Ứng dụng mô hình U-NET phát hiện vùng bất thường trên ảnh MRI não

Mô hình đánh giá trên tập dữ liệu DICOM được thu thập tại bệnh viện Trường Đại học Y Dược Cần Thơ của 10 bệnh nhân với 212 ảnh MRI (sử dụng chuỗi xung Flair) trong đó chứa 101 lát cắt MRI có vùng khối u và 111 lát cắt bình thường. Mô hình U-Net đã được hiệu chỉnh, bổ sung để đáp ứng với các hình ảnh đầu vào là ảnh DICOM

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Nha Trang, ngày 8-9/10/2020 DOI: 10.15625/vap.2020.00225 ỨNG DỤNG MƠ HÌNH U-NET PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO Lê Minh Lợi1,2, Trần Nguyễn Minh Thư1, Hồ Trọng Nguyễn1, Phạm Nguyên Khang1 Khoa Công nghệ Thông tin Truyền thông, Đại học Cần Thơ Trường Đại học Y Dược Cần Thơ leminhloi@gmail.com, nguyenb1607009@student.ctu.edu.vn, tnmthu@ctu.edu.vn, pnkhang@ctu.edu.vn TÓM TẮT: Chụp cộng hưởng từ (MRI) não phương pháp tạo hình cắt lớp giúp phát bệnh lý não u nang, xuất huyết, u não bất thường cấu trúc não q trình phát triển Trong nghiên cứu này, mơ hình U-Net ứng dụng để dự đốn vùng bất thường ảnh MRI não Mơ hình U-Net huấn luyện tập liệu LGG (của 110 bệnh với 3929 ảnh MRI) Mơ hình đánh giá tập liệu DICOM thu thập bệnh viện Trường Đại học Y Dược Cần Thơ 10 bệnh nhân với 212 ảnh MRI (sử dụng chuỗi xung Flair) chứa 101 lát cắt MRI có vùng khối u 111 lát cắt bình thường Mơ hình U-Net hiệu chỉnh, bổ sung để đáp ứng với hình ảnh đầu vào ảnh DICOM Mơ hình đạt độ xác trung bình 85,5 % so sánh kết dự đốn mơ hình kết đánh giá bác sĩ bệnh viện Trường Đại học Y Dược Cần Thơ Từ khóa: Mơ hình học sâu, phát vùng bất thường, ảnh MRI I GIỚI THIỆU Hình ảnh chụp cắt lớp sọ não MRI tập hợp nhiều ảnh chụp cắt ngang cắt dọc sọ não để phản ảnh cấu trúc sọ mô não bên [1] Sọ não xương, mô não gồm chất xám, nước,… thành phần có khả hấp thu lượng tia X qua khác từ tạo nên ảnh với thể màu khác Các bác sĩ chẩn đốn hình ảnh dựa vào chế tạo ảnh để khảo sát với mục tiêu tìm vùng bất thường ảnh MRI Mỗi bệnh nhân chụp MRI kỹ thuật viên chụp nhiều lần, lần tứng với điều chỉnh cường độ tín hiệu khác tạo nhên nhiều ảnh MRI khác Để tìm vùng bất thường bác sĩ khảo nhiều tập ảnh MRI tạo điều chỉnh cường độ tín hiệu khác nhau, đồng thời khảo sát hai kiểu nhìn theo chiều dọc chiều ngang Việc khảo sát ảnh MRI phức tạp nhiều thời gian để xác định vùng bất thường Tự động phát vùng bất thường ảnh MRI toán cần thiết để hỗ trợ bác sĩ xác định nhanh vùng bất thường, đồng thời dự báo xác vùng bất thường mà khơng bị bỏ xót khảo sát mắt thơng thường Để dự đốn vùng bất thường, giải pháp thơng thường trích xuất đặc trưng vùng bất thường hay vùng có bệnh lý cụ thể đó, dựa vào đặc trưng để gán nhãn cho ảnh (bệnh nhân) có xuất bất thường/bệnh lý khơng Các đặc trưng trích xuất thường dựa hình dạng, tổ chức đồ, kết cấu, đặc trưng SIFT kết hợp với phương pháp phân lớp để giải toán phát vùng bất thường ảnh y khoa [2, 3] Phương pháp học sâu tích hợp trích xuất đặc trưng phân lớp mơ hình để phân loại ảnh hay phát đối tượng [4, 5, 6] Đối với ảnh y khoa việc giải toán phát đối tượng áp dụng nhiên gặp nhiều khó khăn có thay đổi hình dạng kích thước giải phẫu khác bệnh nhân độ tương phản thấp mô tế bào [7] Tuy nhiên, nhược điểm phương pháp hạn chế tập liệu ảnh y khoa gán nhãn chuyên gia, việc gán nhãn không đồng quan điểm, kinh nghiệm khác chuyên gia y tế Do nhiều nghiên cứu để tăng độ xác mơ hình dựa số liệu huấn luyện đề cao sử dụng kiến trúc U-net [8] cho kết tốt với liệu đầu vào gán nhãn hạn chế Mơ hình U-net đề xuất vào năm 2015 nhóm nhà nghiên cứu Khoa Khoa học Máy tính Đại học Freiburg, Đức [8] Mơ hình sử dụng để phân loại tế bào ảnh thu kính hiển vi Mơ hình thực nghiệm tập liệu cung cấp thi EM1, PhC-U3732, DIC-HeLa3 Tập liệu thi EM bắt đầu thu thập từ năm 2012, tập liệu sử dụng để đánh giá mơ hình gồm 30 hình ảnh (512x512 pixel) dây thần kinh ấu trùng Drosophila từ kính hiển vi điện tử truyền qua mặt cắt nối tiếp Mỗi hình ảnh tập huấn luyện kèm với đồ phân đoạn thích đầy đủ tương ứng cho ô (trắng) màng (đen) Tuy nhiên, tập liệu thử nghiệm cung cấp công khai đồ phân đoạn giữ bí mật Có thể nhận đánh giá cách gửi dự đốn cho ban tổ chức U-net (tính trung bình phiên liệu đầu vào) đạt mà không cần tiền xử lý hay hậu xử lý với lỗi “warping error” (0,0003529) “pixel error” (0,0382.) thấp thi thời điểm Với thành cơng mơ hình U-net cho ảnh y sinh, năm 2019 nhóm nhà nghiên cứu trường Đại học Duke, Bắc Carolina, Hoa Kỳ phân tích liên quan kiểu gen phụ khối u thần kinh cấp thấp với đặc điểm hình dạng mơ hình U-Net [9] Nghiên cứu ứng dụng học sâu vào vấn đề phân loại đặc điểm dự đốn nhóm gen khối u cấp thấp Tập liệu LGG (Lower-Grade Gliomas ) thu thập từ “The Cancer Genome Atlas” (TCGA) 110 bệnh nhân sử dụng để thực nghiệm Trong nghiên cứu, tác giả thực đánh giá chéo, chia http://brainiac2.mit.edu/ isbi_challenge/ Tập liệu cung cấp Dr Sanjay Kumar Department of Bioengineering University of California at Berkeley Berkeley CA (USA) Tập liệu cung cấp Dr Gert van Cappellen Erasmus Medical Center Rotterdam The Netherlands Lê Minh Lợi, Trần Nguyễn Minh Thư, Hồ Trọng Nguyễn, Phạm Nguyên Khang 657 tập liệu thành 22 phần nhỏ, phần chứa bệnh nhân lặp lại 22 lần Với ảnh MRI não thu tập liệu, tác giả tiền xử lý (thu nhỏ ảnh, loại bỏ hộp sọ, chuẩn hóa cường độ mức xám mơ), sử dụng mơ hình U-net để khoanh vùng ảnh khối u đưa đặc điểm hình dạng khối u trước đưa vào cụm gen tương ứng Dựa kết khả quan mơ hình u-net phân vùng ảnh y sinh phân vùng ảnh y khoa, nghiên cứu tập trung vào việc ứng dụng mơ hình U-Net để hỗ trợ bác sĩ phát