Nghiên cứu kỹ thuật xử lý hình ảnh để giảm độ che xương trong ảnh x quang phổi đề tài nckh và ptcn cấp bộ năm 2018

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP HCM BÁO CÁO TỔNG KẾT NHIỆM VỤ CẤP BỘ Tên nhiệm vụ: NGHIÊN CỨU KỸ THUẬT XỬ LÝ ẢNH ĐỂ GIẢM ĐỘ CHE XƯƠNG TRONG ẢNH X-QUANG PHỔI Cơ quan chủ quản: Bộ Cơng Thương Cơ quan chủ trì: Trường Đại học Công nghiệp TP HCM Chủ nhiệm nhiệm vụ: PGS TS Huỳnh Trung Hiếu Thời gian thực hiện: 12 tháng TP HỒ CHÍ MINH - 2019 BỘ CƠNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP HCM BÁO CÁO TỔNG KẾT NHIỆM VỤ CẤP BỘ Tên nhiệm vụ: NGHIÊN CỨU KỸ THUẬT XỬ LÝ ẢNH ĐỂ GIẢM ĐỘ CHE XƯƠNG TRONG ẢNH X-QUANG PHỔI Cơ quan chủ quản: Bộ Công Thương Cơ quan chủ trì: Trường Đại học Cơng nghiệp TP HCM Chủ nhiệm nhiệm vụ: PGS TS Huỳnh Trung Hiếu Thời gian thực hiện: 12 tháng TP HỒ CHÍ MINH - 2019 DANH SÁCH NHỮNG NGƯỜI THAM GIA THỰC HIỆN NHIỆM VỤ TT Họ tên Cơ quan/tổ chức PGS TS Huỳnh Trung Hiếu ĐH Công nghiệp TP HCM ThS Giảng Thanh Trọn ĐH Công nghiệp TP HCM ThS Hồ Đắc Quán (NCS) ĐH Công nghiệp TP HCM ThS Lê Trọng Ngọc (NCS) ĐH Công nghiệp TP HCM ThS Võ Quang Hồng Khang ĐH Cơng nghiệp TP HCM ThS Trần Thanh Kiệt VNPT Tây Ninh Tóm tắt kết thực nhiệm vụ Các bệnh phổi nói chung ung thư phổi nói riêng ngày trẻ hóa, ung thư phổi bệnh có tỉ lệ tử vong cao Việc phát sớm bệnh đóng vai trò quan trọng việc nâng cao hiệu chẩn đốn điều trị, từ nâng cao tỉ lệ sống sót bệnh nhân Một kỹ thuật phổ biến hỗ trợ phát chẩn đoán sớm bệnh ung thư phổi X-Quang Chụp ảnh X-Quang thường cho kết nhanh với chi phí thấp so với kỹ thuật khác CT hay MRI Nhiều hệ thống CAD (computer aided diagnosis) phát triển Tuy nhiên, trở ngại vùng phổi ảnh chụp X-Quang bị che xương sường xương đòn Một kỹ thuật truyền thống để giảm độ che xương dựa dual-energy, tạo ảnh với mức lượng khác nhau, sau áp dụng kỹ thuật trừ ảnh để xác định ảnh mô mềm phổi Tuy nhiên, tiếp cận đòi hỏi trang bị thiết bị chuyên dụng mà khơng phải sở y tế có Ngồi ra, kỹ thuật thường đòi hỏi chụp cường độ tia cao, điều ảnh hưởng đến sức khỏe bệnh nhân Do đó, kỹ thuật dựa tính tốn mềm đầu tư nghiên cứu Mục tiêu đề tài phát triển kỹ thuật xử lý ảnh bao gồm multiresolution máy học để giảm độ che phần xương ảnh X-quang phổi, từ nâng cao độ xác phát chẩn đoán ung thư bác sĩ hệ thống CAD; giảm ảnh hưởng đến sức khỏe bệnh nhân việc chụp ảnh X-quang Nội dung nghiên cứu bao gồm (1) Nghiên cứu tổng quan thu thập liệu, (2) Nghiên cứu tiền xử lý ảnh đa phân giải, (3) Nghiên cứu tách vùng phổi, (4) Giảm độ che xương sử dụng máy học Các kỹ thuật thống kê phi thống kê nghiên cứu Tùy theo ngữ cảnh cụ thể (bài toán con, tập liệu), mạng neural truyền thống hay đại (convolution) áp dụng Tiếp cận giải vấn đề nghiên cứu theo