Bài viết trình bày một cách tiếp cận mới sử dụng kỹ thuật mạng nơron tích chập (CNN) và chỉ số Hounsfields trong phân tích nhận dạng xuất huyết não từ các ảnh MRI. Phương pháp đề xuất gồm hai pha: Phân loại xuất huyết não dựa trên CNN và xác định vùng xuất huyết cũng như cấp độ, thời gian xuất huyết dựa trên chỉ số Hounsfields.
Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018 DOI: 10.15625/vap.2018.00011 CHẨN ĐOÁN XUẤT HUYẾT NÃO DỰA TRÊN CHỈ SỐ HOUNSFIELD VÀ KỸ THUẬT MẠNG NƠRON TÍCH CHẬP Phan Anh Cang 1, Nguyễn Thị Mỹ Nga1, Phan Thượng Cang2 Khoa Công nghệ Thông tin, Trường Đại học Sư phạm Kỹ thuật Vĩnh Long Khoa Công nghệ Thông tin Truyền thơng, Trường Đại học Cần Thơ cangpa@vlute.edu.vn, ngantm@vlute.edu.vn, ptcang@cit.ctu.edu.vn TĨM TẮT: Trong năm gần đây, xuất huyết não có xu hướng gia tăng nhanh chóng bệnh nguy hiểm đến tính mạng Vì vậy, việc phát phân loại tự động dạng xuất huyết não cần thiết cho bác sĩ điều trị Trong báo trình bày cách tiếp cận sử dụng kỹ thuật mạng nơron tích chập (CNN) số Hounsfields phân tích nhận dạng xuất huyết não từ ảnh MRI Phương pháp đề xuất gồm hai pha: phân loại xuất huyết não dựa CNN xác định vùng xuất huyết cấp độ, thời gian xuất huyết dựa số Hounsfields Phương pháp hỗ trợ hiệu cho bác sĩ chẩn đoán nguyên nhân gây xuất huyết, biết vị trí, thời gian mức độ nghiêm trọng xuất huyết để có hướng dẫn điều trị bệnh nhân kịp thời Từ khóa: Xuất huyết não, mạng nơron tích chập, Hounsfields, ảnh CT/MRI I TỔNG QUAN Đột quỵ bệnh vô nguy hiểm nguyên nhân gây tử vong lớn thứ ba cho người Theo thống kê Hội tim mạch Toàn quốc năm 2016, Việt Nam, năm 2005 có 16 triệu bệnh nhân tai biến mạch máu não lần đầu 5,7 triệu bệnh nhân tử vong, trung bình giây có trường hợp bệnh Ở Mỹ 45 giây có trường hợp đột quỵ não cấp Trong bệnh đột quỵ chia thành hai loại: đột quỵ thiếu máu cục chiếm 20% , đột quỵ xuất huyết não chiếm 80% số trường hợp bệnh độ quỵ [1] Vì tính chất nguy hiểm xuất huyết não nên việc chẩn đoán bệnh cần thực nhanh chóng xác Não có cấu tạo phức tạp làm cho việc nhận biết dấu hiệu bệnh lý gặp khó khăn Do đó, số bác sĩ thiếu kinh nghiệm dễ gặp sai sót q trình phân tích ảnh CT/MRI não Bên cạnh đó, bác sĩ thường làm việc mơi trường căng thẳng lý làm ảnh hưởng không tốt đến việc chẩn đốn xác định bệnh lý Vì thế, hệ thống máy tính hỗ trợ chẩn đốn xuất huyết não tự động từ ảnh y khoa xây dựng theo hướng tích hợp vào hệ thống chụp CT/MRI cần thiết, góp phần giảm lỗi chẩn đoán chủ quan, rút ngắn thời gian chẩn đoán để đạt hiệu điều trị Đối với hệ thống chẩn đoán xuất huyết não tự động dựa tập đặc trưng, đặc trưng rút trích chủ yếu dựa kinh nghiệm quan sát chuyên gia đặc điểm riêng ảnh y khoa Tuy nhiên, vấn đề thách thức phương pháp nghiên cứu xác định tập đặc trưng phù hợp để phân lớp xuất huyết Để giải vấn đề này, số nghiên cứu gần [2], [3], [4], [5], [6] đề xuất sử dụng mơ hình kiến trúc mạng nơron tích chập (Convolution Neural Network - CNN) Đây mô hình học sâu (deep learning) tiên tiến CNN mơ hình mạng nơron nhân tạo giúp xây dựng