tăng cường dữ liệu bởi mô hình sinh ảnh.
Để đánh giá hiệu quả của việc tạo các ảnh nội soi giả lập có chứa polyp như một công cụ tăng cường dữ liệu cho hệ thống học sâu phân vùng polyp, luận án đã thực hiện cài đặt mô hình học sâu phân vùng polyp, huấn luyện mô hình với bộ dữ liệu nội soi chuẩn được gán nhãn phân vùng polyp bởi các chuyên gia chẩn đoán hình ảnh nội soi và bộ dữ liệu bao gồm các các mẫu dữ liệu của bộ dữ liệu ảnh nội soi chuẩn và các ảnh nội soi giả lập có polyps được tạo ra bởi phương pháp sinh dữ liệu ảnh nội soi đã đề xuất. Sau đó so sánh các kết quả đạt được. Mô hình học sâu phân vùng polyp trên ảnh nội soi sử dụng phương pháp
101
học chuyển giao (Transfer learning) và sử dụng kiến trúc mạng UNet [59] điều chỉnh với bộ mã hóa là mạng ResNet101 [25] được huấn luyện trước bằng bộ dữ liệu ảnh tự nhiên ImageNet. Hình 4.9. biểu diễn mô hình học sâu phân vùng polyp dựa trên ảnh nội soi đại tràng được sử dụng trong nghiên cứu.
Hình 4.9. Mô hình học sâu phân vùng polyp trên ảnh nội soi đại tràng Mô hình phân vùng polyp được huấn luyện sử dụng hai bộ dữ liệu huấn luyện khác nhau: một là sử dụng bộ CVC-ClinicDB, hai là sử dụng bộ dữ liệu huấn luyện mới bao gồm các mẫu trong bộ CVC-ClinicDB và các ảnh nội soi giả lập có polyp do mô hình sinh ảnh nội soi đại tràng chứa polyp tạo ra. Bộ dữ liệu huấn luyện được chia theo tỉ lệ 8:2 cho tập huấn luyện (train set) và tập validation. Sau khi huấn luyện thu được 2 bộ tham số tối ưu khác nhau của mô hình. Luận án đã đánh giá kết quả phân vùng polyp của mô hình với từng bộ tham số đó trên 2 bộ dữ liệu kiểm thử: ETIS-LaribPolypDB, bộ CVC-ColonDB và so sánh kết quả đạt được. Các mô hình được huấn luyện 5 lần mỗi lần 200 epoch và kết quả đánh giá được lấy trung bình của 5 lần.
Bảng 4.1 trình bày kết quả đánh giá độ chính xác trên bộ dữ liệu kiểm thử CVC-ColonDB. Bảng 4.2 trình bày kết quả đánh giá độ chính xác trên bộ dữ liệu kiểm thử ETIS-Larib. Các bảng kết quả này cho thấy điểm số Dice và IoU của mô hình phân vùng polyp được cải thiện khi dữ liệu huấn luyện được tăng cường thêm các ảnh nội soi giả lập. Kết quả trên bộ CVC-ColonDB chỉ số tăng lên là 2,1% với hệ số Dice và 3,0% với IoU. Trong khi đó, kết quả trên bộ ETIS-Larib đạt được tăng 1,19% điểm số Dice và 2,69% với IoU.
Bảng 4.1. Kết quả tăng cường dữ liệu huấn luyện trên bộ dữ liệu kiểm thử CVC-ColonDB Dữ liệu huấn luyện CVC-ClinicDB CVC-ClinicDB+ Ảnh giả lập
Bảng 4.2. Kết quả tăng cường dữ liệu huấn luyện trên bộ dữ liệu kiểm thử ETIS-Larib
Dữ liệu huấn luyện
CVC-ClinicDB
CVC-ClinicDB+ Ảnh giả lập
Bảng 4.3. So sánh kết quả tăng cường dữ liệu với số lượng dữ liệu tăng cường khác nhau trên bộ dữ liệu kiểm thử CVC-ColonDB
Dữ liệu huấn luyện
CVC-ClinicDB
CVC-ClinicDB+ 100 ảnh giả lập
CVC-ClinicDB+ 200 ảnh giả lập
Bảng 4.4. So sánh kết quả tăng cường dữ liệu với số lượng dữ liệu tăng cường khác nhau trên bộ dữ liệu kiểm thử ETIS-Larib
Dữ liệu huấn luyện
CVC-ClinicDB
CVC-ClinicDB+ 100 Ảnh giả lập CVC-ClinicDB+ 200 Ảnh giả lập CVC-ClinicDB+ 300 Ảnh giả lập
Trong thí nghiệm trên 300 ảnh tổng hợp được sinh bởi mô hình sinh ảnh nội soi đại tràng chứa polyp được sử dụng để tăng cường dữ liệu cho mô hình học sâu phân vùng polyp. Để đánh giá ảnh hưởng của số lượng ảnh giả lập tăng cường tới độ chính xác của mô hình phân vùng polyp, mô hình phân vùng polyp được huấn luyện với các tập dữ liệu khác nhau như sau: Bộ dữ liệu 1 gồm 612 ảnh nội soi đại tràng có gán nhãn polyp mask của bộ CVC- ClinicDB, Bộ dữ liệu 2 gồm CVC-ClinicDB và 100 ảnh giả lập, Bộ dữ liệu 3 gồm CVC-ClinicDB và 200 ảnh giả lập, Bộ dữ liệu 4 gồm CVC-ClinicDB và 300 ảnh giả lập. Các mô hình sau khi huấn luyện được kiểm thử trên các bộ dữ liệu ETIS-LaribPolypDB và CVC-ColonDB.
Bảng 4.3 trình bày các kết quả kiểm thử trên bộ dữ liệu ETIS- LaribPolypDB. Bảng 4.4 trình bày các kết quả kiểm thử trên bộ CVC- ColonDB. Từ kết quả này có thể rút ra kết luận nhìn chung khi số lượng ảnh giả lập đưa vào huấn luyện tăng thì các độ đo Dice và IoU của mô hình phân vùng tăng lên, tức là độ chính xác của hệ thống phân vùng tốt lên.