Đang tải... (xem toàn văn)
Bài viết trình bày việc tiến hành thử nghiệm các phương pháp xác định vị trí nốt phổi trên ảnh cắt lớp vi tính dựa trên các kiến trúc học sâu tiên tiến, bao gồm Faster R-CNN, YOLOv3 và RetinaNet. Các kết quả thực nghiệm cho thấy sử dụng phương pháp RetinaNet cho kết quả tốt nhất giúp xác định vị trí nốt phổi trên ảnh chụp cắt lớp vi tính.
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.2020.00209 SỬ DỤNG MƠ HÌNH HỌC SÂU TRONG HỖ TRỢ XÁC ĐỊNH VỊ TRÍ CÁC NỐT PHỔI TRÊN ẢNH CẮT LỚP VI TÍNH Trần Giang Sơn1,*, Herbreteau Tom1, Nguyễn Chí Cường1, Nghiêm Thị Phương1 Đỗ Oanh Cường1, 2, Nguyễn Huy Đức2 ICTLab, Trường Đại học Khoa học Công nghệ Hà Nội, Viện Hàn lâm Khoa học Công nghệ Việt Nam DS Lab - Khoa Công nghệ thông tin, Trường Đại học Thuỷ Lợi tran-giang.son@usth.edu.vn, herbreteau.tomh@gmail.com, cuongnc@st.usth.edu.vn, nghiem-thi.phuong@usth.edu.vn, cuongdo@tlu.edu.vn, ducnghuy@tlu.edu.vn TÓM TẮT: Ung thư phổi loại ung thư chiếm hàng đầu tỷ lệ mắc tử vong toàn giới Tuy nhiên, ung thư phổi phát sớm hội chữa khỏi cao Các mơ hình học sâu hỗ trợ xác định vị trí nốt phổi ảnh chụp cắt lớp vi tính cách hiệu Trong báo này, tiến hành thử nghiệm phương pháp xác định vị trí nốt phổi ảnh cắt lớp vi tính dựa kiến trúc học sâu tiên tiến, bao gồm Faster R-CNN, YOLOv3 RetinaNet Các kết thực nghiệm cho thấy sử dụng phương pháp RetinaNet cho kết tốt giúp xác định vị trí nốt phổi ảnh chụp cắt lớp vi tính Từ khóa: Ung thư phổi, nốt phổi, học sâu, ảnh cắt lớp vi tính I GIỚI THIỆU Ung thư phổi (UTP) bệnh lý ác tính xuất phát từ biểu mô niêm mạc phế quản, phế nang, từ tuyến phế quản từ thành phần khác phổi UTP loại ung thư chiếm vị trí hàng đầu tỷ lệ mắc tỷ lệ tử vong toàn giới Theo thống kê gần hiệp hội quốc tế nghiên cứu ung thư (IARC) sở liệu GLOBOCAN 2018 [1], ung thư phổi ung thư vú nữ giới dẫn đầu số ca chẩn đoán mắc mới; với loại, ước tính khoảng 2,09 triệu ca mắc phát năm 2018, chiếm đến 11,6 % tất loại ung thư Ung thư phổi loại ung thư gây tử vong nhiều (1,76 triệu ca tử vong, chiếm 18,4 % tất loại ung thư) Ở Việt Nam, năm 2018, ung thư phổi chiếm vị trí số hai số ca mắc (23.667 ca, chiếm 14,4 % tổng số ca mắc) số ca tử vong (20.710 ca, chiếm 18,0% tổng số ca tử vong) [1] Ung thư phổi chia làm hai dạng ung thư phổi tế bào nhỏ, chiếm 15 % ung thư phổi không tế bào nhỏ, chiếm 85 % Loại khơng tế bào nhỏ giai đoạn sớm có tỷ lệ khỏi bệnh cao, 92 % sống năm khối u kích thước cm, % sống sau năm di xa Tuy nhiên theo đánh giá giới chun mơn nước ta hầu hết bệnh nhân phát bệnh ung thư phổi giai đoạn cuối, có khả chữa khỏi bệnh hồn tồn Tuy nhiên, ung thư phổi phát sớm hội chữa khỏi cao, lên đến 90 % Chính vậy, việc phát nhận dạng vị trí khối u giai đoạn đầu cần thiết, giảm tỷ lệ tử vong cho người bệnh Các mơ hình học máy, học sâu coi cơng cụ hỗ trợ bác sĩ việc phát nhận dạng vị trí nốt, khối u phổi phim chụp X quang, cắt lớp