hệ thống phân tích hình ảnh trực quan [2], phân đoạn, phân loại ảnh đạt độ xác cao Mặt khác, CNN có khả học tập liệu đầu vào đại diện mà khơng cần phân tích, rút trích tập đặc trưng Hiện nay, số hệ thống lớn như: Facebook, Google, Amazon sử dụng kỹ thuật CNN để xử lý giọng nói, xử lý hình ảnh, nhận diện ảnh, nhận diện khuôn mặt,… Đặc biệt, CNN ứng dụng hiệu phân loại ảnh y khoa Một số cơng trình nghiên cứu phát phân đoạn ảnh não trẻ sơ sinh người lớn [3], [4], [5], [6] đề xuất; nghiên cứu đánh giá thảo luận chi tiết kỹ thuật CNN áp dụng cho việc phân tích ảnh CT/MRI não [7] [8]; nghiên cứu xác định xuất huyết nội sọ ảnh chụp não cắt lớp [11] Cụ thể, nhóm tác giả Jose Bernal et al [7] nghiên cứu sử dụng mạng nơron tích chập để phân tích ảnh não hình ảnh CT/MRI Phương pháp gồm bước chuẩn bị liệu, tiền xử lý ảnh áp dụng tầng CNN Các hàm quan trọng hàm Loss, hàm ReLU trọng số mơ hình trình bày Kỹ thuật CNN giúp việc phân tích ảnh nhanh hệ thống truyền thống, nhiên để học hiệu cần có tập liệu lớn hệ thống thực thi máy tính xử lý đồ họa mạnh (Graphics Processing Unit - GPU) Mina Rezaei et al [8] đề xuất phương pháp phát não bất thường mô hình mạng CNN để phát bệnh Glioma nặng, Glioma nhẹ, bệnh đa xơ cứng, bệnh Alzheimer Kiến trúc mạng CNN đề xuất gồm mười tầng với bảy tầng tích chập ba tầng kết nối đầy đủ Bên cạnh đó, Mohammad et al [11] trình bày phương pháp xác định xuất huyết nội sọ kiến trúc CNN sử dụng năm tầng tích chập, hai tầng kết nối đầy đủ tầng tổng hợp hàm Max Pooling Nhìn chung, phương pháp sử dụng kỹ thuật CNN để phân lớp ảnh y khoa Tuy nhiên, chất lượng hình ảnh có ảnh hưởng đến việc phân lớp nên tác giả đề xuất giai đoạn tiền xử lý ảnh chí phân tích ảnh JPEG Điều làm mát thông tin lưu ảnh trình xử lý ảnh hưởng kết phân tích Ngồi ra, kỹ thuật CNN khơng cho kết xác vùng xuất huyết não không cung cấp thông tin thời gian xuất huyết để hỗ trợ bác sĩ có phác đồ điều trị kịp thời 80 CHUẨN ĐOÁN XUẤT HUYẾT NÃO DỰA TRÊN CHỈ SỐ HOUNSFIELD VÀ KỸ THUẬT MẠNG NƠRON TÍCH CHẬP Từ hạn chế trên, chúng tơi đề xuất phương pháp gồm hai pha chính: pha thứ nhận dạng tự động loại xuất huyết não nhờ khả học, ghi nhớ khái quát hóa mẫu liệu huấn luyện dựa CNN; pha thứ hai, xác định vùng xuất huyết thời gian xuất huyết giúp bác sĩ có phát đồ điều trị bệnh kịp thời dựa số Hounsfield Unit (HU) mà bác sĩ chuyên khoa thường dùng để đọc ảnh CT/MRI não Đây hướng tiếp cận đề xuất phương pháp Trong báo tập trung nghiên cứu bốn loại xuất huyết não phổ biến: tụ máu màng cứng, tụ máu màng cứng, xuất huyết nhện, xuất huyết não II CÁC CÔNG VIỆC LIÊN QUAN Để nhận dạng tự động loại xuất huyết não xác định vùng xuất huyết, nghiên cứu thực hai pha Pha đầu tiên, sử dụng kỹ thuật mạng nơron tích chập để phân lớp gồm hai bước: huấn luyện kiểm tra Pha thứ hai, chúng tơi tính tốn số HU để phân vùng xác định thời gian xuất huyết não Sau mô tả chi tiết công việc liên quan sử dụng phương pháp đề xuất A Kỹ thuật Deep learning Deep Learning kỹ thuật máy học giúp cho trí tuệ nhân tạo sánh với trí tuệ người