vùng bất thường ảnh MRI não thu thập bệnh viện Đại học Y Dược Cần Thơ Phần viết tổ chức sau: phát vùng bất thường ảnh MRI não mơ hình U-Net trình bày phần 2; thực nghiệm mơ hình đề xuất giới thiệu phần ba; cuối kết luận hướng phát triển nghiên cứu II PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO BẰNG MƠ HÌNH U-NET A Đặc điểm liệu ảnh MRI não Cộng hưởng từ (MRI: magnetic resonance imaging) kỹ thuật tạo hình cắt lớp sử dụng từ trường sóng radio dựa nguyên tử Hydrogen(H) Nguyên tử Hydrogen thể tác động từ trường sóng radio, hấp thụ phóng thích lượng sóng RF (Radio Frequency, tần số Radio hay cịn gọi tần số vô tuyến điện Thường dùng truyền hình Năng lượng RF thường dao động từ kHz - 300 gHz) Các mô thể khác hấp thụ phóng thích lượng khác Q trình phóng thích lượng máy thu nhận, xử lý, chuyển đổi thành tín hiệu hình ảnh Hình ảnh MRI có độ tương phản cao, chi tiết giải phẫu tốt, khả tái tạo 3D, khơng có tác dụng phụ X quang nên ngày định rộng rãi không cho thần kinh mà cho nhiều lĩnh vực khác: xương khớp, tim mạch, bụng,… [1] Bản chất MRI việc tạo từ trường mạnh tác động lên nguyên tử hydrogen thể Các momen từ hạt nhân nguyên tử di chuyển sếp theo chiều dọc hay chiều theo xu hướng cân từ trường bệnh bên thể Sau đạt trạng thái cân bằng, từ trường dùng để kích hoạt tắt, hạt nhân proton ngun tử phóng thích lượng để trạng thái ban đầu Thời gian cần thiết cho 63 % vectơ từ hạt nhân khôi phục theo chiều dọc gọi thời gian T1 Thời gian cần thiết 63 % vectơ từ hạt nhân khôi phục theo chiều ngang gọi thời gian T2 Dựa vào cường độ phát tính hiệu vơ tuyến đơn vị mơ từ trường giải phóng lượng để xác định thang màu từ đen tới trắng (màu trắng cường độ tín hiệu cao, màu đen khơng có tín hiệu tính hiệu thấp) Cường độ tín hiệu loại mơ phụ thuộc vào thời gian khơi phục lại từ tính T1 T2, mật độ proton Bằng cách điều chỉnh thời gia chụp ảnh T1 T2, ta thu tương phản ảnh tương ứng với đặc tính mô riêng biệt tạo chuỗi xung khác Các chuỗi xung thườn sử dụng DWI (Diffusionweighted Imaging), FLAIR (Fluid Attenuated Inversion Recovery), STIR (Short Time Inversion Recovery) Trong nghiên cứu này, chuỗi xung FLAIR, chuỗi xung xóa tín hiệu dịch sử dụng Hình thu từ chuỗi xung FLAIR thuộc loại hình T2W thành phần nước khơng có tín hiệu (đen) Chuỗi xung FLAIR phát tổn thương khác chảy máu, viêm não, xơ hóa mảng (MS) FLAIR, dịch não tủy bị xóa tín hiệu nên có màu đen, có chảy máu màng não, tăng tín hiệu, dễ dàng nhận Đối với nhồi máu não tối cấp (< h), tín hiệu vùng nhồi máu FLAIR đa số bình thường tăng tín hiệu nhẹ [1] Cho đến nay, chụp MRI coi phương pháp đánh giá sọ não khơng xâm lấn tối ưu Có giá trị đặc biệt việc chuẩn đoán bệnh lý tuyến yên thân não Giúp phát đánh giá nhiều bệnh hay bất thường sọ não, đặc biệt u não hình ảnh