vi tính Phim chụp X quang sử dụng từ lâu chẩn đoán ung thư phổi sử dụng nhiều sở y tế Tuy nhiên, bác sĩ X quang khó phát chẩn đốn ung thư phổi hình ảnh thu phim X quang phổi thường có nhiều mô nằm chồng lên nhau, diện khối u ung thư thường bị che khuất xương sườn, phế quản, mạch máu cấu trúc giải phẫu bình thường khác Ngồi ra, bóng khối u ung thư phim chụp X quang thường mơ hồ có xu hướng bị bỏ sót [2] Với ảnh chụp cắt lớp vi tính (CLVT), nốt phổi thường phát với hình ảnh “đốm trắng” “bóng mờ” phổi, có dạng hình trịn có mật độ so với nhu mơ phổi bình thường Các nốt phổi thường vết sẹo nhu mơ phổi tình trạng nhiễm trùng không triệu chứng tự lành trước chất kích thích khơng khí Nốt phổi biểu ung thư phổi giai đoạn sớm (với nốt có kích thước < 30 mm) Với nốt có kích thước >= 30 mm gọi khối u phổi Ảnh chụp CLVT đa dãy lồng ngực thực với lát cắt mỏng 3-5 mm, tái tạo dựng hình, có độ phân giải cao, cho phép phát chẩn đốn tổn thương có kích thước nhỏ phổi [3] Điều khiến cho chụp CLVT sử dụng chẩn đốn ung thư phổi giai đoạn sớm Việc ứng dụng mơ hình học máy, học sâu hỗ trợ bác sĩ việc phát nhận dạng vị trí nốt phổi nhà khoa học nước quan tâm nghiên cứu Chẳng hạn, Huang cộng [4] đề xuất sử dụng phương pháp mơ hình hố nốt mạch máu mơ hình suy diễn Bayes, kết hợp với mạng nơron tích chập (Convolutional Neural Network - CNN) chiều phục vụ bước phân loại ứng viên nốt phổi hay không Các tác giả khác Winkels Taco [5] đề xuất sử dụng phương pháp dịch chuyển roto nhóm tích chập chiều (3D rototranslation group convolutions) khơng cải thiện so với mơ hình CNN thơng thường độ xác, độ nhạy mà tốc độ huấn luyện tốc độ hội tụ Tuy giới có nhiều nghiên cứu ứng dụng mơ hình học sâu cho tốn xác định nhận dạng nốt phổi ảnh cắt lớp vi tính, Việt Nam nghiên cứu theo hướng * Tác giả liên hệ: Trần Giang Sơn, tran-giang.son@usth.edu.vn Trần Giang Sơn, Herbreteau Tom, Nguyễn Chí Cường, Nghiêm Thị Phương, Đỗ Oanh Cường, Nguyễn Huy Đức 525 nhiều hạn chế, gây khó khăn cho việc phát triển phần mềm tự động xác định nhận dạng nốt phổi để hỗ trợ bác sĩ Vì lý trên, đóng góp báo trình bày việc áp dụng mơ hình học sâu tiên tiến việc phát nhận dạng vị trí nốt phổi ảnh chụp cắt lớp vi tính, từ chọn phương pháp tối ưu Ý nghĩa nghiên cứu hỗ trợ có hiệu việc xây dựng hệ thống sàng lọc sớm ung thư phổi Việt Nam Phần báo tổ chức sau: phần II, chúng tơi trình bày mơ hình học sâu sử dụng nghiên cứu Phần III trình bày số kết thực liệu thực đánh giá hiệu mơ hình học sâu trình bày Cuối cùng, phần IV kết luận trình bày hướng phát triển thời gian tới II MỘT SỐ MƠ HÌNH HỌC SÂU 2.1 Bài tốn xác định vị trí nốt phổi ảnh cắt lớp vi tính Bài tốn xác định vị trí nốt phổi ảnh CLVT (Hình 1) bắt nguồn từ tốn tìm kiếm đối tượng ảnh, mở rộng cho trường hợp liệu ảnh chụp CLVT Bài tốn tìm kiếm vị trí nốt phổi ảnh CLVT có đầu vào ảnh CLVT (cột trái), đầu danh sách đường bao (bounding box) quanh ứng