phương pháp kết hợp bao gồm (1) Tiếp cận từ sở lý luận, (2) Tiếp cận từ thực tiễn, (3) Tiếp cận từ định hướng công nghệ Kết nghiên cứu đánh giá tập liệu Tập liệu thứ gồm ảnh có kích thước nhỏ (440x440) tập liệu thứ bao gồm ảnh có kích thước lớn (3728x3940) Đánh giá thực nghiệm hai toán phân đoạn vùng phổi giảm độ che xương Kết phân đoạn so sánh với chuẩn vàng (gold standard) Các số TP (true positive), TN (True negative), FN (false negative), FP (false positive) xác định dùng để tính giá trị precision, recall, accuracy, F1 score, hệ số Dice Ba mơ hình mạng convolution so sánh, bao gồm CNN (convolutional neural network), CNN kết hợp UNet Kiến trúc CNN kết hợp tương tự CNN So sánh kết CNN CNN kết hợp thấy mạng CNN kết hợp đạt hệ số Dice 0.87±0.04, áp dụng mạng CNN truyền thống kết đạt 0.65±0.05 Độ xác hệ số F1 CNN kết hợp 0.93±0.013 0.87±0.02, mạng CNN 0.76±0.05 0.65±0.05 Các độ đo Precision Recall mạng CNN kết hợp cao CNN truyền thống Mạng UNet cho kết khả quan, nhiên địi hỏi cấu hình mạng phức tạp, áp dụng ảnh điều chỉnh kích thước 512x512 Đối với tốn giảm độ che xương, phương pháp đề xuất cho ảnh kết với vùng xương phổi giảm đáng kể, cấu trúc vessel phổi giữ Tiếp cận khác dựa lọc tuyến tính bình phương tối thiểu (linear filter with least mean square criterion) tiếp cận MATNN không dựa đa phân giải cho kết ảnh bị nhòe, nhiều cấu trúc bị Kết giảm độ che xương khảo sát, đánh giá chuyên gia chuẩn đốn hình ảnh từ hai sở y tế Cơ sở y tế thứ có tổng số trường hợp đánh giá hiệu tích cực (khá tốt, tốt, tốt) 39 tổng số 56 trường hợp (đạt tỉ lệ 61%) Đối với sờ thứ hai, tổng số trường hợp đánh giá tích cực 85 85 trường hợp (đạt tỉ lệ 100%) Nếu xét tổng thể hai sở y tế đánh giá, tổng số kết đánh giá tích cực 124 tổng số 141 kết đánh giá (đạt tỉ lệ 85.8%) Áp dụng kỹ thuật phân tích thống kê hiệu mang lại giải pháp đề xuất việc giảm độ che xương ảnh X-Quang phổi đáng kể MỤC LỤC TT Các danh mục báo cáo Trang DANH SÁCH CÁN BỘ THAM GIA THỰC HIỆN NHIỆM VỤ Tóm tắt kết thực nhiệm vụ DANH MỤC CÁC HÌNH DANH MỤC CÁC BẢNG CHƯƠNG TỔNG QUAN 1.1 Đặt vấn đề 1.2 Tính cấp thiết CHƯƠNG TIỀN XỬ LÝ ẢNH VÀ ĐA PHÂN GIẢI 10 2.1 Tiền xử lý ảnh 10 2.2 Kỹ thuật đa phân giải 11 CHƯƠNG PHÂN ĐOẠN VÙNG PHỔI 15 3.1 Phương pháp lấy ngưỡng Otsu 15 3.2 Máy học 16 3.3 Mơ hình CNN kết hợp 18 3.4 Mơ hình U-Net 20 3.5 Tổng kết 21 CHƯƠNG GIẢM ĐỘ CHE XƯƠNG 22 4.1 Xác định ảnh xương 22 4.1 Kỹ thuật giảm độ che xương 26 CHƯƠNG THỰC NGHIỆM 28 5.1 Mô tả tập liệu 28 5.2 Kết thực nghiệm 28 KẾT LUẬN VÀ KIẾN NGHỊ 35 Tài liệu tham khảo 36 DANH MỤC CÁC HÌNH Trang Hình Lưu đồ tổng quát giải pháp đề xuất 10 Hình Ví dụ minh họa ảnh Lena cho trình biến đổi Pyramid 12 Hình Kỹ thuật phân dựa tiếp cận Pyramid 13 Hình Kỹ thuật