt công bố chủ yếu chụp cắt lát CT Digital Database for Screening Mammography (DDSM), Mammographic Imaging Analysis Society (MIAS), Image Retrieval in Medical Applications (IRMA) [6-8] Những tập liệu công bố cơng khai có nhược điểm kích thước hạn chế Bên cạnh liệu công khai, số liệu có kích thước tốt đưa vào nghiên cứu không công bố Như vậy, thấy liệu ảnh CT có 10 liệu nhắc đến 170 N T Trung, …, N Đ Thuận, “Về liệu xạ hình … dị tìm tổn thương tim.” Nghiên cứu cứu khoa học công nghệ báo khoa học, học, nhưng đđối ối với liệu SPECT MPI thì ch chỉỉ có liệu J ũng llàà dữ liệu không đđược Betancur cộng cộng ((bbảng ảng 1) Tuy nhiên, ộ liệu này ccũng ợc chia sẻẻ rộng rãi r kỹ thuật khó, số trung tâm Trong y học học hạt nhân, chụp SPECT MPI llàà lớn Bên ên ccạnh ớn làm làm được B ạnh đó, khả thu thập, xử lý liệu đội ngũ kỹ thuật bệnh viện chế, tiếp ược bệnh hhạn ạn chế, tiếp cận liệu khó khăn đđãã làm cho việc việc xây dựng đđư ợc ữ liệu chuẩn SPECT MPI không dễ thực chỉỉ chủng người Trong y văn vvềề Y học Hạt nhân, nhiều nghiên nghiên cứu cứu đđãã ch ng ời ều có đặc điểm bệnh học khác tr ên hình ảnh SPECT MPI [19, 220] 0] Do đó, ssở nghiên cứu cứu hỗ trợ chẩn đoán SPECT MPI cho ngư người ời Việt Nam cần có ccơ liệu riêng cho người ệu riêng người Việt Chính vì lý đó, nghiên ccứu ứu chúng tôi, tất liệu bệnh ệnh nhân đđư ược ợc lấy từ người ng ời Việt Nam DỰNG XÂY D ỰNG DỮ LIỆU thập 3.1 Phương Phương pháp thu th ập liệu Bộ nghiên cứu Bệnh ộ liệu nhóm nghiên cứu xây dựng đđư ược ợc lấy Khoa Y học học hạt nhân - B ệnh viện kết TƯQĐ 108, 108, bao gồm gồm 1954 ca chụp chụp SPECT tim từ năm 2015 tới 2019 Dữ liệu nnày ày kết sau hội chẩn nhiều bác sĩ và đđãã ccơ ssở ên ccứu để điều trị cho bệnh nhân Nghi Nghiên ứu thực với cho phép khoa Y học Hạt nhân - B Bệnh Kết ệnh viện TƯQĐ TƯQĐ 108 K ết ca chụp llà ảnh cực ực v ảnh lát cắt trình trình tư tưới ới máu ccơ tim của bênh bênh nhân hai pha: nghỉ nghỉ và gắng gắng sức (a) (b) Hình (a) Ảnh lát cắt; (b) Ảnh cực ác ảnh lát cắt theo thuật tốn tái tạo Trong đó, ảnh cực llàà ssự ự tổng hợp ccác đư ợc chứng minh cài đặt đặt sẵn máy chụp SPECT MPI Ảnh cực đđư ược ợc cộng đồng Y học Hạt thừa nhận Bên cạnh đó, pha gắng nhân thừa mang đđầy ầy đủ thông tin từ ảnh lát cắt B ên cạnh sức thể), đ ợc tư tới ức (quá trình trình vận vận động mạnh cơ th ể), máu tưới ới mạnh hhơn ơn tới tim Chính vì vậy, ơn so vvới ậy, vùng vùng khuyết khuyết xạ tr ên tim đư ợc thể rõ rõ hhơn ới pha nghỉ Do đó, bộ liệu mình, mình, chúng tơi chỉ tiến hhành ành thu thập thập ảnh cực pha gắng sức giảm nhận ức Việc này làm gi ảm tính phức ức tạp q trình trình ghi nh ận liệu, nhưng đđồng ồng thời trình khơng làm giảm giảm độ tin cậy liệu Thực tế, nhiều cơng tr ình nghiên cứu cứu đđãã ợc tiến dựa phương hành dựa bộ liệu xây dựng theo ph ương pháp [1, 2] 3.2 Quy trình gán nhãn Bộ thu thập, đư nhãn ãn khơng có