viên nốt phổi có ảnh (cột phải) Với đường bao, mơ hình xác định vị trí nốt phổi (cột giữa) đưa dự đoán (dưới dạng xác suất) xem đối tượng đường bao có phải nốt phổi khơng Đây tốn học có giám sát (supervised learning) Mơ-đun hiệnvàvà Mơđun phát phát nhận dạng vị trí, kích nhận dạng vị trí, kích thước nốt, khối u phổi thước nốt, khối u phổi Ảnh CLVT Hình Bài tốn xác định nốt phổi ảnh CLVT 2.2 Một số mô hình học sâu giải tốn xác định vị trí nốt phổi ảnh cắt lớp vi tính a Mơ hình Faster R-CNN Faster R-CNN (Faster Region-based Convolutional Neural Network) [6] mơ hình tìm kiếm nhận dạng đối tượng phổ biến học sâu dựa việc xác định “Đề xuất vùng” (Region Proposal) Mỗi region proposal hình chữ nhật (tương tự bounding box) chứa đối tượng cần tìm kiếm Faster R-CNN kết hợp mạng nơ ron tích chập (Convolutional Neural Network - CNN) mạng đề xuất vùng (Region Proposal Network RPN) (Hình 2) Cụ thể, từ ảnh đầu vào, mạng CNN cho đồ đặc trưng (Feature map) chứa đặc tính ảnh Các vùng đề xuất (Region proposal) sau lấy tương ứng từ đồ đặc trưng sử dụng mạng đề xuất vùng (RPN) Mạng RPN tính tốn vùng đề xuất dùng hệ thống “neo” gọi anchors Mỗi neo tâm cửa sổ trượt (Sliding window) Khi trượt cửa sổ, có chín khả vùng đề xuất với ba dạng ba tỉ lệ khác Với tất vùng đề xuất có độ tin cậy đủ lớn, phân loại tính toán xác suất đối tượng cần xác định vùng đề xuất Kỹ thuật pooling vùng quan tâm (Region of Interest - RoI) áp dụng để chuyển vùng đề xuất đồ đặc trưng kích thước Đầu lớp pooling vùng quan tâm có kích thước (N, 7, 7, 512) với N số đề xuất từ giải thuật đề xuất vùng Cuối cùng, kết mơ hình hình bao quanh đối tượng cần xác định (Hình 2) Hình Kiến trúc mạng Faster R-CNN [6] SỬ DỤNG MÔ HÌNH HỌC SÂU TRONG HỖ TRỢ XÁC ĐỊNH VỊ TRÍ CÁC NỐT PHỔI TRÊN ẢNH… 526 b Mơ hình RetinaNet Mơ hình RetinaNet [7] đề xuất phát triển tác giả nhóm nghiên cứu Facebook (Facebook AI Research – FAIR) để tìm kiếm nhận đối tượng ảnh (Hình 3) Lõi RetinaNet mạng kim tự tháp đặc trưng (Feature Pyramid Network, gồm (a) (b) Hình 3) Mạng FPN gồm phần là: (a) mạng nơ ron tích chập lên (bottom-up) tạo thành kim tự tháp (pyramid) để trích rút đặc trưng ảnh sinh đồ đặc trưng (feature map) nhỏ dần; (b) mạng kim tự tháp đặc trưng xuống (top-down) để xây dựng lớp tích chập có độ phân giải cao từ đồ đặc trưng nhỏ có độ xác cao Có tầng kết nối đồ đặc trưng lớp tích chập xuống (top-down) để giúp q trình tìm kiếm dự đốn vị trí đối tượng thực tốt Tuy nhiên kết nối bỏ qua để phục vụ cho trình huấn luyện mơ hình nhanh Mơ hình FPN dựa ý tưởng tìm kiếm pha (Single Shot Detector - SSD [8]) tức việc dự đoán đường bao (bounding box) phân loại đối tượng thực đồng thời class+box subnets + class+box subnets + class+box subnets class subnet box subnet (a) ResNet (b) feature pyramid net W×H ×256 ×4 W×H ×256 W×H ×KA W×H ×256 ×4 W×H ×256 W×H ×4A (c) class subnet (top) (d) box subnet (bottom) Hình Kiến trúc mạng