decomposition 14 Hình Kiến trúc tiêu biểu CNN 17 Hình Mơ hình CNN kết hợp tiêu biểu 18 Hình Mơ hình CNN kết hợp sử dụng tách vùng phổi 19 Hình Kiến trúc mạng U-Net 20 Hình Quá trình huấn luyện tạo ảnh khung xương 22 Hình 10 Kiến trúc huấn luyện MTANN 23 Hình 11 Huấn Tạo ảnh xương sử dụng mạng neural 25 Hình 12 Quá trình giảm độ che xương 26 Hình 13 So sánh kết trung gian việc phân đoạn ảnh phổi 29 Hình 14 Một số kết trung gian trình giảm độ che xương 30 Hình 15 Những kết trung gian trình giảm độ che xương 31 Hình 16 Kết giảm độ che xương sử dụng (a) lọc tuyến tính (b) MTANN không dùng đa phân giải [28] 32 DANH MỤC CÁC BẢNG Trang Bảng So sánh kết phương pháp việc phân đoạn phổi 29 Bảng Kết đánh giá từ sở y tế 32 Chương TỔNG QUAN ĐỀ TÀI 1.1 Đặt vấn đề X-Quang kỹ thuật phổ biến sử dụng chuẩn đoán bệnh phổi, bao gồm bệnh lao, viêm phổi, tràn khí phổi, ung thư phổi Trong đó, ung thư phổi bệnh ung thư phổ biến giới loại ung thư chiếm tỷ lệ cao bệnh ung thư nước ta, với số lượng bệnh nhân tăng lên nhanh ngày trẻ hóa năm gần Vì vậy, việc phát sớm đóng vai trị quan trọng cơng tác chữa trị Cùng với phát triển công nghệ thông tin, loạt tiếp cận CAD (Computer Aided Diagnosis) phát triển Một thách thức lớn hệ thống CAD để nhận diện hạch hay khối u ảnh X-Quang phổi chồng chéo hay che khuất hạch xương sườn hay xương đòn, làm ảnh hưởng đến hiệu chương trình CAD Do đó, việc làm giảm độ che xương sườn xương địn X-Quang phổi đóng vai trị quan trọng, giúp cải thiện độ xác để nhận diện hạch hệ thống CAD Một cách tiếp cận truyền thống để giảm độ che xương sử dụng kỹ thuật dual-energy Ở đó, cần thực chụp ảnh lần, ảnh thứ ảnh chụp phổi bình thường, ảnh thứ ảnh chụp với cường độ cao thấy xương, kỹ thuật gây ảnh hưởng nhiều đến sức khỏe người bệnh Trong nghiên cứu này, nhóm tác giả phát triển kỹ thuật xử lý ảnh kết hợp với trí tuệ nhân tạo để giảm độ che xương sườn xương đòn X-Quang phổi Tiếp cận đề xuất có khắc phục số hạn chế kỹ thuật Dual-energy, giảm ảnh hưởng đến sức khỏe người bệnh đồng thời giảm chi phí Kết nghiên cứu đánh giá tập liệu thực tế từ bênh viện khả quan 1.2 Tính cấp thiết Ung thư phổi bệnh có tỉ lệ tử vong cao với người mắc bệnh ngày trẻ hóa [1] Việc phát sớm bệnh giúp cho việc điều trị hiệu hơn, từ nâng cao tỉ lệ sống sót bệnh nhân Một tiếp cận phổ biến để giúp phát chuẩn đoán sớm bệnh ung thư phổi dựa vào ảnh XQuang Chụp X-Quang thường cho kết nhanh với chi phí thấp so với kỹ thuật khác CT hay MRI Tuy nhiên, vùng phổi ảnh chụp X-Quang bị che xương sường xương đòn Việc phát u ảnh X-Quang phổi bị che khuất thách thức lớn bác sĩ chẩn đốn hình ảnh mà hệ thống CAD (Computer-aided diagnosis) Theo ước tính có từ 12-90% trường hợp khối u lại bị bỏ sót [2, 3], 82-85% khối u bị