tổn thương ương Q ộ liệu sau th u thập, ợc gán nh tổn th ương hay có tổn tổn th thương việc trình này, dựa dựa trên vi ệc phân tích kết luận chẩn đoán bác sĩ ca chụp Tuy nhiên thuật nhiên, thuật ngữ y khoa kết luận bác sĩ lúc nnào trực tiếp t ạng tổn thương bênh nhân, vi việc nhãn ậc (0 (0-bình tình trạng thương ccủa bênh ệc gán nhãn dựa tr ên thang đo bbậc bình thường, 1thường, thư ường, ờng, 44- chắc chắn bất th ường) có lẽ lẽ bình bình th ờng, 22 không rõ ràng, 33 bất bất thư thường, thư ờng) [2] Tạp 2020 ạp chí Nghiên Nghiên cứu cứu KH&CN quân uân sự, sự, Số 67, - 2020 171 Cơng nghệ thơng tin & Cơ sở tốn học cho tin học Trong đó, 0-1 xác định khơng có tổn thương, 2-4 có khả tổn thương Từ sở đó, dạng trả lời khác bác sĩ gán nhãn có tổn thương khơng có tổn thương bảng (bảng 2) Cách gắn nhãn đồng thuận bác sĩ Y học Hạt nhân Bảng Bảng phân loại nhãn Khơng có tổn thương Có tổn thương Chưa phát hình ảnh thiếu máu tim xạ hình Chưa rõ hình ảnh thiếu máu tim xạ hình Có khuyết xạ thuộc vùng chi phối hay nhiều mạch, nghi ngờ artifact Có khuyết xạ vùng tim không khẳng định bị thiếu máu tim Có khuyết xạ vùng tim, nghi ngờ thiếu máu tim Thiếu máu tim cục Khẳng định tổn thương tim (sẹo tim, nhồi máu, có hồi phục) Bênh cạnh việc gán nhãn, thông tin bệnh sử lưu trữ để phục vụ cho nghiên cứu khác tương lai Kết thúc trình thu thập liệu gán nhãn, thu thập liệu gồm 1954 ca với thông số sau: Bảng Bảng thống kê thông tin liệu Khơng có tổn thương Có tổn thương Tuổi trung bình 63.66 65.34 Nam 552 (73,6%) 977 (81,14%) Nữ 198 (26,4%) 227 (18,86%) Tăng huyết áp 448 (59,73%) 739 (61,37%) Suy tim 15(2%) 203 (16,86%) Đau ngực trái 668 (89%) 892 (74,08%) Đái tháo đường 150 (20%) 232 (19,27%) Nhồi máu tim (0.4%) 180 (14,95%) Đã đặt stent 43 (5,73%) 177 (14,7%) Tăng lipid máu (0.4%) (0,17%) Số lượng tổng 750 1204 CÁC PHƯƠNG PHÁP PHÂN LỚP VÀ PHÉP ĐO 4.1 Các phương pháp phân lớp Để thử nghiệm tập liệu, sử dụng giải pháp phân lớp ảnh dựa Deep Learning Lý lựa chọn Deep Learning lĩnh vực học máy dẫn đầu xử lý tốn phân lớp ảnh Các mơ hình Deep Learning thử nghiệm VGG [21], Inception-v3 [22], Resnet [23] EfficientNet [24] Đây mơ hình tiêu biểu sử dụng rộng rãi tốn phân tích nhận dạng ảnh VGG: tư tưởng mơ hình xếp chồng lớp tích chập (Convolution) để tạo thành mạng có nhiều lớp ẩn (hay mạng sâu) VGG với chiều sâu từ 16 đến 19 lớp Các lớp tích chập học đặc trưng khác từ liệu làm sở cho việc phân lớp diễn lớp cuối Inception-v3 kiến trúc phiên thứ mơ hình Inception Google phát triển Inception-v3 dựa tư tưởng xây dựng mơ hình có chiều sâu lớn giống VGG Tuy nhiên Inception nói chung Inception-v3 nói riêng, phương thức kết nối lớp tích chập thay đổi để làm giảm số lượng tham số mạng cho phép 172 N T Trung, …, N Đ Thuận, “Về liệu xạ hình … dị tìm tổn thương tim.” Nghiên cứu khoa học cơng nghệ tăng đáng kể số lớp mạng Bên cạnh đó, Inception-v3 