5. Ý nghĩa khoa học và thực tiễn của đề tài
2.3. Phát hiện bất thƣờng phổi trên ảnh X-quang ứng dụng học sâu
DỤNG HỌC SÂU
Bài toán phát hiện bất thƣờng phổi trên ảnh X-quang bằng các mô hình học sâu có thể đƣợc mô tả qua các bƣớc thể hiện ở hình 2.22 nhƣ sau:
Hình 2.22: Mô hình các bƣớc của bài toán
Dữ liệu đầu vào của bài toán là tập các ảnh X-quang vùng ngực đã đƣợc dán nhãn bởi các chuyên gia, bác sĩ trong lĩnh vực chẩn đoán hình ảnh có kiến thức chuyên môn và kinh nghiệm, đủ uy tín về mặt y khoa và khoa học. Tập các ảnh X-quang ngực này thuộc dữ liệu ảnh y khoa chuẩn DICOM, với các tính chất và đặc trƣng của ảnh y khoa DICOM, có thông tin bệnh nhân đi kèm.
Các bƣớc chính trong quy trình bài toán: - Bƣớc 1: Lấy dữ liệu đầu vào
- Bƣớc 2: Sử dụng các kỹ thuật nhƣ bộ lọc, khử nhiễu, làm mịn,… để tiền xử lý dữ liệu giúp dữ liệu đầu vào chuẩn và thuận tiện cho các bƣớc sau.
- Bƣớc 3: Ứng dụng các kỹ thuật xử lý ảnh nhƣ phân đoạn, phân ngƣỡng, phát hiện biên,…
- Bƣớc 4: Xác định các ứng viên vùng bất thƣờng trên ảnh đã xử lý - Bƣớc 5: Trích xuất các đặc trƣng của vùng bất thƣờng
- Bƣớc 6: Lựa chọn các đặc trƣng để đƣa vào mô hình học sâu - Bƣớc 7: Chạy mô hình học sâu
- Bƣớc 8: Đạt đƣợc kết quả phát hiện và phân loại; đánh giá kết quả
Hình 2.23: Hình ảnh X-quang ngực đƣợc xử lý trong CNN
Hình 2.23 và 2.24 lần lƣợt thể hiện các mô hình học sâu CNN và