bỏ sót bị che khuất [2,3] Đây yếu tố gây false positive [4,5] Do đó, việc làm giảm độ che xương sườn xương đòn X-Quang phổi đóng vai trị quan trọng việc cải thiện độ xác chẩn đốn điều trị Một cách tiếp cận cổ điển làm giảm độ che xương sườn sử dụng kỹ thuật dual-energy Bằng cách thực chụp ảnh lần, ảnh thứ ảnh chụp phổi bình thường, ảnh thứ ảnh chụp với cường độ cao thấy xương Tuy nhiên kỹ thuật gây ảnh hưởng đến sức khỏe người bệnh Một số tiếp cận giảm độ che xương dựa ứng dụng khoa học máy tính nghiên cứu Trong phần lớn hệ thống xử lý tự động, bước thường phân đoạn vùng phổi Một loạt tiếp cận cho phân tích vùng phổi ảnh X-quang phát triển có nhóm tiêu biểu suy diễn theo luật máy học Các giải pháp dựa suy diễn theo luật [6, 7] thường bao gồm nhiều bước, bước yêu cầu kỹ thuật xử lý điều chỉnh thông số Các kỹ thuật dựa máy học thường sử dụng để phân loại điểm ảnh [8,9] Các tiếp cận gặp số hạn chế tiếp cận dựa luật thường yêu cầu tri thức trước (priori knowledge), phương pháp phân loại dựa điểm ảnh yêu cầu tập huấn luyện từ ảnh mặt nạ vùng phổi (lung masks) sử dụng thuật toán huấn luyện truyền thống Suzuki đồng nghiệp [10] đề xuất tiếp cận để giảm độ che xương dựa ứng dụng mạng neural MTANN (Massive Training Artificial Neural Network) Mạng neural sử dụng phương pháp huấn luyện dựa thuật toán lặp gặp nhiều hạn chế Một phương pháp để giảm độ che xương sườn dựa mơ hình hồi quy không giám sát đề xuất [11] Về sản phẩm thương mại, có sản phẩm “Bone Suppress” Riverain Technology [12] Tuy nhiên, theo tác giả biết sản phẩm phát triển từ nghiên cứu nhóm Suzuki [10], sản phẩm có giá tương đối đắt so với điều kiện Việt Nam Trong đề tài này, nhóm tác giả nghiên cứu tiếp cận giảm độ che xương dựa máy học, kết hợp kỹ thuật xử lý ảnh đa phân giải MTANN huấn luyện thuật tốn lan truyền ngược Q trình cập nhật trọng số thực bởi: ∆𝑊 = −𝜂 𝜕𝐸 𝜕𝑊 , (31) 𝜂 hệ số học a) b) Hình 11 Huấn Tạo ảnh xương sử dụng mạng neural: a) Huấn luyện đa phân giải, b) Xác định ảnh xương 25 Trong nghiên cứu này, ảnh khung xương tạo dựa mạng neural Để tăng hiệu xử lý, ảnh gốc áp dụng kỹ thuật đa phân giải mức để tạo ảnh, bao gồm ảnh tần số cao ảnh tần số thấp Ba mạng MTANN xây dựng tương ứng với loại ảnh Quá trình huấn luyện xử lý ảnh nhập mơ tả Hình 11 4.2 Kỹ thuật giảm độ che xương Sơ đồ trình giảm độ che xương mơ tả Hình 12 Ảnh đầu vào Tiền xử lý (bao gồm background correction) Tách vùng phổi Áp dụng kỷ thuật đa phân giải (phân rã) Ảnh phân giải Ảnh phân giải Ảnh phân giải MTANN1 MTANN2 MTANN3 Ảnh phân giải Ảnh phân giải Ảnh phận giải3 Áp dụng kỹ thuật đa phân giải (hợp nhất) Tái tạo ảnh mơ mềm dựa vùng phổi xử lý Hình 12 Quá trình giảm độ che xương Đầu tiên, ảnh X-Quang phổi đầu vào ảnh xương dùng để huấn