Deep Learning cấu tạo từ mạng nơron, mạng nơron gồm nhiều tầng (thường từ 10 đến 100 tầng) Để mạng nơron hoạt động hiệu liệu học lớn, mơ hình mạng lớn, khả tính tốn máy tính tốt [10] Hình Mơ hình kỹ thuật Deep Learning [10] Hình mơ tả kỹ thuật Deep Learning gồm có ba tầng là: tầng đầu vào, tầng ẩn tầng đầu Trong đó, tầng đầu vào tầng chứa ảnh đầu vào, tầng ẩn tầng rút trích đặc trưng ảnh đầu vào Dựa vào đặc trưng rút trích, tầng đầu phân lớp gán nhãn kết Tầng có mục đích phân loại ảnh đầu vào, gán nhãn cho ảnh B Mạng nơron tích chập (CNN) CNN kỹ thuật tiên tiến Deep Learning So với mơ hình mạng nơron truyền thống, CNN sử dụng tham số [2] Mơ hình CNN có cấu trúc tương tự mơ hình Deep Learning Hình biểu diễn cho thấy rõ chi tiết mơ hình CNN Hình Kiến trúc mạng CNN Từ hình 2, cho thấy kiến trúc mạng CNN gồm ba tầng chính: tầng tích chập (Convolution layer), tầng tổng hợp (Pooling layer), tầng kết nối đầy đủ (Fully Connected layer) Bước ảnh đầu vào đưa qua tầng tích chập Sau tầng tích chập tầng tổng hợp, tầng tích chập với nhiệm vụ trích đặc trưng ảnh, cịn tầng tổng hợp có Phan Anh Cang, Phan Thượng Cang, Nguyễn Thị Mỹ Nga 81 nhiệm vụ giảm đặc trưng khơng cần thiết nhằm làm giảm kích thước đồ đặc trưng (feature map) Sau hai loại tầng tầng kết nối đầy đủ, khác với hai loại tầng trước, tầng kết nối đầy đủ đồ làm phẳng Sự làm phẳng với mục đích tạo kết nối từ nơron tầng trước đến nơron tầng Như vậy, tầng kết nối đầy đủ cuối cùng, nơron kết nối đến nơron có nhãn hợp lý tầng đầu Chúng tơi trình bày chi tiết tầng CNN nội dung Tầng tích chập Mục đích tầng tích chập trích xuất đặc trưng ảnh cách sử dụng phép toán tích chập Cách thức thực cho lọc trượt ma trận ảnh đầu vào để tạo đồ đặc trưng Các lọc khác tạo đồ đặc trưng khác Mỗi lọc ma trận trượt theo chiều rộng chiều cao ma trận ảnh mở rộng thông qua chiều sâu Với ảnh màu chiều sâu ảnh 3, ảnh mức xám chiều sâu ảnh Bên cạnh đó, CNN sử dụng cấu trúc nhiều tầng liên kết với nhau, tầng thứ trích xuất đặc trưng đơn giản, tầng sau đặc trưng trích xuất phức tạp Sau ví dụ minh họa tạo đồ đặc trưng tầng tích chập: Hình Tầng tích chập Trong hình 3, Filter số lượng lọc, kernel_size kích thước lọc, strides số bước nhảy, activation hàm kích hoạt padding kiểu đệm Một ảnh đầu vào qua nhiều lọc tầng tích chập Chẳng hạn hình 3, ảnh I qua hai lọc F1 F2, với lọc tạo đồ chiều riêng biệt, đồ khác chồng lên theo chiều sâu tạo đồ đặc trưng đầu cho tầng Tuy nhiên, đồ đặc trưng tạo tầng có số lượng lớn, chứa đặc trưng dư thừa khơng cần thiết cho q trình gán nhãn ảnh làm tốn thời gian học phân lớp Để giải hạn chế này, sử dụng tầng tổng hợp để giảm đặc trưng không cần thiết trình bày phần 2 Tầng tổng hợp Mục đích tẩng tổng hợp giảm số lượng đặc trưng từ tầng tích chập để làm rõ đặc trưng ảnh Với tầng tích chập, chúng tơi sử dụng tầng tổng hợp Có ba hàm giới thiệu: Max Pooling, Average Pooling Min Pooling Hàm Max Pooling thường sử dụng hiệu suất thực nghiệm hàm cao hai hàm cịn lại [13], [14] Kernel_size: kích thước cửa sổ trượt, stride: số bước