rõ nét, chi tiết, quan sát mạch não mà không cần tiêm chất tương phản Sự phức tạp cấu tạo não đa dạng bệnh lý não bộ, việc áp dụng kỹ thuật hỗ trợ chuỗi xung cộng hưởng từ giúp đánh giá bệnh lý tốt B Tập liệu LGG Hình Một vài lát cắt ảnh MRI Mask bệnh nhân ỨNG DỤNG MƠ HÌNH U-NET PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO 658 Tập liệu LGG4 chứa hình ảnh MRI não với mặt nạ phân đoạn bất thường FLAIR thủ công kho lưu trữ hình ảnh ung thư) Chúng tương ứng với 110 bệnh nhân, bệnh nhân bao gồm tập ảnh MRI màu chụp cắt lát xếp theo trình tự Ứng với ảnh MRI não ảnh dạng xám thể vị trí khối u ảnh MRI Ảnh xám ảnh Mask ảnh MRI Tập liệu hình ảnh tập liệu có chất lượng cao với định dạng “.tif” Tập liệu chứa tổng cộng 3929 ảnh với 1373 ảnh có chứa vùng khối u, 2437 ảnh không chưa vùng khối u 119 ảnh trống (khơng chứa thơng tin) Hình hiển thị số lát cắt ảnh MRI mặt nạ phân đoạn tương ứng bệnh nhân C Tập liệu Dicom Tâp liệu Dicom cung cấp bệnh viện Đại học Y Dược Cần Thơ bao gồm thư mục chứa tập tin Dicom (Hình 2) lưu trữ theo bệnh nhân file excel mơ tả tập liệu Bảng Hình Cây thư mục lưu trữ Dicom file Ví dụ, với bệnh nhân có mã 190105 ta có hai chuỗi xung chụp kí hiệu SE000000 SE000001 thư mục thông tin chuỗi xung mà bệnh nhân chụp Bảng Mã sử dụng tên thư mục lưu trữ tập Dicom bệnh nhân Với Flair, DWI, T2*, FSPGR, FSPGR + C chuỗi xung hỗ trợ xét nghiệm Ứng với chuỗi xung bao gồm cá thơng tin: FN (kí hiệu thư mục), ST (số lát cắt), [Sta, Sto] (tương ứng với khoảng lát cắt có khối u) Trường kết cho ta biết kết xét nghiệm bệnh nhân bao gồm: bệnh lí như: xuất huyết, u não, đa khối số bệnh lí khác; vùng bệnh theo chức não (không phải tất bệnh nhân) Trong khoảng lát cắt có khối u tồn khoảng nhỏ khơng có vùng khối u khoảng cắt ghi nhận [Start normal, Stop normal] Stt FN Ngày TH x Bảng Thông tin mô tả liệu ảnh Dicom MRI Flair Dwi Mã sử dụng FN TS Sta Sto FN TS Sta 190105 20 17 42 20 Họ tên người bệnh x FSPGR TS Sta Sto FN FSPGR C+ TS Sta Kết Quả Sto Xuất huyết não vùng thái dương Sto 35 FN T2* TS Sta Start normal Stop normal 25 28 Sto Yêu cẩu Ứng với bệnh nhân, tuỳ vào yêu cầu bác sĩ mà chuỗi xung khác sử dụng để hỗ trợ chụp ảnh Tuy nhiên, với mục đích mơ hình dự đốn, phân loại khoanh vùng khối u huấn luyện liệu ảnh MRI thuộc chuỗi xung Flair nên liệu ảnh Dicom bệnh nhân dựa chuỗi xung FLAIR lựa chọn Bảng mô tả tập liệu hình ảnh MRI thu thập có ghi nhận số lát cắt bình thường bất thường, vị trí bắt đầu kết thúc vùng bất thường chuỗi xung FLAIR STT Mã bệnh nhân 10 190701 190714 190731 190905 190916 191001 190724 190918 191004 191005 FN 1 1 1 1 FS 20 24 21 21 21 21 21 21 21 21 Bảng Bảng mô tả liệu Dicom Flair Sta Sto Số lát cắt bình thường 11 20 10 20 12 12 19 13 12 20 12 20 10 17 13 17 11 13 20 13 19 16 