Phân vùng lá gan trong ảnh y khoa dựa trên phương pháp graph cuts

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM THÀNH PHỐ HỒ CHÍ MINH Tơn Thất Suyền PHÂN VÙNG LÁ GAN TRONG ẢNH Y KHOA DỰA TRÊN PHƢƠNG PHÁP GRAPH CUTS LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thành phố Hồ Chí Minh – 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM THÀNH PHỐ HỒ CHÍ MINH Tơn Thất Suyền PHÂN VÙNG LÁ GAN TRONG ẢNH Y KHOA DỰA TRÊN PHƢƠNG PHÁP GRAPH CUTS Chuyên ngành: Khoa học máy tính Mã số: 8480101 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS.TS NGUYỄN THANH BÌNH Thành phố Hồ Chí Minh - 2020 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu thân hướng dẫn khoa học PGS.TS Nguyễn Thanh Bình Luận văn khơng có chép tài liệu, cơng trình nghiên cứu khác mà khơng ghi rõ nguồn tài liệu tham khảo Kết thực nghiệm luận văn khách quan chưa công bố cơng trình nghiên cứu khác Học viên Tôn Thất Suyền LỜI CẢM ƠN Đầu tiên, gửi lời cảm ơn sâu sắc đến Thầy Nguyễn Thanh Bình Thầy tận tình định hướng, giúp đỡ, động viên tơi suốt q trình thực luận văn Tôi chân thành gửi lời cảm ơn đến quý thầy giảng dạy, truyền đạt kiến thức bổ ích cho tơi q trình học tập Đồng thời, cảm ơn hỗ trợ tạo điều kiện Phòng Sau Đại Học Trường Đại học Sư phạm Thành phố Hồ Chí Minh Cuối cùng, xin cảm ơn bạn bè, đồng nghiệp chia sẻ kinh nghiệm, giúp đỡ tơi q trình học tập thực luận văn Và muốn bày tỏ lịng biết ơn sâu sắc đến gia đình tôi, người thân yêu tạo điều kiện hỗ trợ tơi nhiều q trình học tập Mặc dù thân cố gắng kiến thức cịn hạn chế nên khơng thể tránh khỏi thiếu sót luận văn Kính mong nhận thơng cảm góp ý q Thầy Cô bạn Học viên Tôn Thất Suyền MỤC LỤC Trang phụ bìa Lời cam đoan Lời cảm ơn Mục lục Danh mục thuật ngữ viết tắt Danh mục bảng biểu Danh mục hình ảnh Chƣơng GIỚI THIỆU TỔNG QUAN 1.1 Giới thiệu đề tài 1.2 Mục tiêu nội dung luận văn 1.3 Giới hạn đề tài 1.4 Thách thức toán 1.5 Phương pháp nghiên cứu 1.6 Đóng góp mặt khoa học luận văn 1.7 Đóng góp mặt thực tiễn 1.8 Cấu trúc báo cáo Chƣơng CƠ SỞ LÝ THUYẾT 2.1 Cơ sở lý thuyết 2.1.1 Mạng U-Net 2.1.2 Phân vùng ảnh phương pháp Graph Cuts 2.2 Các nghiên cứu liên quan 11 Chƣơng PHÂN VÙNG LÁ GAN TRONG ẢNH CT BỤNG BẰNG PHƢƠNG PHÁP GRAPH CUTS TÍCH HỢP MẠNG U-NET 21 3.1 Mơ tả tốn 21 3.2 Phương pháp đề xuất 22 3.2.1 Tiền xử lý tập liệu LiST 23 3.2.2 Huấn luyện mơ hình IU-Net phân vùng bước đầu 24 3.2.3 Phân vùng hoàn chỉnh với Graph Cuts 28 3.3 Phương pháp đánh giá 31 Chƣơng THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 34 4.1 Phần cứng, phần mềm phương tiện thực nghiệm 34 4.1.1 Phần cứng 34 4.1.2 Phần mềm 34 4.1.3 Đặc tả tập liệu 35 4.2 Thực nghiệm 37 4.3 Đánh giá kết thực nghiệm 44 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 47 TÀI LIỆU THAM KHẢO 49 DANH MỤC THUẬT NGỮ VÀ VIẾT TẮT Từ đầy đủ Từ viết tắt CT Computerized Tomography FCN Fully Convolutional Networks CNN Convolution Neuron Network ReLU Rectified Linear Unit GPU Graphics Processing Unit GMM Gaussian Mixture Model DSC Dice Similary Coefficient VOE Volume Overlap Error ASD Average