ứng dụng thêm nghiên cứu lớp tích chập có kích thước nhân 1x1 Resnet kiến trúc nhóm nghiên cứu Microsoft phát triển Resnet mơ hình giới thiệu kết nối tắt đồng xuyên qua hay nhiều lớp Cải tiến Resnet đưa nhằm giải tượng biến đạo hàm (Vanishing Gradients) vấn đề thường gặp mạng nhiều lớp ẩn Với cải tiến này, Resnet cho phép xây dựng mạng nơ-ron với chiều sâu lên đến hàng trăm lớp Nếu Inception-v3 Resnet tìm cách nâng cao chiều rộng chiều sâu mạng dựa cải tiến cụ thể phương pháp kết nối EfficientNet lại tiếp cận vấn đề cách hệ thống Kiến trúc EfficientNet xây dựng dựa kiến trúc ban đầu xây dựng từ giải thuật tìm kiếm kiến trúc cho mạng nơ-ron (NAS- Neural Architecture Search) Trong công bố [24], tác giả xác định kiến trúc ban đầu EfficientNet (được gọi EfficientNetB0) Từ kiến trúc ban đầu này, người ta tiến hành mở rộng cách có hệ thống cách kết hợp phương pháp mở rộng: tăng kích thước đầu vào, tăng độ sâu (số lớp mạng), tăng độ rộng mạng (tăng số lượng tham số lớp) Người ta chứng minh thực nghiệm rằng, mạng mở rộng nhằm tăng độ xác tận dụng hiệu số lượng tham số mạng Mạng EfficientNet có cấu hình khác từ EfficientNetB0 đến EfficientNetB7, với kích thước mạng tăng dần, phù hợp với kích thước ảnh khác Hiện nay, mơ hình kiến trúc cộng đồng nghiên cứu giới công nhận tính chuẩn mực hiệu kiểm chứng liệu cơng khai ImageNet Chính vậy, nhóm nghiên cứu tiến hành thử nghiệm liệu mơ hình nhằm đặt nghiên cứu móng cho việc xây dựng mơ hình CAD liệu ảnh SPECT MPI 4.2 Dữ liệu thử nghiệm Dữ liệu gồm 1954 ảnh cực pha gắng sức, kích thước 352x352x3 gắn nhãn có tổn thương khơng có tổn thương, đưa vào thử nghiệm Toàn liệu chia làm tập con: Train, Validation Test với số lượng sau: Bảng Thống số tập liệu Train Validation Test Tổng số Số mẫu 1563 (79,99%) 195 (09,98%) 196 (10,03%) 1954 (100%) Khơng có tổn thương 597 68 85 750 Có tổn thương 966 127 111 1204 Trong đó, mơ hình học máy huấn luyện tập Train kết kiểm tra tập Validation không cải thiện thêm Bộ tham số đó, mạng đạt kết chẩn đoán tốt tập Validation sử dụng để kiểm tra tập Test Kết kiểm tra tập Test sau tổng hợp bảng 4.3 Thử nghiệm kết Hiệu xuất mơ hình CAD đánh giá tập test qua phép đo gồm: Precision , Recall, F1-Score Các phép đo tính theo cơng thức sau: = = + + Tạp chí Nghiên cứu KH&CN quân sự, Số 67, - 2020 (1) (2) 173 Công nghệ thơng tin & Cơ sở tốn học cho tin học ∗ (3) + Có thể thấy, Precision đánh giá mức độ xác mơ hình việc kết luận tổn thương Hay nói cách khác, Precision cao đồng nghĩa với việc độ xác chẩn đốn cao Trong đó, Recall đánh giá mức độ bỏ sót mơ hình Recall cao đồng nghĩa với việc mơ hình bỏ sót ca chẩn đốn dương tính Giá trị F1-Score trung bình điều hịa Precision Recall Số liệu so sánh phương pháp liệt kê theo bảng sau Bảng Đánh giá phép đo khác (in đậm với giá trị tốt nhất) − = Model VGG16 VGG19 Resnet50 Inception-v3 EffictientNetB0 