luyện tương ứng tiền xử lý sau phân tích thành ảnh có độ phân giải khác nhau, ảnh dùng để xây dựng mơ hình MTANN khác trình huấn luyện Mỗi MTANN huấn luyện với độ phân giải định, ví dụ, MTANN phụ trách thành phần tần số thấp ảnh, MTANN cho thành phần có tần số trung 26 bình, MTANN cho thành phần tần số cao Mỗi độ phân giải, MTANN huấn luyện cách độc lập với ảnh có độ phân giải tương ứng Sau huấn luyện, MTANN tạo ảnh có độ phân giải khác tương ứng với ảnh đầu vào, sau ảnh kết hợp tạo thành ảnh tương ứng độ phân giải gốc kỹ thuật đa phân giải - hợp thành, ảnh tương tự ảnh xương Trong nghiên cứu này, tập trung vào giảm độ che xương đòn xương sườn vùng phổi Do kỹ thuật tách vùng phổi áp dụng bao gồm lấy ngưỡng Otsu, CNN, CNN kết hợp, UNet Sau áp dụng kỹ thuật trên, thao tác connected component, morphologic, lấy ngưỡng (để loại bỏ vùng có kích thước khơng phù hợp) áp dụng Sau đó, lọc Gauss áp dụng để làm mịn biên vùng phổi phân đoạn, kết bước tạo ảnh msk(x,y) xem ảnh mặt nạ Ảnh mặt nạ chuẩn hóa với có giá trị Khi việc làm giảm độ che xương ảnh X-Quang phổi ban đầu thực cách trừ ảnh gốc X-Quang phổi I(x,y) với ảnh xương vùng mặt nạ sau: Is(x,y) = I(x,y) – wC * Ib(x,y) * msk(x,y), (32) wC biến trọng số để xác định độ tương phản xương Bằng cách thay đổi biến trọng số wC, người ta có hình chụp X-Quang phổi xử lý với độ tương phản khác xương 27 Chương THỰC NGHIỆM 5.1 Mô tả tập liệu Tập liệu sử dụng thực nghiệm có từ bệnh viện, (1) bệnh viện Đại học Osaka tập liệu bệnh viện TP HCM Tập liệu thứ gồm có 118 ảnh, ảnh có kích thước 440x440 Tập liệu thứ bao gồm 65 ảnh, ảnh có kích thước 3728x3940 Trong trường hợp áp dụng mơ hình UNet, ảnh có kích thước 3728x3940 giảm tỉ lệ kích thước 512x512, ảnh có kích thước lớn làm tiêu tốn nhiều tài nguyên hệ thống 5.2 Kết thực nghiệm Trong phần đánh giá thực nghiệm tập ảnh giai đoạn trung gian, bao gồm (1) Tách vùng phổi, (2) Xác định ảnh khung xương, (3) giảm độ che xương a) Tách vùng phổi Đối với tập liệu đại học Osaka, kích thước tương đối nhỏ, thuật tốn Otsu áp dụng, khơng cần phải huấn luyện Tuy nhiên, tập liệu bệnh viện TP HCM, kích thước lớn, đặc trưng phân bố mức xám, thuật tốn Otsu khơng thể tách vùng phổi Do kỹ thuật máy học áp dụng Mơ hình CNN sử dụng bao gồm tầng convolution, tầng max pooling theo sau tầng convolution số số Số feature map cho tầng 16, 24, 32, 64, 96 Ngõ xuất tầng convolution thứ ngõ vào cho tầng fullyconnected, tầng đầu có 500 nút tầng thứ có nút để phân lớp tiểu vùng có phải phổi hay khơng Ngõ vào mạng sub-region với kích thước 11x11 Ảnh đầu áp dụng phép toán morphologic (hole filling) với kích thước 5x5 Những vùng có kích thước nhỏ ngưỡng cho trước xóa Kiến trúc CNN kết hợp tương tự kiến trúc CNN, nhiên tầng