Symmetric Surface Distance RMSD Root Mean Square Symmetric Surface Distance MSD Maximum Symmetric Surface Distance DICOM Digital Imaging and Communications in Medicine MICCAI Medical Image Computing and Computer Assisted Interventions LiST Liver Tumor Segmentation Challenge HU Hounsfield DANH MỤC CÁC BẢNG BIỂU Bảng 2.1 Kiến trúc mạng CNN 3D Hu [12] 18 Bảng 3.1 Bảng giá trị siêu tham số 28 Bảng 4.1 Tài nguyên GPU Google Colab Pro 35 Bảng 4.2 Số liệu hình ảnh tập huấn luyện tập kiểm tra 37 Bảng 4.3 Giá trị hàm mát ứng với giá trị epochs 38 Bảng 4.4 Kết số đánh giá mơ hình thử nghiệm 39 Bảng 4.5 Kết số đánh giá 44 Bảng 4.6 Bảng so sánh kết thực nghiệm với phương pháp khác 45 DANH MỤC HÌNH ẢNH Hình 1.1 Minh họa yếu tố thách thức phân vùng gan Hình 2.1 Một ví dụ kiến trúc U-net Hình 2.2 Minh họa đồ thị s-t Hình 2.3 Minh họa phương pháp Graph cuts để phân vùng ảnh 11 Hình 2.4 Sơ đồ phương pháp đề xuất Massoptier 13 Hình 2.5 Sơ đồ phương pháp đề xuất Bhatt 14 Hình 2.6 Sơ đồ phương pháp đề xuất Li 15 Hình 2.7 Sơ đồ phương pháp đề xuất Wu 17 Hình 2.8 Sơ đồ phương pháp đề xuất Dou 20 Hình 3.1 Minh họa đầu vào (a) đầu (b) toán 21 Hình 3.2 Lưu đồ thuật toán phương pháp đề xuất 23 Hình 3.3 Minh họa kết bước tiền xử lý liệu 24 Hình 3.4 Kiến trúc mạng IU-Net 25 Hình 3.5 Tác động tốc độ học đến trình huấn luyện 27 Hình 4.1 Một số hình ảnh từ tập liệu LiTS 36 Hình 4.2 Tỉ lệ tập huấn luyện tập kiểm tra tập LiST 37 Hình 4.3 So sánh kết phân vùng với phân vùng 41 Hình 4.4 Kết phân vùng tập liệu kiểm tra Cột (a), (c) hiển thị ảnh đầu vào, cột (b), (d) hiển thị kết phân vùng 43 Chƣơng GIỚI THIỆU TỔNG QUAN 1.1 Giới thiệu đề tài Cho đến nay, ung thư gan sáu loại ung thư phổ biến giới Nó nguyên nhân hàng đầu gây tử vong ung thư [1] Do đó, việc phân vùng hình ảnh gan quan trọng để chẩn đoán bệnh gan, qua giúp bác sĩ đánh giá tình trạng đưa phương pháp điều trị hợp lý Tuy nhiên, việc phân vùng gan nhiệm vụ đầy thách thức lĩnh vực xử lý hình ảnh y khoa phức tạp giải phẫu gan, với độ tương phản vùng gan thấp so với quan lân cận Chụp cắt lớp vi tính (CT) ngày sử dụng rộng rãi chẩn đốn bệnh gan khơng xâm lấn Tuy nhiên, hình ảnh CT, hình dạng kích thước gan khác người vị trí lát cắt khác nhau, điều gây khó khăn cho việc phân vùng tự động gan Các phương pháp phân vùng gan chia thành ba loại: thủ cơng, bán tự động hồn tồn tự động Việc phân vùng thủ cơng hồn tồn dựa vào bác sĩ Việc phân vùng thủ công thực lát cắt tốn nhiều thời gian công sức, kết bị ảnh hưởng trực tiếp kiến thức chun mơn điều kiện máy móc bác sĩ So với phương pháp phân vùng thủ cơng, phương pháp phân vùng bán tự động phụ thuộc vào người Tuy nhiên, sử dụng thuật toán bán tự động để phân vùng gan, cần định thủ công điểm hạt giống vùng hạt giống tương ứng cho vị trí xác định gan (vùng không chứa gan) Do đó, việc tự động hóa nhiệm vụ có tầm quan trọng lớn nhà nghiên cứu bác sĩ đặc biệt quan tâm Hơn phân vùng gan có thách thức riêng đặc điểm giải phẫu gan Bất chấp nhiều năm nghiên cứu ứng dụng phương pháp kỹ thuật mới, việc phân vùng gan nhiệm vụ đầy thách thức chưa có phương pháp 39 Bảng 4.4 Kết số đánh giá mơ hình thử nghiệm DSC (%) VOE (%) ASSD (mm) RMSD (mm) MSD (mm) Thử nghiệm với 92.53 13.52 2.76 5.72 39.51 epoch = 100 Thử nghiệm với 92.07 14.13 2.85 5.93 40.42 epoch = 200 Thử nghiệm với 94.12 10.73 2.29 5.37 38.45 epoch = 300 Thử nghiệm với 94.78 9.61 1.88 4.42 34.86 epoch = 400 Thử nghiệm với 94.86 9.49 1.90 4.55 34.78 epoch = 500 Thử nghiệm với 94.96 9.34 1.86 4.43 34.66 epoch = 600 Thử nghiệm với 94.81 9.64 1.92 4.60 35.39 epoch = 700 Dựa vào kết số đánh giá Bảng 4.4 nhận xét, mơ hình huấn luyện với epochs 600 cho kết phân vùng tốt Cụ thể mơ hình cho kết số DSC = 94.96%, kết cao lần thử nghiệm, số lại nhận giá trị VOE = 9.34%, ASSD = 1.86 mm, RMSD =4.43 mm, MSD = 34.66 thấp lần thử nghiệm Như kết luận mơ hình tối ưu thử nghiệm, cho kết phân vùng có độ xác cao lỗi chồng chéo thể tích (VOE), khoảng cách bề mặt đối xứng trung bình (ASD), khoảng cách bề mặt đối xứng trung bình gốc (RMSD) khoảng cách bề mặt đối xứng tối đa (MSD) đạt giá trị thấp Vì chúng tơi định sử dụng mơ hình để thực bước phân vùng gan ban đầu phương pháp đề xuất Phần tiến hành thực nghiệm phương pháp đề xuất tập liệu kiểm tra gồm 20 ảnh CT Đầu tiên, để thấy vài trò Graph Cuts phương pháp đề xuất Trong Hình 4.3 chúng tơi hiển thị kết 40 phân vùng hai giai đoạn phương pháp đề xuất với phân vùng dạng đường biên Các kết hiển thị lát cắt 2D chọn ngẫu nhiên hình ảnh CT 3D với ba nhóm kích thước vùng gan khác (nhóm vùng gan lớn, trung bình, nhỏ) Trong đường biên màu đỏ hiển thị phân vùng đúng, đường biên màu vàng hiển thị kết phân vùng bước đầu với IU-Net, đường biên màu xanh hiển thị kết phân vùng bước hoàn chỉnh với Graph Cuts Hai kết phân vùng hai giai đoạn hiển thị chồng lấp lát cắt 2D để dễ dàng so sánh mức độ trùng khớp với phân vùng từ giúp có nhìn tổng quan kết thực nghiệm (a) (b) (c) (d) (e) (f) (g) (h) (i) (k) (l) (m) 41 (n) (o) (p) (q) (r) (s) (t) (u) Hình 4.3 So sánh kết phân vùng với phân vùng Từ kết Hình 4.3 dễ dàng thấy kết phân vùng gan bước đầu với IU-Net phần lớn sai lệch đường biên vùng gan (cụ thể Hình 4.3 (a), (d), ( e), (f), (l), (m), (o), (s)) vị trí mà độ tương phản gan quan lân cận thấp, tượng phân vùng mức vùng gan xảy (ở Hình 4.3 (g), (h), (n), (q), (r)) Ngồi Hình 4.3 (b) kết phân vùng cịn xuất lỗ vùng gan, lí vùng gan xuất khối u, làm cho hình dạng gan khơng đồng Trong trường hợp này, khó để đạt kết phân vùng tốt sử dụng ngưỡng với phương tiện đồ phân bố xác suất Giải pháp đề xuất khắc phục trường hợp phân vùng sai cách kết hợp thông tin ngữ cảnh thứ tự xếp lát cắt 2D CT, lợi Graph Cuts so với việc sử dụng mạng học sâu IU-Net Cụ thể, kết phân vùng sau sử dụng Graph Cuts vấn đề sai lệnh đề cập khắc phục đáng kể, ranh giới gan trở nên xác mượt mà hơn; lỗ thủng gan lấp đầy; phân vùng mức vùng gan cải thiện 42 Trong Hình 4.4 chúng tơi hiển thị kết thực nghiệm phân vùng gan dạng mặt nạ gan 20 ảnh CT tập liệu kiểm tra Kết hiển thị dạng lát cắt 2D ngẫu nhiên ảnh CT tương ứng Và kết số đánh giá cho ảnh hiển thị Bảng 4.5 43 (a) (b) (c) (d) Hình 4.4 Kết phân vùng tập liệu kiểm tra Cột (a), (c) hiển thị ảnh đầu vào, cột (b), (d) hiển thị kết phân vùng 44 Bảng 4.5 Kết số đánh giá TẬP DỮ LIỆU TEST volume-0.nii volume-1.nii volume-2.nii volume-3.nii volume-4.nii volume-5.nii volume-6.nii volume-7.nii volume-8.nii volume-9.nii volume-10.nii volume-11.nii volume-12.nii volume-13.nii volume-14.nii volume-15.nii volume-16.nii volume-17.nii volume-18.nii volume-19.nii mean DSC (%) 95.64 96.63 97.93 95.04 97.57 97.29 83.7 95.22 95.91 97.37 97.63 90.78 97.2 95.55 97.21 94.56 96.16 95.58 91.54 96.26 95.24 VOE (%) 8.35 6.52 4.06 9.46 4.74 5.28 28.03 9.13 7.86 5.13 4.62 16.89 5.45 8.52 5.43 10.32 7.39 8.46 15.6 7.2 8.9 ASSD (mm) 2.1 1.01 0.69 1.37 0.78 0.78 5.84 1.84 1.29 0.99 0.67 5.18 0.77 1.27 0.8 1.83 1.24 1.29 1.69 1.01 1.62 RMSD (mm) 6.04 1.7 1.44 2.75 1.94 1.66 11.93 2.68 1.55 15.13 1.5 2.73 1.38 4.04 2.76 4.4 4.01 1.87 3.88 MSD (mm) 56.75 19.87 25.5 25.26 20.35 16.16 58.26 39.96 25.57 26.32 29.15 88.05 15.52 26.19 14.32 31.4 28.74 59.55 30.12 28.58 33.28 4.3 Đánh giá kết thực nghiệm Để đánh giá kết thực nghiệm, phương pháp đề xuất so sánh với kết cơng trình liên quan khác Kết trung bình số đánh giá DSC, VOE, ASD, RMSD MSD thực nghiệm tập liệu kiểm tra mô tả bảng 4.5 Ở bảng 4.6 so sánh kết với kết phương pháp khác 45 Bảng 4.6 Bảng so sánh kết thực nghiệm với phƣơng pháp khác Phƣơng pháp DSC (%) VOE (%) ASSD (mm) RMSD (mm) MSD (mm) 97.2 ± 0.8 5.8 ± 3.3 1.1 ± 0.5 2.0 ± 1.3 21.6 ± 9.4 89.0 - - - - 93.1 12.8 6.47 9.68 45.93 92.3 15.0 6.47 9.68 45.93 - 9.36 1.89 4.15 33.14 92.8 - - - - 95.24 8.9 1.62 3.88 33.28 Graph cut (Liao, 2016) [21] 2D-FCN2 (Ben, 2016) [29] 2D-FCN1 (Christ, 2017) [30] 2D-dense-FCN (Kaluva, 2018) [31] 3D-FCN (Lu, 2017) [15] 3D U-Net (Rafiei, 2018) [32] PP đề xuất Từ bảng 4.6 cho thấy phương pháp đề xuất cho kết thấp kết từ cơng trình Liao [22] số DSC 95.24 so với 97.2, nhiên cơng trình mà kết phân vùng phụ thuộc nhiều vào thao 46 tác người, phương pháp bán tự động Cịn lại phương pháp chúng tơi cho kết tốt tất số DSC, VOE, ASD, RMSD MSD so với cơng trình sử dụng phương pháp phân vùng gan tự động khác Những so sánh cho thấy thông tin ngữ cảnh trình tự lát cắt 2D có mối liên hệ hình ảnh CT 3D Hầu hết mơ hình CNN 2D, chẳng hạn FCN [29] [30] 2D-dense-FCN [31], ln tập trung vào độ xác hình ảnh riêng lẻ bỏ qua mối quan hệ khơng gian hình ảnh Tuy nhiên, giải pháp đề xuất giải vấn đề Nó sửa lỗi phân vùng sai cách kết hợp thơng tin ngữ cảnh trình tự lát cắt 2D ảnh CT 3D Đối với mơ hình 3D CNN, chẳng hạn 3D-FCN [15], 3D-Unet [32], mơ hình cắt hình ảnh đầu vào sử dụng số lát liền kề làm đầu vào, số vùng gan ảnh CT bị q trình huấn luyện mơ hình, vùng bụng bệnh nhân khác khác Phương pháp đề xuất chúng tơi sử dụng hình ảnh gốc tồn giai đoạn Hơn nữa, chúng tơi sử dụng tồn chuỗi lát cắt 2D hình ảnh hình ảnh CT 3D 47 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Trong luận văn này, đề xuất phương pháp phân vùng gan hoàn toàn tự động ảnh CT bụng Bước trình phân vùng gan, xử lý vấn đề độ tương phản thấp gan