EffictientNetB1 EffictientNetB2 EffictientNetB3 EffictientNetB4 EffictientNetB5 EffictientNetB6 EffictientNetB7 Precision 0.82 0.83 0.75 0.70 0.79 0.79 0.81 0.84 0.81 0.80 0.67 0.22 Recall 0.82 0.83 0.74 0.70 0.78 0.80 0.81 0.84 0.82 0.79 0.58 0.50 F1-Score 0.81 0.82 0.74 0.70 0.78 0.79 0.81 0.83 0.81 0.77 0.54 0.30 Hiện nay, EfficientNet họ kiến trúc công bố chứng minh có kết tốt tập liệu huấn luyên ảnh công khai ImageNet Việc EfficentNetB3 đạt kết chẩn đoán tốt tập liệu SPECT lần khẳng định lại thực tế EfficientNet không hoạt động hiệu ảnh chụp thông thường liệu ImageNet mà cịn có hiệu suất cao loại liệu ảnh y tế ảnh SPECT MPI Kết thử nghiệm kiến trúc với cấu hình khác (từ B0 tới B7) cho thấy, cấu hình tối ưu tập liệu SPECT B3 Với cấu hình từ B0 tới B2, số lượng tham số mạng nhỏ, chưa đủ để xử lý hết đặc trưng phân lớp liệu Đối với cấu hình từ B4 tới B7, mạng cho kết chẩn đoán dần, điều cho thấy việc tăng số lượng tham số mạng cấu hình bị bão hịa, số lượng tham số tăng thêm khơng khơng cải thiện chất lượng mạng mà cịn làm mạng trở nên overfitting, dẫn tới kết tập Test không cao Như vậy, thực nghiệm ranh giới khởi đầu cho nghiên cứu xây dựng mơ hình CAD tập liệu SPECT tương lai Các nghiên cứu nên bắt đầu cải tiến từ kiến trúc EfficientNetB3 KẾT LUẬN Trong báo này, đưa tập liệu công khai đáng tin cậy để phát triển mơ hình CAD dị tìm tổn thương tim phân tích ảnh SPECT MPI Đồng thời với thử nghiệm tập liệu với mơ hình phân lớp ảnh cộng đồng nghiên cứu giới công bố Đây tập liệu ảnh SPECT MPI với số mẫu lớn, thơng tin xác, tin cậy, công bố rộng rãi Chúng hy vọng có nhiều nghiên cứu 174 N T Trung, …, N Đ Thuận, “Về liệu xạ hình … dị tìm tổn thương tim.” Nghiên cứu khoa học cơng nghệ hỗ trợ chẩn đốn học máy dựa tập liệu Các thử nghiệm tập liệu hồn tồn sử dụng để làm điểm xuất phát ban đầu cho nghiên cứu xây dựng mơ hình CAD sau Trong tương lai, tiếp tục thu thập số liệu tăng thêm số mẫu phát triển mơ hình hỗ trợ chẩn đốn bệnh mạch vành TÀI LIỆU THAM KHẢO [1] Betancur, Commandeur, Motlagh, “Deep Learning for Prediction of Obstructive Disease From Fast Myocardial Perfusion SPECT,” JACC: Cardiovascular Imaging, Vol 11, No 11 (2018), pp 1654-1663 [2] Betancur, Commandeur, Hu LH, “Deep Learning Analysis of Upright-Supine HighEfficiency SPECT Myocardial Perfusion Imaging for Prediction of Obstructive Coronary Artery Disease,” JACC: Cardiovascular Imaging Vol 60, No (2019), pp 664-670 [3] Deng, J et al, “ImageNet: A large-scale hierarchical image database,” in IEEE Conference on Computer Vision and Pattern Recognition (2009), pp 248–255 [4] LeCun, Y., Cortes, C & Burges, C, “MNIST handwritten digit database,” (1998), Available at http://yann.lecun.com/exdb/mnist/ [5] Griffin, G., Holub, A & Perona, P, “Caltech-256 object category dataset,” (2007) Available at http://www.vision.caltech.edu/ Image_Datasets/ Caltech256/ (Accessed: 29th September 2015) [6] Heath, M., Bowyer, K., Kopans, D., Moore, R & Kegelmeyer, W P, “The Digital Database for Screening Mammography,” Proceedings of the Fifth International Workshop on Digital Mammography (2001), pp.212–218 [7] Suckling, J et al, “The Mammographic Image Analysis Society digital mammogram database,” Exerpta Medica (1994), pp 375–378 Available at http://peipa.essex.ac.uk/info/mias.html (Accessed: 29th September 2015) [8] Lehmann, T M et al, ”Content-based image retrieval in medical applications,” Methods Inf Med, Vol 43, No (2004),pp 354–361 [9] Karssemeijer, N & te Brake, G M, “Detection of stellate distortions in mammograms,” IEEE Trans Med Imaging, Vol 15, No (1996), pp 611–619 [10] Mudigonda, N R., Rangayyan, R M & Desautels, J E L, “Detection of breast masses in mammograms by density slicing and texture flow-field analysis,” IEEE Trans Med Imaging, Vol 20, No 12 (2001), pp 1215–1227 [11] Liu, S., Babbs, C F & Delp, E J, “Multiresolution detection of spiculated lesions in digital mammograms,” IEEE Trans IMAGE Process, Vol 10, No (2001), pp 874–884 [12] Li, L., Clark, R A & Thomas, J A, “Computer-aided diagnosis of masses with fullfield digital mammography,” Acad Radiol, Vol 9, No (2002), pp 4–12 [13] [13] Baum, F., Fischer, U., Obenauer, S & Grabbe, E,” Computer-aided detection in direct digital full-field mammography: initial results,” Eur Radiol, Vol 12, No 12 (2002), pp 3015–3017 [14] Kim, S J et al, “Computer-aided detection in digital mammography: Comparison of craniocaudal, mediolateral oblique, and mediolateral views,” Radiology, Vol 241, No.3 (2006), pp 695–701 [15] Yang, S K et al, “Screening mammography—detected cancers: Sensitivity of a computer-aided detection system applied to fullfield digital mammograms,” Radiology, Vol 244, No (2007), pp 104–111 [16] The, J S., Schilling, K J., Hoffmeister, J W & Mcginnis, R, “Detection of breast cancer with full-field digital mammography and computer-aided detection,” Am J Tạp chí Nghiên cứu KH&CN quân sự, Số 67, - 2020 175 Công nghệ thơng tin & Cơ sở tốn học cho tin học Roentgenol, Vol 192, No (2009), pp 337–340 [17] Sadaf, A., Crystal, P., Scaranelo, A & Helbich, T, “Performance of computer-aided detection applied to full-field digital mammography in detection of breast cancers,” Eur J Radiol, Vol 77, No (2011), pp 457–461 [18] Chu, J., Min, H., Liu, L & Lu, W, “A novel computer aided breast mass detection scheme based on morphological enhancement and SLIC superpixel segmentation,” Med Phys, Vol 42, No (2015), pp 3859–3869 [19] Cuberas-Borrós G et al, “Normal Myocardial Perfusion SPECT Database for the Spanish Population,” Revista Espa de Cardiologia, Vol 63, No (2010), pp 934-942 [20] Nakajima., et al, “Creation and characterization of Japanese standards for myocardial perfusion SPECT: Database from the