fullyconnected việc nhận kết nối từ tầng thứ 5, cịn nhận kết nối với ngõ vào trực tiếp tương ứng vị trí (đã chuẩn hóa) tâm vùng Kiến trúc UNet sử dụng kiến trúc Hình Tập liệu ảnh chia làm tập con, tập huấn luyện tập đánh giá Mỗi ảnh tập liệu huấn luyện (gồm 15 ảnh) tạo 10 ngàn mẫu huấn luyện chọn cách nhẫu nhiên, ngàn mẫu vùng phổi ngàn mẫu phổi 28 Kết phân đoạn so sánh với chuẩn vàng (gold standard) Các số TP (true positive), TN (True negative), FN (false negative), FP (false positive) xác định dùng để tính giá trị precision, recall, accuracy, F1 score, hệ số Dice Những kết trung gian tiếp cận CNN kết hợp Hình 13 Ảnh gốc 13a) xử lý CNN để tạo thành ảnh xấp xỉ vùng phổi Hình 13b), vùng có kích thước nhỏ xóa hình 13c) Vùng phổi tinh chỉnh thao tác morphology để tạo hình 13d) Vùng phổi tạo phương pháp đề xuất với ảnh Xquang phổ truyền thống Hình 13e) a) b) c) Hình 13 Các kết trung gia trình tách xương phổi: d) a) Ảnh gốc b) Ảnh từ ngõ xuất mạng neural c) Ảnh sau loại vùng nhỏ d) Ành sau áp dụng hole filling e) So sánh lên vùng phổi e) Hình 13 So sánh kết trung gian việc phân đoạn ảnh phổi Chúng so sánh kết mạng CNN, CNN kết hợp UNet Kiến trúc CNN kết hợp tương tự CNN So sánh kết CNN CNN kết hợp Bảng Từ Bảng 1, thấy mạng CNN kết hợp đạt hệ số Dice 0.87±0.04, áp dụng mạng CNN truyền thống kết đạt 0.65±0.05 Độ xác hệ số F1 CNN kết hợp 0.93±0.013 0.87±0.02, mạng CNN 0.76±0.05 0.65±0.05 Các độ đo Precision Recall mạng CNN kết hợp cao CNN truyền thống 29 Bảng So sánh kết phương pháp việc phân đoạn phổi Phương pháp Precision Recall F1 Accuracy Dice CNN 0.54 0.83 0.65 0.76 0.65 CNN kết hợp 0.85 0.89 0.87 0.93 0.87 Mạng UNet cho độ xác cao nhiều trường hợp Tuy nhiên, trường hợp ảnh tập liệu thứ có kích thước lớn 3728x3940, áp dụng vào mạng UNet địi hỏi cấu hình mạng lớn Trong trường hợp giảm tỉ lệ ảnh cịn 512x512 kích thước mạng lớn mạng CNN kết hợp 266 lần a) b) c) d) Hình 14 Một số kết trung gian trình giảm độ che xương: a) Ảnh gốc, b) Ảnh mặt nạ vủng phổi, c) Ảnh khung xương, d) Ảnh mô mềm tạo phần mềm b) Giảm độ che xương 30 Đặc điểm mạng MTANN số ảnh yêu cầu cho huấn luyện khơng q lớn, khơng u cầu áp toàn nguyên ảnh đầu vào cho mạng neural mà tiểu vùng ảnh Tương tự trường hợp phân đoạn vùng phổi, ảnh dùng cho huấn luyện tạo 5,000 mẫu chọn cách ngẫu nhiên vùng phổi tương ứng cho ảnh đa phân giải Kích thước sub-region Rs 9x9 (bao kích thước xương sườn ảnh tần số thấp), ba mạng neural với số nút 81, 20 tương ứng cho tầng nhập, ẩn, xuất Hệ số học (learning rate) 0.001 a) b) c) d) Hình 15 Những kết trung gian trình giảm độ che xương: a) Ảnh gốc, b) Ảnh mặt nạ vủng phổi, c) Ảnh khung xương, d) Ảnh mô mềm tạo phần mềm Hình 14 mơ tả kết trung gian tập liêu từ bệnh viện TP Hồ Chí