RetinaNet [7] Ngồi lõi mơ hình FPN, RetinaNet có hai mạng là: (c) class subnet (d) box subnet Mạng thứ (class subnet) phân loại để dự đoán xác suất xuất đối tượng cần xác định Hàm thất thoát Focal Loss sử dụng để giảm việc phân loại sớm mẫu (việc giúp cải tiến độ xác cho việc phân loại đối tượng kích thước nhỏ) Mạng thứ hai (box subnet) mạng hồ quy dựa khái niệm “neo” (anchor) để xác định đường bao quanh đối tượng cần xác định c Mơ hình YOLOv3 Hình Cách thức hoạt động YOLO [11] YOLO (You Only Look Once) [11] phương pháp tìm kiếm pha (single shot detector) để dị tìm vị trí đối tượng ảnh tối ưu để xử lý cho thời gian thực YOLO sử dụng mạng lõi DarkNet để tạo đồ đặc trưng (feature map) ảnh Ý tưởng chỉnh YOLO sử dụng mạng nơ ron để thực hầu hết tính tốn quan trọng (Toạ độ độ tin cậy đường bao, xác suất phân loại đối tượng) YOLO sử dụng lưới ô dự đốn đối tượng (Hình 4) Để đưa kết tìm kiếm, mơ hình dựa đồ xác suất phân loại đối tượng (class probability map) đường bao có độ tin cậy cao (Hình 4) Mạng lõi huấn luyện sẵn YOLO DarkNet, đồng thời phiên sử dụng DarkNet thay đổi theo phiên YOLO Trần Giang Sơn, Herbreteau Tom, Nguyễn Chí Cường, Nghiêm Thị Phương, Đỗ Oanh Cường, Nguyễn Huy Đức 527 III KẾT QUẢ THỰC NGHIỆM 3.1 Mô tả thực nghiệm Bộ liệu huấn luyện kiểm thử Nhóm nghiên cứu sử dụng liệu mẫu quốc tế LUNA16 [13] để chạy kết thực nghiệm Tất ảnh CLVT liệu LUNA16 có độ chi tiết cao với độ dày lát cắt khơng q 2,5 mm Tổng cộng có 888 ảnh CLVT tập liệu LUNA Một nốt phổi có kích thước khoảng từ 3-30 mm, gán nhãn đồng thuận chuyên gia chẩn đốn hình ảnh Từ tập liệu LUNA16, nhóm nghiên cứu trích xuất tổng cộng 2.372 ảnh, có 1.186 ảnh có nốt phổi 1.186 ảnh khơng có nốt phổi Tập liệu chia thành tập: (1) tập liệu huấn luyện (95 %, tương đương 2.262 ảnh) (2) tập liệu kiểm thử (5 %, tương đương 110 ảnh) Tiền xử lý liệu Với tập liệu huấn luyện (gồm 2.262 ảnh ban đầu), nhóm nghiên cứu tiến hành tăng cường liệu (data augmentation) Tăng cường liệu phương pháp sinh thêm liệu từ liệu sẵn có, thực nhằm tăng độ xác mơ hình học sâu, học sâu thường xuyên thiếu liệu để huấn luyện Do đặc thù ảnh CLVT với mục đích tìm kiếm nốt phổi, việc biến dạng ảnh gây ảnh hưởng đến hình dạng nốt phổi, làm tăng lỗi q trình tìm kiếm Do vậy, nhóm nghiên cứu thực phép biến đổi bất biến dạng, chẳng hạn lật theo trục ngang (vertical flipping), lật theo trục thẳng đứng (horizontal flipping), lật hai trục (both flip), xoay ±15o, xoay ±30o Hình thể ví dụ kết tăng cường liệu từ ảnh đầu vào Hình Ví dụ ảnh đầu vào có nốt phổi ảnh sinh Từ trái qua phải: Ảnh gốc, ảnh lật theo trục thẳng đứng (horizontal flipping), ảnh lật theo trục ngang (vertical flipping), ảnh lật theo hai trục (both flipping), xoay -15o, xoay -30o Như vậy, từ 2.262 ảnh ban đầu tập liệu huấn luyện, nhóm nghiên cứu sinh thêm 15.834 ảnh với phương pháp tăng cường liệu Tổng cộng, liệu huấn luyện có 18.096 ảnh Cấu hình phần