https://www.kaggle.com/mateuszbuda/lgg-MRI-segmentation Số lát cắt bất thường 10 12 12 10 12 12 Lê Minh Lợi, Trần Nguyễn Minh Thư, Hồ Trọng Nguyễn, Phạm Nguyên Khang 659 D Mô hình mạng U-Net hiệu chỉnh phát vùng bất thường ảnh MRI não Mơ hình U-net hiệu chỉnh để dự đoán vùng bất thường ảnh MRI não gồm bước Hình Giai đoạn huấn luyện mơ hình sử dụng tập liệu LGG Tập liệu tiền xử lý để đưa ảnh MRI màu (RGB) 256x256x3 ảnh mức xám kích thước 256x256x1 Mơ hình kiến trúc U-Net huấn luyện học tập cách trích xuất đặc trưng ảnh sau khơi phục kích thước gốc ma trận đặc trưng tìm Mơ hình kiến trúc U_Net sử dụng hàm phi tuyến Sigmoid để dự đoán đầu với kết ma trận đặt trưng có giá trị nằm khoảng [0, 1] Để phù hợp với giá trị đầu mơ hình, ảnh Mask cần chuyển từ khoảng giá trị gốc [0, 255] khoảng [0, 1] Giai đoạn đánh giá mơ hình, liệu Dicom chuyển đổi dạng ảnh “JPG” công trụ hỗ trợ đọc tập tin Dicom (SonicDicom PACs) Dữ liệu tiếp tục chuyển qua tiền xử lí để đưa dạng ảnh xám có kích thước 256x256x1 Tiếp theo, ta đưa liệu vào mơ hình kiến trúc U-Net huấn luyện để trích xuất đặc trưng ảnh Giá trị phần tử ma trận đưa khoảng giá trị [0, 255] Hình ảnh MRI gắn liền với bệnh nhân, để đánh giá độ xác ta gom nhóm ảnh dựa vào mã bệnh nhân Hình ảnh dự đốn vùng bệnh ảnh MRI tích hợp lại với để tạo ảnh MRI có xác định vị trí vùng bệnh Với kiến trúc chữ “U” trên, ta thấy đối xứng hai thành phần “Contraction path” “Expansion path” Việc đối xứng tầng hai thành phần giúp ta phục hồi lại thông tin lớp “pooling” “Contraction path”: Dữ liệu đầu vào chuyển đổi qua hàng loạt lớp tích chập, lớp lấy mẫu “Max pooling” Tại tầng, mơ hình xếp liên tiếp hai lớp “convolution layers” với lọc (Kernals) 3x3, kích hoạt hàm phi tuyến tính (ReLU) kết hợp với lớp “Max Pooling” Số lượng kênh chức tầng nhân đôi (32, 64 ,128, 256, 512) đồng thời giảm số chiều (256, 128, 64, 32, 16) Giai đoạn “Expansion path”: tầng kết hợp lớp tích chập nghịch đảo “Transpose Convolutional layer” 2x2 để lấy mẫu đầu vào cho lớp tích chập 3x3 Đồng thời phục hồi lại thông tin lớp “pooling” qua đối xứng với giai đoạn “Contraction path” Tầng cuối áp dụng hàm chức phi tuyến “Sigmoid” có giá trị xác suất từ đến để xác định nhãn ảnh có chứa khối u hay không Thời gian huấn luyện epoch cho mơ hình U-Net 103-137 giây, mơ hình sử dụng 1000 epochs với batch size 32 hàm tối ưu Adam Kết sau đưa vào mơ hình dự đốn ma trận kích thước 256x256x1 tương ứng với ảnh MRI Ma trận kết có khoảng giá trị nằm đoạn [0, 1] cần đưa thang màu hệ thống [0, 255] Để nhìn rõ vùng bệnh dự đốn ta cần phải tích hợp ảnh dự đoán với ảnh MRI gốc Nếu ảnh dự đoán cho thấy ảnh MRI có khối u việc tích hợp tạo ảnh có đường khoanh chứa vùng ta dự đốn khối u Ngược lại, ảnh ta nhân sau tích hợp ảnh MRI gốc Hình Mơ hình U-Net