nhảy Hình Tầng tổng hợp Tầng kết nối đầy đủ Sau giảm đặc trưng không cần thiết, đồ đặc trưng lúc chứa đầy đủ thông tin cần thiết để phân lớp ảnh Đó nhiệm vụ tầng kết nối đầy đủ, đầu tầng nhãn dự đốn [15] 82 CHUẨN ĐỐN XUẤT HUYẾT NÃO DỰA TRÊN CHỈ SỐ HOUNSFIELD VÀ KỸ THUẬT MẠNG NƠRON TÍCH CHẬP Hình Tầng kết nối đầy đủ Theo hình 5, tầng kết nối gồm hai bước: Bước làm phẳng đồ đặc trưng tầng trước để đạt dạng vectơ đặc trưng chiều Bước 2: nút vectơ gán nhãn kết nối trực tiếp tới nút tầng trước Sau xác định loại xuất huyết, cần làm bật vùng xuất huyết ảnh, giúp bác sĩ dễ dàng nhận vị trí xuất huyết thời gian xuất huyết Để làm điều này, xác định giá trị Hounsfiled Unit C Xác định giá trị Hounsfields Chúng tơi phân tích liệu trực tiếp ảnh MRI đầu vào theo định dạng chuẩn Dicom mà không chuyển sang định dạng JPG, BMP, PNG,… Các ảnh đầu vào bao gồm thông tin như: họ tên, mã ID, liệu hình ảnh giá trị HU Chúng tơi sử dụng giá trị HU với mục đích xác định vùng xuất huyết thời gian xuất huyết não Giá trị HU xác định dựa phép biến đổi tuyến tính với cơng thức sau [9]: Trong đó, pixel_value giá trị điểm ảnh, giá trị RescaleSlope RescaleIntercept giá trị lưu trữ ảnh CT/MRI chuẩn Dicom D Phân đoạn ảnh dựa vào HU để xác định vùng xuất huyết não Để xác định vùng xuất huyết não, sử dụng kỹ thuật phân đoạn ảnh dựa vào giá trị HU trình bày bảng Bảng Mức độ hấp thụ tia X ảnh CT/MRI đơn vị Hounsfield [9] Độ hấp thu tia X đo ảnh CT/MRI đơn vị Hounsfield (HU) Nước HU Xương 1.000 HU Khơng khí -1.000 HU Chất xám 35 - 40 HU Chất trắng 20 HU Xuất huyết 40 - 90 HU Vơi hóa > 120 HU Hình Xác định vùng xuất huyết não với kỹ thuật phân đoạn ảnh dựa vào giá trị HU Như thấy bảng 1, vùng có số HU từ 40 - 90 vùng xuất huyết não Dựa vào số HU, xác định vùng xuất huyết biểu diễn hình E Phân đoạn ảnh dựa vào phương pháp Otsu’s F Xác định thời gian xuất huyết não Ngoài việc xác định vùng xuất huyết, bác sĩ cần biết thơng tin quan trọng khác thời gian xuất huyết để kịp thời chữa trị Thời gian xuất huyết não chia thành cấp: cấp tính, bán tính, mãn tính Phan Anh Cang, Phan Thượng Cang, Nguyễn Thị Mỹ Nga 83 Bảng Thời gian xuất huyết não dựa vào số HU Cấp độ xuất huyết Chỉ số HU Thời gian bệnh (ngày) Cấp tính 50 - 60 1-3 Bán tính < 40 - 14 Mãn tính 18 - 30 14 - 21 Dựa vào nghiên cứu liên quan trình bày trên, chúng tơi đề xuất phương pháp chẩn đốn xuất huyết não mô tả chi tiết phần III III PHƯƠNG PHÁP ĐỀ XUẤT Hệ thống xây gồm pha: pha thực phân lớp ảnh MRI để gán nhãn loại xuất huyết, pha thực phân vùng ảnh dựa vào HU để xác định vùng xuất huyết thời gian xuất huyết Mơ hình phương pháp đề xuất biểu diễn hình Hình Mơ hình chẩn đốn xuất huyết não phương pháp đề xuất Theo hình 7, ảnh đầu đưa vào hệ thống xử lý hai pha: pha thực phân lớp liệu kỹ thuật CNN, pha thực phân vùng ảnh dựa vào HU để xác định vùng xuất huyết thời gian xuất huyết Sau chúng tơi trình bày chi tiết hai pha A Pha 1: Phân lớp ảnh với kỹ thuật CNN Hình Phân lớp liệu kỹ thuật CNN Mơ hình pha gồm tầng tích chập, tầng tổng hợp, tầng kết nối đầy