cứng phần mềm Nhóm nghiên cứu huấn luyện kiểm thử mơ hình học sâu máy chủ nội trang 02 xử lý CPU Xeon E5 2620 v3 (mỗi xử lý gồm nhân), 128 GB RAM card đồ họa NVIDIA Tesla K80 (mỗi card gồm 2496 nhân CUDA 12GB nhớ) Nhóm cài đặt thử nghiệm ngơn ngữ lập trình Python 3.6, chạy hệ điều hành Debian 10.3 Cấu hình tham số thử nghiệm cho mơ hình Mơ hình Faster R-CNN huấn luyện với tốc độ học (learning rate) 10-5 thuật toán tối ưu Adam [9] Mạng CNN mạng huấn luyện sẵn (pretrained model) mạng ResNet50 [10] để sinh đồ đặc trưng Các thông số liên quan đến neo gồm: cho khoảng cách anchor, 128, 256 512 cho kích thước anchor với anchor có tỉ lệ 1:1, 1:2 2:1 Kích thước bó (batch size) phân loại RPN 32 số lượng epoch để huấn luyện mơ hình 100 Mơ hình RetinaNet huấn luyện với tốc độ học 10-5 thuật toán tối ưu Adam [9] Mạng ResNet50 [10] sử dụng mạng nơ ron tích chập lên (bottom-up) lõi FPN số lượng epoch để huấn luyện mơ hình 50 Đối với mơ hình YOLO, nhóm nghiên cứu lựa chọn phiên (YOLOv3) giới thiệu tác giả [12] cho kết kết tốt YOLOv1 đối tượng nhỏ Lý để sử dụng mơ hình nốt phổi ảnh cắt lớp vi tính có kích thước nhỏ, từ 3-30 mm Số lượng epoch để huấn luyện mơ hình 50 Độ đo đánh giá Để đánh giá hiệu mơ hình học sâu tiên tiến trình bày cho tốn xác định vị trí nốt phổi ảnh cắt lớp vi tính, nhóm nghiên cứu sử dụng phép đo sau: ● ● ● ● Trong đó: True Positive (TP) = số trường hợp dự đoán nốt phổi ( ); False Positive (FP) = số trường hợp dự đốn nốt phổi cho mơ khơng phải nốt phổi; True Negative (TN) = số trường hợp dự đoán khơng có nốt phổi; False Negative (FN) = số trường hợp dự đoán thiếu khối nốt phổi (mặc dù thực tế có) 528 SỬ DỤNG MƠ HÌNH HỌC SÂU TRONG HỖ TRỢ XÁC ĐỊNH VỊ TRÍ CÁC NỐT PHỔI TRÊN ẢNH… 3.2 Kết thực nghiệm Đánh giá mức độ hội tụ q trình huấn luyện mơ hình Trước tiên nhóm nghiên cứu đánh giá mức độ hội tụ q trình huấn luyện mơ hình: Faster R-CNN, YOLOv3 RetinaNet, thể qua độ xác đạt q trình huấn luyện Hình Độ xác q trình huấn luyện mơ hình Faster R-CNN Hình cho thấy mơ hình Faster R-CNN hội tụ nhanh, đạt độ xác khoảng 60,5-63 % khoảng 10.000 bước Đây mô hình có độ hội tụ nhanh mơ hình nhóm thử nghiệm Ngồi ra, độ xác cao huấn luyện Faster R-CNN đạt khoảng 70 %, khoảng 400.000 bước huấn luyện Hình Độ xác q trình huấn luyện mơ hình YOLOv3 Hình cho thấy mơ hình YOLOv3 hội tụ khoảng 100.000 bước đạt tốt khoảng 90,5 % với 400.000 bước huấn luyện Tuy nhiên, mơ hình YOLO3 có dấu hiệu overfit bước huấn luyện thứ 400.000 độ xác đạt 90,9 % giảm xuống sau Hình Độ xác q trình huấn luyện mơ hình RetinaNet Trần Giang Sơn, Herbreteau Tom, Nguyễn Chí Cường, Nghiêm Thị Phương, Đỗ Oanh Cường, Nguyễn Huy Đức 529 Hình cho thấy mơ hình RetinaNet hội tụ nhanh khoảng 100.000 bước huấn luyện Độ xác tối đa mơ hình đạt sau khoảng 500.000 bước 92,73 % So sánh độ xác, độ nhạy độ đặc hiệu mơ hình: Bảng Tổng hợp kết đánh giá hiệu mơ hình tập liệu kiểm thử Độ xác Độ nhạy