hiệu chỉnh phát bất thường ảnh MRI não III KẾT QUẢ THỰC NGHIỆM A Phương pháp đánh giá kết dự đoán vùng bất thường ảnh MRI não Các ảnh MRI liệu Dicom cung cấp cho bác sĩ dạng ảnh JPG Các bác sĩ tiến hành khoanh vùng khối u thủ cơng lưu lại góc tọa độ vùng khối u qua file XML Dựa vào tọa độ để tiến hành đánh giá hình ảnh dự đoán Đối với vùng khối u bác sĩ khoanh sinh tọa độ tương ứng hình ỨNG DỤNG MƠ HÌNH U-NET PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO 660 Hình Mô tả tọa độ khối u Để đánh giá xác vùng ảnh dự đốn mơ hình so với chẩn đốn bác sĩ, cơng cụ LabelImage sử dụng để so khớp vùng ảnh Nếu vùng ảnh chẩn đoán bác sĩ vùng ảnh dự đốn mơ hình trùng khoảng 80 % mơ hình đánh giá xác Do ảnh dự đốn vùng có khối u vùng có hình dạng theo đặc trưng khối u dự đốn được, cịn vùng chẩn đốn bác sĩ vùng ảnh có hình chữ nhật nên có chênh lệch vùng chẩn đốn vùng dự đốn Hình bên minh hoạ vùng bất thường dự đốn mơ hình với đường viền màu đỏ bao quanh khối bất thường; vùng bất thường chẩn đốn bác sĩ vùng hình chữ nhật màu xanh Hình (a), mơ hình đánh giá dự đốn vùng bất thường; Hình (b), mơ hình dự đốn sai bác sĩ khơng chẩn đốn vùng có chứa khối u giống dự đốn mơ hình; Hình (c), mơ hình đánh giá dự đốn sai vùng bất thường vùng dự đoán bác sĩ trung khơng q 80 % (a) (b) (c) Hình Ảnh dự đốn vị trí vùng khối u (a) B Kết đánh giá kết dự đoán vùng bất thường ảnh MRI não Như giới thiệu phần 2, bệnh nhân có số lát cắt khơng giống số lượng lát cắt chứa khối u không chưa khối u không giống Để đánh giá hiệu mơ hình, số lượng ảnh MRI có vùng bệnh bị đánh giá bình thường số ảnh đánh giá sai vị trí vùng bệnh ghi nhận Bảng Dự đốn ảnh có bệnh thành ảnh bình thường chiếm 0-10 %, số lượng ảnh dự đoán sai vùng bệnh từ 0-21 % STT Mã bệnh nhân 10 190701 190714 190731 190905 190916 191001 190724 190918 191004 191005 Bảng Kết đánh giá theo bệnh nhân Số ảnh đoán sai Số lát cắt quan sát thành ảnh bình thường 20 24 21 21 21 21 21 21 21 21 Số ảnh đánh giá sai vị trí vùng bệnh 0 1 Ngoài việc xác định ảnh có khối u bị đốn sai, nghiên cứu cịn tính tốn giá trị F1 thay sử dụng tiêu chí độ xác Kết dự đốn vùng bất tường thực lát cắt ảnh MRI não bệnh nhân Giá trị F1 độ xác thu tương đối phù hợp với STT Bảng Kết đánh giá kết dự đoán vùng bất thường ảnh MRI não Mã bệnh nhân TN FN TP FP ACC (%) F1(%) 190701 10 90,00 88,89 190714 12 6 75,00 66,67 190731 5 61,90 55,56 190905 12 100,00 100,00 Lê Minh Lợi, Trần Nguyễn Minh Thư, Hồ Trọng Nguyễn, Phạm Nguyên Khang STT 10 Mã bệnh nhân 190916 191001 190724 190918 191004 191005 TN 10 11 13 9 Trung bình FN 2 2 TP 10 10 10 FP 0 0 661 ACC (%) 85,71 80,95 90,47 90,47 90,48 90,48 85.55 F1(%) 86,96 77,78 88,89 85,71 90,91 90,91 83,23 Bên cạnh đó, mơ hình cịn tiến hành so sánh đánh giá kết dự đốn vùng bất thường