Japanese Society of Nuclear Medicine Working Group,” Ann Nucl Med, Vol 21, No (2007), pp 505-511 [21] Karen Simonyan, Andrew Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” arXiv:1409.1556, (2014) [22] Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, Zbigniew Wojna, “Rethinking the Inception Architecture for Computer Vision,” arXiv:1512.00567 (2015) [23] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, “Deep Residual Learning for Image Recognition,” arXiv:1512.03385 (2015) [24] Mingxing Tan, Quoc V Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” arXiv:1905.11946 (2019) ABSTRACT A DATASET OF SPECT MPI FOR DEVELOPING AND EVALUATING MACHINE LEARNING MODELS FOR MYOCARDIAL LESION DETECTION Myocardial perfusion imaging (MPI) with a single photon emission tomography (SPECT) is a potential research area for machine learning for diagnostic support However, the research results on this issue are few and difficult to apply and develop because of the lack of a standard database Most detection algorithms for detecting myocardial lesion with SPECT MPI image analysis are based on private data sets or are published with unknown information This makes it difficult to compare performance between different methods and development In order to solve this problem, we bring the standard data set to SPECT MPI to evaluate the methods in detecting myocardial lesion In addition, we present machine learning models that are currently in common use and compare their performance based on this data set Models are designed to serve as a basis for comparison with later development models We believe that the database and the basic model will contribute to the development of applied machine learning studies in supporting SPECT MPI diagnostics Keywords: Single photon emission computed tomography (SPECT); Myocardial Perfusion Imaging (MPI); Computer-aided diagnosis (CAD) Nhận ngày 19 tháng năm 2020 Hoàn thiện ngày 26 tháng năm 2020 Chấp nhận đăng ngày 12 tháng năm 2020 Địa chỉ: 1Khoa Y học Hạt nhân/Bệnh viện Trung ương Quân đội 108; Viện Công nghệ thông tin/Viện KH-CN quân Viện Điện tử viễn thông/Trường đại học Bách Khoa Hà Nội *Email: thanhtrungys@yahoo.com 176 N T Trung, …, N Đ Thuận, “Về liệu xạ hình … dị tìm tổn thương tim.” ... khuyết xạ vùng tim khơng khẳng định bị thiếu máu tim Có khuyết xạ vùng tim, nghi ngờ thiếu máu tim Thiếu máu tim cục Khẳng định tổn thương tim (sẹo tim, nhồi máu, có hồi phục) Bênh cạnh việc gán... thuận bác sĩ Y học Hạt nhân Bảng Bảng phân loại nhãn Khơng có tổn thương Có tổn thương Chưa phát hình ảnh thiếu máu tim xạ hình Chưa rõ hình ảnh thiếu máu tim xạ hình Có khuyết xạ thuộc vùng chi... …, N Đ Thuận, ? ?Về liệu xạ hình … dị tìm tổn thương tim. ” Nghiên cứu cứu khoa học công nghệ báo khoa học, học, nhưng đđối ối với liệu SPECT MPI thì ch chỉỉ có liệu J ũng llàà dữ liệu không đđược