quan lân cận khác biệt lớn cá thể gan hình ảnh CT, cách điều chỉnh giá trị HU “cửa sổ gan” kết hợp với thuật toán cân Histogram Dựa phương pháp Graph cuts mạng học sâu U-Net tinh chỉnh cho phù hợp với yêu cầu toán Chúng sử dụng U-Net tinh chỉnh để phân vùng gan thu đồ phân bố xác suất Bước tiếp theo, xây dựng hàm lượng Graph Cuts tích hợp đồ phân bố xác suất gan thu với thông tin ngữ cảnh chuỗi hình ảnh lát cắt 2D ảnh CT 3D Cuối cùng, thu kết phân vùng hồn chỉnh cách tối thiểu hóa hàm lượng cắt đồ thị thơng qua thuật tốn luồng cực đại lát cắt cực tiểu Phương pháp đề xuất đánh giá liệu công khai MICCAI-LiST-2017, đạt số đánh giá DSC = 95.24%, VOE = 8.9%, ASSD = 1.62mm, RMSD = 3.88mm, MSD = 33.28mm Bằng cách so sánh kết với phương pháp phân vùng gan tự động đại, phương pháp cho thấy độ xác phân vùng gan cao tất số đánh giá Mặt khác, mối tương quan cao phân vùng phân vùng thủ công cho thấy kết phương pháp đề xuất có khả đóng vai trò tham chiếu quan trọng việc giúp bác sĩ đưa chuẩn đoán lâm sàng liên quan đến bệnh lý gan Về ưu điểm, phương pháp đề xuất sử dụng kích thước gốc tập liệu LiST thơng tin hình dạng gan cịn ngun vẹn cho q trình huấn luyện mơ hình Ngồi thơng tin ngữ cảnh trình tự lát cắt 2D ảnh CT sử dụng để xây dựng hàm lượng cắt đồ thị từ nâng cao độ xác cho kết phân vùng Hơn nữa, ưu điểm 48 phương pháp đề xuất khơng u cầu tương tác người trình thực phân vùng Về nhược điểm, phương pháp bị giới hạn ảnh đầu vào phải có tăng cường chất phản quang kết phân vùng đảm bảo độ xác cao Ngồi lát cắt có vùng gan nhỏ kết cịn thấp, tượng phân vùng mức vùng gan xảy số lát cắt có chứa khối u Để khắc phục nhược điểm phương pháp đề xuất nêu Trong tương lai chúng tơi có ý định cải tiến mạng học sâu UNet kết hợp với mạng ResNet để thực phân vùng gan bước đầu Ngồi ra, chúng tơi mở rộng nhiệm vụ phân vùng cho khối u tổn thương khác gan Hi vọng cải tiến mơ hình IU-Net cho kết phân vùng tốt phương pháp mà đề xuất 49 TÀI LIỆU THAM KHẢO [1] Patrick Ferdinand Christ et al, “Automatic Liver and Tumor Segmentation of CT and MRI Volumes Using Cascaded Fully Convolutional Neural Networks”, Medical Image Analysis (2017), pp 233-241, 2017 [2] Olaf Ronneberger, Philipp Fischer, and Thomas Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation”, MICCAI 2015, pp 234-241, 2015 [3] Inkyu Moon, Faliu Yi “Image Segmentation: A Survey of Graph-cut Methods”, 2012 International Conference on Systems and Informatics (ICSAI 2012) [4] Y B Yuri, G F Lea, “Graph Cuts and Efficient N-D Image Segmentation”, International Journal of Computer Vision, pp.109-131, 2006 [5] Y B Yuri, M P Jolly, “Interactive Graph Cuts for optimal Boundary & Region Segmentation of Objects in N-D Images”, Proceedings of Internation Conference on Computer Vision, pp.105-112, 2001 [6] P Das,O Veksler, “Semiautomatic Segmentation with Compact Shape Prior”, Canadian Conference on Computer and Robot Vision, pp.2841, 2006 [7] Y Boykov, V Kolmogorov, “An experimental comparison of mincut/max-flow algorrithms for energy minimization in vision”, IEEE