Nghiên cứu này đã đề xuất mô hình Deep Convolutional X-ray GAN bằng cách sử dụng đặc trƣng phân biệt đƣợc trích xuất từ một bộ trích xuất độ đo để thực hiện ánh xạ dựa trên một ảnh điều kiện. Mô hình có thể sinh ra nhiều ảnh mới với biến thể đa dạng và mang đặc trƣng tƣơng tự với ảnh điều kiện. Ngoài ra, mô hình DC-GAN có thể sinh ảnh mới cho tập dữ liệu thuộc những lớp không đƣợc quan sát. Các thực nghiệm đƣợc tiến hành cho thấy khả năng tổng hợp dữ liệu ảnh X-quang lồng ngực đa dạng và giống ảnh thật, đồng thời cải thiện hiệu suất cho bài toán phân loại ảnh Xquang lồng ngực từ mô hình đề xuất so với các mô hình khác.
Công việc tƣơng lai của nhóm là tiếp tục nghiên cứu cải tiến các mô hình hiện có và mô hình đã đề xuất nhằm tăng hiệu suất phân loại bệnh lý dựa trên ảnh X-quang lồng ngực tốt hơn.
68
PHỤ LỤC
- ChestX-ray8: Cơ sở dữ liệu X-quang ngực quy mô bệnh viện và các điểm chuẩn về phân loại đƣợc giám sát yếu và xác định vị trí của các bệnh thƣờng gặp ở lồng ngực.
69
TÀI LIỆU THAM KHẢO
Tiếng Việt
[1] Trần Hoàng Phát, Phạm Mạnh Cƣờng, Trần Đình Toàn, Hoàng Tùng, Lê Minh Hƣng, Tăng cƣờng dữ liệu ảnh cho bộ dữ liệu X-Quang phổi sử dụng Mạng sinh đối nghịch, Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), 8-9/10/2020.
Tiếng Anh
[2] Antoniou, Antreas, Amos Storkey, Harrison Edwards, "Data augmentation generative adversarial networks", arXiv preprint arXiv:1711.04340, 2017.
[3] Clouâtre, Louis, Marc Demers, "FIGR: Few-shot image generation with reptile", arXiv preprint arXiv:1901.02199, 2019.
[4] Xiaosong Wang, Yifan Peng, Le Lu, Zhiyong Lu, Mohammadhadi Bagheri, Ronald Summers,ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases, IEEE CVPR, pp. 3462-3471, 2017
[5] Hoo-chang Shin, Kirk Roberts, Le Lu, Dina Demner-Fushman, Jianhua Yao,
Ronald M.
Summers, Learning to Read Chest X-Rays: Recurrent Neural Cascade Model for Automated