đủ biểu diễn hình Pha bao gồm bước: bước học đặc trưng ảnh, bước phân lớp ảnh xuất huyết dựa đặc trưng học Học tập đặc trưng a) Xây dựng tầng tích chập Trong phương pháp chúng tơi, mơ hình pha sử dụng tầng tích chập để đạt kết gán nhãn với độ xác cao thơng qua kết thử nghiệm mà không nhiều thời gian để học Trong tầng tích chập, chúng tơi sử dụng hàm biến đổi phi tuyến tính ReLU biến đổi liệu theo công thức sau: ( ) { (1) b) Xây dựng tầng tổng hợp Sau liệu xử lý tầng tích chập, chọn áp dụng số tầng tổng hợp với hàm chọn cho tầng Max Pooling sử phổ biến ứng dụng xử lý ảnh y khoa Chúng sử dụng lọc (2x2) giúp tầng giảm đáng kể kích thước khơng gian đầu vào Cơng việc nhằm mục đích giảm số lượng thơng số 84 CHUẨN ĐỐN XUẤT HUYẾT NÃO DỰA TRÊN CHỈ SỐ HOUNSFIELD VÀ KỸ THUẬT MẠNG NƠRON TÍCH CHẬP trọng số để giảm chi phí tính toán, đồng thời làm bật đặc trưng quan trọng cần thiết cho việc phân lớp hình ảnh Giai đoạn 2: Phân lớp Để phân lớp tầng kết nối đầy đủ gồm tầng: tầng dày đặc (Dense) tầng bỏ học (Dropout) a) Tầng dày đặc: Tầng thực kết nối tầng với tầng khác theo kiểu chuyển tiếp Đối với tầng, đồ đặc trưng tầng trước sử dụng làm đầu vào cho tầng sau Tầng dày đặc có lợi tăng cường đặc trưng mạnh, giảm gradient, khuyến khích sử dụng lại đặc trưng làm giảm đáng kể số lượng tham số [12] Tầng có hai hàm ReLU Softmax, hàm ReLU chuyển đổi giá trị âm thành 0, hàm Softmax thường hàm phi tuyến dùng để phân loại ảnh b) Tầng bỏ học: Trong tầng này, số số lượng liệu bỏ qua ngẫu nhiên từ lớp ẩn trình học Điều giúp phá vỡ phụ thuộc hoi xảy liệu học Bỏ học cách tiếp cận để bình thường hóa mạng CNN giúp giảm học phụ thuộc lẫn nơron Kết tầng kết nối đầy đủ gán nhãn phân loại cho ảnh thuộc bốn loại xuất huyết não: tụ máu màng cứng, tụ máu màng cứng, xuất huyết nhện, xuất huyết não B Pha 2: Phân vùng xác định thời gian xuất huyết dựa số HU Như trình bày pha 1, ảnh não gán nhãn loại xuất huyết Tuy nhiên, bác sĩ cần biết thơng tin quan trọng khác vùng xuất huyết thời gian xuất huyết để có phát đồ điều trị kịp thời Vì vậy, chúng tơi đề xuất pha để tính tốn giá trị HU để phân vùng xác định thời gian xuất huyết não Kết thúc giai đoạn 1, ảnh gán nhãn xuất huyết theo bốn loại máu tụ màng cứng, máu tụ màng cứng, xuất huyết nhện, xuất huyết nội sọ Để xác định vùng thời gian xuất huyết não, đề xuất sử dụng kỹ thuật phân vùng dựa vào số HU trình bày phần D E IV KẾT QUẢ Chúng thực nghiệm tập liệu 138 ảnh MRI sọ não theo chuẩn Dicom bệnh nhân thu thập từ bệnh viện Trường Đại học Y Dược Cần Thơ Vấn đề quan trọng hàng đầu phương pháp tập liệu huấn luyện Nó sử dụng để phục vụ q trình học, tính tốn tham số, huấn luyện tinh chỉnh mơ hình Chúng tơi xây dựng hệ thống tương tác với chuyên gia, bác sĩ chuyên ngành bệnh viện để hình thành tập liệu huấn luyện gán nhãn trước Vì vậy, tập liệu huấn luyện gán nhãn từ ý kiến chuyên gia bác sĩ chuyên ngành Tập liệu gồm 138 ảnh cụ thể sau: Bảng Tập liệu ảnh MRI theo chuẩn Dicom sọ não Phân loại Số lượng Máu tụ cứng 18 Máu tụ màng cứng 23 Xuất huyết nhện 12 Xuất huyết