a. Cài đặt thƣ viện
4.7 Tổng kết và hƣớng phát triển
Nghiên cứu này đã xây dựng hệ hỗ trợ chẩn đoán ung thƣ trên nhũ ảnh phân loại bệnh bằng các kĩ thuật học sâu với kết quả đạt đƣợc khả quan. Nghiên cứu này cho thấy có thể đạt đƣợc kết quả phân loại chính xác các ảnh chụp Xquang tuyến vú với một mô hình học sâu đƣợc đào tạo theo phƣơng pháp end-to-end chỉ dựa vào các chú thích ROI lâm sàng trong giai đoạn đầu.
Hƣớng nghiên cứu tiếp theo của chúng tôi để giải quyết bài toán này là tăng diện tích vùng ROI đƣợc cắt từ ảnh Mask mà bộ dữ liệu CBIS-DDSM cung cấp để tạo bộ Patch Set có đầy đủ thông tin vùng bệnh, thử nghiệm tăng cƣờng các ảnh có mật độ dày để mô hình tổng quát đƣợc các trƣờng hợp, kết hợp 2 hƣớng chụp ảnh là MLO và CC để thu đƣợc nhiều đặc trƣng hơn giúp mô hình phân loại tốt hơn. từ đó, có thể giúp cho kết quả chẩn đoán bệnh của hệ thống với độ chính xác cao hơn.
TÀI LIỆU THAM KHẢO
[2] Lehman, “National Performance Benchmarks for Modern Screening Digital Mammography: Update from the Breast Cancer Surveillance Consortium”, Radiol, số 283, pp. 49-58, 2016.
[3] Birdwell, “Mammographic characteristics of 115 missed cancers later detected with screening mammography and the potential utility of computer-aided detection 1,” Radiology , số 219, pp. 192-202, 2001.
[4] Kooi, “Large scale deep learning for computer aided detection of mammographic lesions”, Med. Image Analysis,
số 35, pp. 303-312, 2017.
[5] M. L. Jamieson, “Breast image feature learning with adaptive deconvolutional networks”, Proc. SPIE , pp. 6-13, 2012.
[6] A. G. Arevalo, “Convolutional neural networks for mammography mass lesion
classification”, In 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 797- 800, 2015.
[7] M. A. Arevalo, “Representation learning for mammography mass lesion classification with convolutional neural networks”, Comput. Methods Programs Biomed, số 127, pp. 248-257, 2016.
[8] J. A. Lévy, “Breast Mass Classification from Mammograms using Deep Convolutional Neural Networks”, arXiv preprint arXiv:1612.00542, 2016.
[9] Moreira, “INbreast: Toward a Full-field Digital Mammographic Database”, Acad. Radiol, số 19, pp. 236-248, 2012.
[10] S. Li Shen, “Deep Learning to Improve Breast Cancer Detection on Screening Mammography”, Nat., 2019.
[11] W. S. Li Shen, “Deep Learning to Improve Breast Cancer Detection on Screening Mammography,” Nat., pp. 7, 2019.
[12] K. W. Heath, “The Digital Database for Screening Mammography”, In Yaffe, M. (ed.) Proceedings of the Fifth International Workshop on Digital Mammography, pp. 212-218, Medical Physics Publishing, 2001.
[13] R. D. Lee, “Curated Breast Imaging Subset of DDSM”, The Cancer Imaging Arch, 2016.
[14] Russakovsky, “ImageNet Large Scale Visual Recognition Challenge”, Int. J. Comput. Vis., số 115, pp. 211-252, 2015.
[15] Lehman, “National Performance Benchmarks for Modern Screening Digital Mammography: Update from the Breast Cancer Surveillance Consortium”, Radiol, số 283, pp. 49-58, 2016. [16] http://vap.ac.vn/proceedingvap/proceeding/article/view/763 [17] http://vap.ac.vn/proceedingvap/proceeding/article/view/779 [18] http://vap.ac.vn/proceedingvap/proceeding/article/view/13 [19] https://viblo.asia/p/lam-quen-voi-keras-gGJ59mxJ5X2 [20] https://thorpham.github.io//blog/2018/05/25/keras/