Độ đặc hiệu Faster R-CNN 70,00 % 92,86 % 46,30 % YOLOv3 90,91 % 87,50 % 88,14 % RetinaNet 92,73 % 94,12 % 98,15 % Mơ hình Faster R-CNN Bảng cho thấy khả phân biệt nốt phổi mơ khơng phải nốt phổi mơ hình Faster R-CNN chưa thực tốt Có nhiều dự đốn nốt phổi thực tế lại khơng phải nốt phổi (False Positive cao) Tuy nhiên, thảo luận trên, mơ hình dựa Faster R-CNN đạt mục tiêu “thà bắt nhầm bỏ sót” Chúng ta thấy độ nhạy mơ hình Faster R-CNN tốt (đạt khoảng 92,9 %), có nghĩa mơ hình dự đốn trường hợp dương tính, có 92,9 % hội Độ đặc hiệu đạt khoảng 46,30 %, nghĩa mơ hình dự đốn sai nhiều trường hợp âm tính Độ xác đạt 70 %, thấp phương pháp lại Faster R-CNN cho thấy kết chưa đủ mạnh cho tốn tìm kiếm phát nốt phổi YOLOv3 Với nhìn tổng quan, thấy giá trị độ xác, độ nhạy độ đặc hiệu sát Như kết luận mơ hình ổn định học từ liệu với khả xác định dương tính âm tính tương đồng RetinaNet Từ bảng kết thấy độ mơ hình RetinaNet cho kết độ xác, độ nhạy độ đặc hiệu cao so với hai phương pháp lại Độ nhạy RetinaNet 94,12 % tức mô hình dự đốn trường hợp dương tính có đến 94,12 % hội Ngoài ra, độ đặc hiệu RetinaNet đạt 98,15 % cho thấy mơ hình dự đốn tốt trường hợp âm tính Từ kết thực nghiệm báo này, kết luận mơ hình RetinaNet tốt cho tốn xác định vị trí nốt phổi ảnh chụp cắt lớp vi tính IV KẾT LUẬN Trong báo này, nhóm nghiên cứu tiến hành thử nghiệm phương pháp xác định vị trí nốt phổi ảnh cắt lớp vi tính dựa kiến trúc học sâu tiên tiến, bao gồm Faster R-CNN, YOLOv3 RetinaNet Các kết thực nghiệm cho thấy sử dụng phương pháp RetinaNet cho kết tốt cho toán xác định vị trí nốt phổi ảnh chụp cắt lớp vi tính Nhóm cho cịn nhiều cải tiến nâng cao chất lượng mơ hình học sâu, chẳng hạn sử dụng phương pháp tiền xử lý khác, tăng thêm lượng liệu phục vụ q trình huấn luyện mơ hình Ngồi ra, phạm vi nghiên cứu này, nhóm tập trung vào tốn xác định vị trí nốt phổi mà chưa vào phân tích nốt phổi có nguy ác tính hay khơng Đây hướng nghiên cứu nhiều tiềm V LỜI CẢM ƠN Nghiên cứu Viện Hàn lâm Khoa học Cơng nghệ Việt Nam tài trợ kinh phí phạm vi Đề tài mã số ĐL0000.05/20-22 TÀI LIỆU THAM KHẢO [1] Ferlay, J., et al “Estimating the global cancer incidence and mortality in 2018: GLOBOCAN sources and methods.” International journal of cancer 144.8 (2019): 1941-1953 [2] Del Ciello A, Franchi P, Contegiacomo A, Cicchetti G, Bonomo L, Larici AR “Missed lung cancer: when, where, and why?” Diagn Interv Radiol 2017;23(2):118-126 doi:10.5152/dir.2016.16187 [3] Rubin, Geoffrey D “Lung nodule and cancer detection in computed tomography screening.” Journal of thoracic imaging vol 30,2 (2015): 130-8 doi:10.1097/RTI.0000000000000140 [4] Huang, Xiaojie, Junjie Shan, and Vivek Vaidya “Lung nodule detection in CT using 3D convolutional neural networks.” 