trans on PAMI, pp.1124-1137, 2004 [8] Laurent Massoptier and Sergio Casciaro “Fully automatic liver segmentation through graph-cut technique”, Conference of the IEEE EMBS, pp 597-603, 2007 [9] Mohammed Goryawala, Magno R Guillen, Mercedes Cabrerizo, Armando Barreto, Seza Gulec, Tushar C Barot, Rekha R Suthar, 50 Ruchir N Bhatt, Anthony McGoron, and Malek Adjouadi, “A 3d liver segmentation method with parallel computing for selective internal radiation therapy”, IEEE Transactions on Information Technology in Biomedicine, pp 548-556, 2012 [10] Xuechen Li, Suhuai Luo, and Jiaming Li, “Liver segmentation from ct image using fuzzy clustering and level set”, Journal of Signal and Information Processing, pp.36–42, 2013 [11] Weiwei Wu, Zhuhuang Zhou, Shuicai Wu, and Yanhua Zhang, “Automatic liver segmentation on volumetric ct images using supervoxel-based graph cuts”, Computational and Mathematical Methods in Medicine, pp 109-120, 2016 [12] Peijun Hu, Fa Wu, Jialin Peng, Ping Liang, and Dexing Kong, “Automatic 3d liver segmentation based on deep learning and globally optimized surface evolution”, Physics in Medicine and Biology, pp 902-907, 2016 [13] Qi Dou, Hao Chen, Yueming Jin, Lequan Yu, Jing Qin, and Pheng-Ann Heng, “3d deeply supervised network for automatic liver segmentation from ct volumes”, Physics in Medicine and Biology, pp 779-788, 2016 [14] URL: https://competitions.codalab.org/competitions/17094, truy cập lần cuối vào lúc 12g30 ngày 27/11/2020 [15] Lu, X., Xie, Q., Zha, Y et al, “Fully automatic liver segmentation combining multi-dimensional graph cut with shape information in 3D CT images.”, pp 324-331, 2018 [16] John Duchi, Elad Hazan, and Yoram Singer, “Adaptive Subgradient Methods for On-line Learning and Stochastic Optimization”, The Journal of Machine Learning Re- search, pp 2121–2159, 2011 [17] Tijmen Tieleman and Geoffrey Hinton “Divide the gradient by a running average of its recent magnitude” In: Neural Networks for 51 Machine Learning , pp 26–31, 2012 [18] Marco Peixeiro “The Best Optimization Methods in Neural Networks.” URL: https:// towardsdatascience.com/neural-networks40879c887873, truy cập lần cuối vào ngày 28/11/2020 [19] Dou, Q., Chen, H., Jin, Y., Yu, L., Qin, J., & Heng, P A, “3D deeply supervised network for automatic liver segmentation from CT volumes.”, In International Conference on Medical Image Computing and Computer-Assisted Intervention, pp 149-157, 2016 [20] Song, Q., Bai, J., Han, D., Bhatia, S., Sun, W., Rockey, W., & Wu, X “Optimal co-segmentation of tumor in PET-CT images with context information.”, IEEE transactions on medical imaging, pp 1685-1697, 2013 [21] Liao, M., Zhao, Y., Zeng, Y., Huang, Z., & Zou, B J “Liver Segmentation from Abdominal CT Volumes Based on Graph Cuts and Border Marching”, Journal of Electronics & Information Technology, pp.1152-1156, 2016 [22] Heimann, T., Van Ginneken, B., Styner, M A., Arzhaeva, Y., Aurich, V., Bauer, C., & Bello, “Comparison and evaluation of methods for liver segmentation from CT