nội sọ 85 Với tập liệu này, chọn ngẫu nhiên 70% ảnh để huấn luyện 30% ảnh cho trình kiểm tra Số lần mạng huấn luyện 100 lần Hệ thống cài đặt ngơn ngữ Python chạy máy tính có xử lý đồ họa Graphic Proccessing Unit (GPU) Sau số kết kiểm tra thực nghiệm đạt từ phương pháp đề xuất Phân lớp ảnh xuất huyết não áp dụng phương pháp đề xuất với số lượng tầng khác Để đạt kết thực nghiệm trên, kiểm thử mô hình với số tầng khác Sau so sánh kết đạt sử dụng số lượng tầng khác mơ hình Phan Anh Cang, Phan Thượng Cang, Nguyễn Thị Mỹ Nga 85 Hình Kết thực nghiệm thay đổi số tầng mơ hình CNN Trong hình 9, số lượng tầng biểu diễn trục hoành đồ thị, trục tung thể độ xác (%) phân lớp tương ứng với số tầng Từ hình thấy lần thực nghiệm thay đổi số tầng khác mơ hình kết phân lớp thay đổi Chẳng hạn, trường hợp tầng tích chập, tầng tổng hợp, tầng Dense tầng Dropout cho kết phân lớp với độ xác 100% tập huấn luyện 89.9% tập kiểm tra Từ kết thực nghiệm, dừng thực nghiệm mơ hình với số lượng tầng tích chập số lượng tầng lớn tốn nhiều thời gian huấn luyện kết độ xác phân lớp khơng tăng biểu diễn biểu đồ hình 11 Hình 10 Thời gian thực nghiệm thay đổi số lớp mơ hình CNN Theo hình 10, trục hồnh thể số tầng mơ hình Tương ứng với giá trị trục hồnh, thời gian huấn luyện (tính đơn vị giây) thể trục tung Chúng ta thấy từ mơ hình với tầng tích chập, tầng tổng hợp trở sau thời gian thực tăng nhanh lớn mơ hình trước với số tầng thấp độ xác phân lớp Vì vậy, chúng tơi chọn mơ hình đề xuất với tầng tích chập, tầng tổng hợp, tầng dày đặc tầng bỏ học Hình 11 Kết thực nghiệm 86 CHUẨN ĐOÁN XUẤT HUYẾT NÃO DỰA TRÊN CHỈ SỐ HOUNSFIELD VÀ KỸ THUẬT MẠNG NƠRON TÍCH CHẬP Hình 11 biểu diễn độ xác phân lớp với 100 lần huấn luyện mạng nơron (chia tập liệu với tỉ lệ 70% học, 30% kiểm tra) Nếu số lần học thấp, độ xác phân lớp ảnh xuất huyết não thấp Độ xác bắt đầu tăng dần ổn định từ giá trị 80 đến 100 lần học Vì vậy, chúng tơi ngừng huấn luyện lần học thứ 100 Từ kết trình bày hình 9, 10, 11, chúng tơi đề xuất mơ hình thực nghiệm với tầng tích chập, tầng tổng hợp, tầng Dense tầng Dropout Xác định vùng thời gian xuất huyết não Sau xác định loại xuất huyết não, phương pháp đề xuất xác định rõ vùng thời gian xuất huyết não ảnh giúp bác sĩ dễ dàng tập trung vào vùng xuất huyết để điều trị Chúng so sánh phương pháp phân vùng có kết hình 12, 13 14 Hình 12 Kết phân loại xuất huyết não dựa HU phương pháp đề xuất Hình 13 Kết phân vùng xuất huyết dùng thuật toán FBB (fast bounding box) [16] Một số phương pháp phân vùng dựa kỹ thuật Deep Learning [16] ngưỡng mức xám pixel ảnh (thuật toán Otsu Otsu cải tiến [17], [18]) cho kết phân vùng xuất huyết não chưa xác so với thuật tốn đề xuất dựa giá trị HU biểu diễn hình 12 13 Hình 13 cho thấy vùng xuất huyết xác định vùng khoanh chữ nhật phương pháp xác định xác vùng xuất huyết Đây vùng có số HU từ 40 - 90 Hơn nữa, giá trị HU sử dụng để xác định thời gian xuất huyết não phương phap đề xuất chúng tơi Hình 14 biểu diễn vùng xuất huyết não xảy thời gian từ 1-3 ngày HU có giá trị từ 50 - 60 50