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017) IEEE, 2017 [5] Winkels, Marysia, and Taco S Cohen “Pulmonary nodule detection in CT scans with equivariant CNNs.” Medical image analysis 55 (2019): 15-26 [6] Shaoqing Ren et al “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks” IEEE Transactions on Pattern Analysis and Machine Intelligence 39 (June 2015) [7] Lin, T Y., Goyal, P., Girshick, R., He, K., & Dollár, P (2017) “Focal loss for dense object detection” In Proceedings of the IEEE international conference on computer vision 530 SỬ DỤNG MƠ HÌNH HỌC SÂU TRONG HỖ TRỢ XÁC ĐỊNH VỊ TRÍ CÁC NỐT PHỔI TRÊN ẢNH… [8] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C Y., & Berg, A C (2016, October) “Ssd: Single shot multibox detector” In European conference on computer vision (pp 21-37) Springer, Cham [9] Kingma, Diederik P., and Jimmy Ba “Adam: A method for stochastic optimization.” arXiv preprint arXiv:1412.6980 (2014) [10] He, Kaiming, et al “Deep residual learning for image recognition.” Proceedings of the IEEE conference on computer vision and pattern recognition 2016 [11] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A “You only look once: Unified, real-time object detection” Proceedings of the IEEE conference on computer vision and pattern recognition, 2016 [12] Redmon, Joseph, and Ali Farhadi "Yolov3: An incremental improvement." arXiv preprint arXiv:1804.02767 (2018) [13] A A A Setio, A Traverso, T De Bel, M S Berens, C van den Bogaard, P Cerello, H Chen, Q Dou, M E Fantacci, B Geurts, et al “Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: the luna16 challenge” Medical image analysis, 42: 1-13, 2017 USING DEEP LEARNING MODEL TO ASSIST IN DETERMINING LOCATION OF PULMONARY NODULES ON CT SCANS Tran Giang Son, Herbreteau Tom, Nguyen Chi Cuong, Nghiem Thi Phuong, Do Oanh Cuong, Nguyen Huy Duc ABSTRACT: Lung cancer is the leading cancer in morbidity and mortality worldwide However, lung cancer has a high chance of being cured if detected early Deep learning models can effectively assist in locating lung nodules on computed tomography scans In this paper, we use different methods for locating lung nodules on computed tomography scans based on deep learning architectures, including Faster R-CNN, YOLOv3 and RetinaNet Our experimental results show that using RetinaNet provides the best results in locating lung nodules on computer tomography scans ... thước nốt, khối u phổi thước nốt, khối u phổi Ảnh CLVT Hình Bài tốn xác định nốt phổi ảnh CLVT 2.2 Một số mô hình học sâu giải tốn xác định vị trí nốt phổi ảnh cắt lớp vi tính a Mơ hình Faster R-CNN... cùng, kết mơ hình hình bao quanh đối tượng cần xác định (Hình 2) Hình Kiến trúc mạng Faster R-CNN [6] SỬ DỤNG MÔ HÌNH HỌC SÂU TRONG HỖ TRỢ XÁC ĐỊNH VỊ TRÍ CÁC NỐT PHỔI TRÊN ẢNH? ?? 526 b Mơ hình RetinaNet... tốn xác định vị trí nốt phổi ảnh chụp cắt lớp vi tính IV KẾT LUẬN Trong báo này, nhóm nghiên cứu tiến hành thử nghiệm phương pháp xác định vị trí nốt phổi ảnh cắt lớp vi tính dựa kiến trúc học sâu