datasets”, IEEE transactions on medical imaging, pp.1251-1265, 2009 [23] Liao, M., Zhao, Y Q., Wang, W., Zeng, Y Z., Yang, Q., Shih, F Y., & Zou, B J, “Efficient liver segmentation in CT images based on graph cuts and bottleneck detection”, Physica Medica, pp 1383-1396, 2016 [24] Wendong Xu, Hong Liu, Xiangdong Wang, Yueliang Qian, “Liver Segmentation in CT based on ResUNet with 3D Probabilistic and Geometric Post Process”, 2019 IEEE 4th International Conference on Signal and Image Processing, pp 685-689, 2019 52 [25] Soler, L., Delingette, H., Malandain, G., Motagnat, J., Ayache, N., Koehl, C., Dourtheb, O., Malassagne, B., Smith, M., Mutter, D., Marescaux, J.: “Fully automatic anatomical, pathological, and functional segmentation from ct”, Proc SPIE Medical Imaging, pp 246–255, 2015 [26] J B Huang, L Q Meng, W H Qu and C H Wang, “Based on Statistical Analysis and 3D Region Growing Segmentation Method of Liver,” Advanced Computer Control (ICACC), pp 478-482, 2011 [27] Pohle, R., Toennies, “Segmentation of medical images using adaptive region growing”, Proc SPIE Medical Imaging 4322, pp 1337–1346, 2011 [28] Y Q Zhao, Y L Zan, X F Wang and G Y Li, “Fuzzy C-means Clustering-Based Multilayer Perception Neural Network for Liver CT Images Automatic Segmentation,” Control and Decision Conference (CCDC), pp 3423-3427, 2010 [29] Ben-Cohen, Idit Diamant, Eyal Klang, “Fully Convolutional Network for Liver Segmentation and Lesions Detection”, Springer International Publishing AG 2016, pp 77–85, 2016 [30] Christ, P F., Ettlinger, F., Grün, F., Elshaera, M E A., Lipkova, J., Schlecht, S., & Rempfler, M (2017) ”Automatic liver and tumor segmentation of ct and mri volumes using cascaded fully convolutional neural networks”, arXiv preprint arXiv:1702.05970., pp 354-365, 2017 [31] Kaluva, K C., Khened, M., Kori, A., & Krishnamurthi, G (2018) “2DDensely Connected Convolution Neural Networks for automatic Liver and Tumor Segmentation” arXiv preprint arXiv:1802.02182, pp 127134, 2018 53 [32] Rafiei, S , Nasr-Esfahani, E , Soroushmehr, S M R , Karimi, N , Samavi, S , & Najarian, “Liver segmentation in ct images using three dimensional to two dimensional fully connected network”, arXiv:1802.07800, pp 56-64, 2018 [33] Xuechen Li, , Suhuai Luo, Jiaming Li, “Liver Segmentation from CT Image Using Fuzzy Clustering and Level Set”, Journal of Signal and Information Processing, pp 36-42, 2013 ... Suyền PHÂN VÙNG LÁ GAN TRONG ẢNH Y KHOA DỰA TRÊN PHƢƠNG PHÁP GRAPH CUTS Chuyên ngành: Khoa học m? ?y tính Mã số: 8480101 LUẬN VĂN THẠC SĨ KHOA HỌC M? ?Y TÍNH NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS.TS NGUYỄN... đề tài ? ?Phân vùng gan ảnh y khoa dựa phương pháp Graph Cuts? ?? Trong luận văn sử dụng phương pháp Graph cuts kết hợp mạng học sâu U-Net tinh chỉnh để x? ?y dựng mô hình nhằm phân vùng gan ảnh CT bụng... chung, phân tích ưu khuyết điểm phương pháp Phương pháp mơ hình hóa: đề xuất phương pháp giải toán dựa phương pháp Graph cuts kết hợp mạng học sâu U-Net Phương pháp thực nghiệm: thực phương pháp