với mơ hình YOLOv4 [10] Vùng ảnh chẩn đoán bác sĩ vùng ảnh dự đốn mơ hình trùng khoảng 80 % mơ hình đánh giá xác Với cách đánh giá này, kết đánh giá độ xác dự đốn mơ hình tập liệu chứa thông tin bệnh nhân trình bày Bảng Bảng So sánh độ xác mơ hình Yolo U-Net STT Mã bệnh nhân Độ xác YOLOV4 (%) Độ xác U-Net (%) 190701 (20 ảnh) 78 90 190731 (21 ảnh) 95 61,9 190905 (21 ảnh) 90 100 190916 (21 ảnh) 86 85,71 190918 (21 ảnh) 73 90,47 191001 (21 ảnh) 92 80,95 191004 (21 ảnh) 73,9 90,48 Trung bình 83,99 85,64 Mơ hình U-Net có độ chỉnh xác cao mơ hình YOLO với bệnh nhân, trung bình bệnh nhân có 21 ảnh Bên cạnh đó, mơ hình U-Net cho thấy vượt trội xét khả dự đốn hình dạng thực vùng bệnh Hình minh hoạ vùng dự đốn mơ hình U-net (đúng với hình dạng khối u) mơ hình YOLO v4 (khung hình chữ nhật bao quanh khối u) Hình Kết dự đốn mơ hình YOLO U-Net IV KẾT LUẬN Việc phát kịp thời khối u hỗ trợ bác sĩ q trình chẩn đốn điều trị cho bệnh nhân thực hiệu tình trạng bệnh viện tải cần thiết.Trong nghiên cứu này, mơ hình U-net hiệu chỉnh thực nghiệm để dự đoán khoanh vùng khối u dựa ảnh MRI não Mơ hình U-Net huấn luyện tập liệu LGG 110 bệnh nhân với 3929 ảnh MRI màu 3929 ảnh mặt nạ phân đoạn bất thường thủ cơng Mơ hình sau huấn luyện áp dụng để dự đoán vùng khối u liệu DICOM ảnh xám thu thập từ bệnh viên Đại học Y Dược Cần Thơ Tập liệu DICOM sử dụng đánh giá mơ hình 212 ảnh MRI xám chuỗi xung Flair bao gồm 101 lát cắt MRI có vùng khối u 111 lát cắt bình thường thu thập 10 bệnh nhân Mơ hình đạt độ xác trung bình 85,5 % so sánh kết dự đốn mơ hình kết chẩn đoán bác sĩ Hiện tập liệu sử dụng để huấn luyện tập liệu LGG chưa thu thập gán nhãn nhiều liệu bệnh nhân Đại học Y Dược Trong tương lai, để tăng độ xác mơ hình, cần thu thập thêm liệu để huấn luyện để kiểm tra đánh giá, bổ sung thêm các chuỗi xung khác thay sử dụng chuỗi xung FLAIR, việc thu thập xây dựng nhiều mặt nạ phân đoạn nhiều chuỗi xung khác để nâng cao khả 662 ỨNG DỤNG MƠ HÌNH U-NET PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO dự đốn mơ hình để xuất Bên cạnh đó, mơ hình hướng tới việc xác định bệnh lý não thay xác định vùng bất thường TÀI LIỆU THAM KHẢO [1] Trần Đức Quang, Nguyên lý kỹ thuật cộng hưởng từ của, NXB Đại học Quốc gia Thành phố Hồ Chí Minh, Trang 71-73, 2008 [2] Barata C., Ruela M., Francisco M., Mendonỗa T., Marques J S Two systems for the detection of melanomas in dermoscopy images using texture and color features” IEEE Systems Journal 8(3): pp 965-979, 2014 [3] Stanley R J., Stoecker W V., Moss R H “A relative color approach to color discrimination for malignant melanoma detection in dermoscopy images” Skin Research and Technology 13(1): pp 62-72, 2007 [4] Roth, H R.; Shen, C.; Oda, H.; Oda, M.; Hayashi, Y.; Misawa, K.; Mori, K “Deep learning