Minh (ảnh có kích thước lớn 3728x3940), ảnh gốc (Hình 14a) áp dụng kỹ thuật tách vùng phổi tự động, sau sử dụng lọc Gauss làm mịn vùng biên phổi để tạo ảnh mặt nạ msk Hình 14b Mạng neural để tạo ảnh xương Hình 14c Ảnh mơ 31 mềm tạo từ phương trình (32) với hệ số số 1.0 Hình 14d Chú ý ảnh xương ngồi vùng phổi khơng xử lý, mạng neural tạo ảnh xương chủ yếu học xử lý ảnh trong vùng phổi Những kết trung gian cho tập liệu từ bệnh viện Đại học Osaka mơ tả Hình 15 Vùng phổi ảnh gốc Hình 15a phân đoạn tạo thành ảnh mặt nạ Hình 15b, đồng thời áp vào mạng neural để tạo thành thành ảnh khung xương Hình 15c Ảnh mơ mềm tạo từ ảnh hình 15d So với môt số tiếp cận khác, phương pháp đề xuất cho ảnh kết với vùng xương phổi giảm đáng kể, cấu trúc vessel phổi giữ Tiếp cận dựa lọc tuyến tính bình phương tối thiểu (linear filter with least mean square criterion) tiếp cận MATNN không dựa đa phân giải cho kết ảnh bị nhịe, nhiều cấu trúc bị (Hình 16) a) b) Hình 16 Kết giảm độ che xương sử dụng (a) lọc tuyến tính (b) MTANN khơng dùng đa phân giải [28] So với tiếp cận MTANN truyền thống đề xuất bới Kenji suzuki cộng [28], phương pháp đề xuất áp dụng mạng CNN kết hợp UNet tách vùng phổi, điều tăng hiệu đáng kể đến kết qủa cuối Kết giảm độ che xương khảo sát, đánh giá chun gia chuẩn đốn hình ảnh từ sở y tế Phiếu khảo sát đánh giá gồm mức, bao gồm (1) xấu, (2) xấu, (3) Khá xấu, (4) Bình thường, (5) Khá tốt, (6) Tốt, (7) Rất tốt Do giới hạn thời gian, chuyên gia chọn đánh giá tập ảnh từ tập liệu Kết đánh giá sở y tế Bảng Từ bảng thấy sở Y tế tổng số trường hợp đánh giá tích cực (khá tốt, tốt, tốt) 39 tổng số 56 trường hợp (đạt tỉ lệ 32 61%) Đối với sờ 2, tổng số trường hợp đánh giá tích cực 85 85 trường hợp (đạt tỉ lệ 100%) Nếu xét tổng thể sở Y tế đánh giá, tổng số kết đánh giá tích cực 124 tổng số 141 kết đánh giá (đạt tỉ lệ 85.8%) Bàng Kết đánh giá từ hai sở Y tế Cơ sở y tế Mức đánh giá (số trường hợp) Rất xấu Xấu Khá xấu Bình thường Khá tốt Tốt Rất tốt Cơ sở 15 14 22 Cơ sở 0 0 78 Tổng 15 92 29 Nếu gán mức giá trị điểm số: Rất xấu: -3 ; Xấu: -2 ; Khá xấu: -1 ; Bình thường: 0; Khá tốt: 1; Tốt: 2; Rất tốt: Chúng ta thực việc kiểm định giả thiết dựa phân tích thống kê sau: • Giả thiết Null (H0): μ≤ μ0=0 (Phương pháp đề xuất khơng mang lại hiệu quả) • Giả thiết Alternative (H1): μ>0 Xét trường hợp : a) Đối với sở y tế 1: • Tổng số khảo sát: n=56 • Giá trị điểm số trung bình: 𝑥̅ = ∑𝑛𝑖=1 𝑥𝑖 ∗ 𝑛𝑖 /𝑛=63/n=1.125 Chú ý trường hợp xi điểm số ni số mẫu tương ứng với điểm số • Phương sai: 𝑠 = √ 𝑛−1 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 =1.096 • Thực one-tail test (upper tail test), t-value tính : 𝑡= (𝑥̅ − 𝜇0 ) =7.678 ⁄ 𝑠/√𝑛 Giá trị p-value tương ứng với t=7.678 bậc tự 55 t-test p-value