and its application to medical image segmentation” Med Imaging Technol 36, pp 63-71, 2018 [5] Litjens, G.; Kooi, T.; Bejnordi, B E.; Setio, A.A.A.; Ciompi, F.; Ghafoorian, M.; Van Der Laak, J A.; Van Ginneken, B.; Sánchez, C I “A survey on deep learning in medical image analysis” Med Image Anal, 42, pp 6088, 2017 [6] Iyatomi H., Oka H., Celebi M E., et al “An improved internet-based melanoma screening system with dermatologist-like tumor area extraction algorithm” Computerized Medical Imaging and Graphics, 32(7): pp 566579, 2008 [7] Chen, C.; Ozolek, J A.; Wang, W.; Rohde, G “A General System for Automatic Biomedical Image Segmentation Using Intensity Neighborhoods” Int J Biomed Imaging 2011, pp 1-12, 2011 [8] O Ronneberger, P Fischer and T Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation”, Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS, Vol 9351: pp 234241, 2015 [9] A S M A M Mateusz Buda, “Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm” Comp in Bio and Med 109: pp 218-225 2019 [10] Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao, YOLOv4: Optimal Speed and Accuracy of Object Detection, 23 Apr 2020 USING U-NET MODEL TO DETECT ABNORMAL AREAS ON BRAIN MRI IMAGES Le Minh Loi, Tran Nguyen Minh Thu, Ho Trong Nguyen, Pham Nguyen Khang ABSTRACT: Brain magnetic resonance imaging (MRI) is a CT scan that helps detect brain diseases such as cysts, hemorrhages, brain tumors and abnormalities of brain structure during development In this article, the U-Net model is applied to predict and localize the abnormalities of brain on brain MRI images the LGG data set (with 3929 color images of 110 patients) is used to train the U-Net model The model is evaluated by Dicom data set of 10 patients of Can Tho University of Medicine and Pharmacy (with 212 gray images including 101 images of abnormal area and 111 images of normal area) The U-Net model was modified and supplemented to respond with the grayscale images The model accuracy is about 85.5 % by comparing the predicted result of the model and evaluated result of the doctors at Can Tho University of Medicine and Pharmacy  ... sau: phát vùng bất thường ảnh MRI não mô hình U-Net trình bày phần 2; thực nghiệm mơ hình đề xuất giới thiệu phần ba; cuối kết luận hướng phát triển nghiên cứu II PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH. .. sau tích hợp ảnh MRI gốc Hình Mơ hình U-Net hiệu chỉnh phát bất thường ảnh MRI não III KẾT QUẢ THỰC NGHIỆM A Phương pháp đánh giá kết dự đoán vùng bất thường ảnh MRI não Các ảnh MRI liệu Dicom... khoanh sinh tọa độ tương ứng hình ỨNG DỤNG MƠ HÌNH U-NET PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO 660 Hình Mơ tả tọa độ khối u Để đánh giá xác vùng ảnh dự đốn mơ hình so với chẩn đốn bác sĩ,