Ngoài độ chính xác, các mô hình cũng được đánh giá dựa trên các giá trị Precision, Recall, F1: (4.5) (4.6) (4.7) Trong đó:
: Số mẫu có bệnh được dự đoán đúng
: Số mẫu không có bệnh bị dự đoán sai
: Số mẫu có bệnh bị dự đoán sai
(4.8)
Bảng 4. 2: Kết quả độ chính xác của các mô hình được thử nghiệm
Mô hình Độ chính xác Precision Recall F1
MoNet 86.84 90.52 92.11 91.3 GatedGCN 83.55 90.83 86.84 88.79 GAT 82.24 89.91 85.96 87.89 GIN 81.58 87.72 87.72 87.72 GCN 85.53 91.07 89.47 90.27 GraphSage 88.16 94.44 89.47 91.89 CNN 85.53 86.51 95.61 90.83
Có thể thấy được hiệu năng của các mạng đồ thị không kém hơn so với các mạng tích chập với độ chính xác của cao nhất của mô hình mạng nơ-ron đồ thị đạt được là 88.16% khi sử dụng mạng GraphSage. Mô hình CNN có ưu điểm đó là giá trị Recall cao thể hiện khả năng dự đoán tốt đối với các trường hợp có bệnh tuy nhiên đánh giá tổng thể qua giá trị F1 thì mô hình GraphSage cho kết quả tốt hơn. Kết quả này là sự cải thiện từ nghiên cứu trước đó của tác giả [58].
Mạng nơ-ron tích chập có ưu điểm hơn so với mạng nơ-ron thường khi làm việc với dữ liệu ảnh đó là chúng giữ được cấu trúc không gian của ảnh khi
thực hiện các phép tích chập trong quá trình huấn luyện. Mạng nơ-ron thông thường sẽ yêu cầu "trải phẳng" ma trận ảnh thành một vec-tơ trước khi tính toán đầu ra ở các lớp tiếp theo. Tuy nhiên mạng nơ-ron tích chập cũng không đưa cấu trúc không gian hay mối quan hệ giữa các pixel gần nhau vào tính toán của mạng. Mạng nơ-ron đồ thị có tính toán đến điều này bởi các ảnh bây giờ được biểu diễn dưới dạng đồ thị và các phép tích chập trên đồ thị có tiến hành cập nhật đặc trưng mỗi đỉnh dựa trên các pixel gần nhau ở khoảng cách nhất định [47].
Kết quả này mở ra một hướng tiếp cận mới cho bài toán phân loại ảnh cực, thay vì áp dụng các mạng nơ-ron tích chập thường thấy ở các bài toán phân loại ảnh thì mạng nơ-ron đồ thị cũng là một hướng đi có khả năng cải thiện kết quả của bài toán phân loại ảnh cực.
Kết luận
Từ những kết quả thực nghiệm cho thấy, việc áp dụng các mạng nơ-ron đồ thị cho chẩn đoán bệnh mạch vành dựa trên ảnh SPECT tưới máu cơ tim đem lại các kết quả khả quan. Độ chính xác khi phân loại các ảnh cực của mạng nơ- ron đồ thị có thể so sánh được với các mạng tích chập thường được áp dụng cho các bài toán phân loại ảnh.
Mạng nơ-ron tích chập vẫn có những ưu điểm nhất định khi mà tỷ lệ chẩn đoán đúng trong những ca có bệnh vẫn cao hơn mạng nơ-ron đồ thị, tuy nhiên với những cải biến thích hợp mạng nơ-ron đồ thị cũng có những tiềm năng của riêng mình.
Nghiên cứu trong luận văn áp dụng một hướng tiếp cận mới cho bài toán phân loại ảnh cực, chuyển từ phân loại ảnh sang phân loại đồ thị với khả năng cho kết quả tương đương hay có thể là tốt hơn phương pháp sử dụng các mạng nơ-ron tích chập.
Trong tương lai, các kĩ thuật cải thiện mới sẽ tiếp tục nghiên cứu để cải thiện hiệu năng của mạng nơ-ron đồ thị cho bài toán phân loại ảnh cực. Các hướng cải thiện có thể là tập trung vào việc thử nghiệm các cách thức xây dựng đồ thị từ ảnh, các kiến trúc mạng nơ-ron đồ thị khác nhau, các lớp pooling cho mạng nơ-ron đồ thị hay kết hợp đặc trưng của mạng nơ-ron tích chập vào các mạng nơ-ron đồ thị.
Tài liệu tham khảo Tiếng Anh
1. Achanta R., Shaji A., Smith K., Lucchi A., Fua P., & Süsstrunk S., (2010), “Slic superpixels”, EPFL Technical Report 149300.
2. Avelar P. H., Tavares A. R., da Silveira T. L., Jung C. R., & Lamb L. C. (2020, November), “Superpixel image classification with graph attention networks”. In 2020 33rd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI) (pp. 203-209). IEEE.
3. Betancur J., Commandeur F., Motlagh M., Sharir T., Einstein A. J., Bokhari S., ... & Slomka P. J. (2018), “Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT: a multicenter study”, JACC: Cardiovascular Imaging, 11(11), 1654-1663.
4. Boloor V., Hosadurga R., Pratap S., & Rao A. (2013), “Nuclear medicine in dentistry revisited: New avenues to explore”, Clinical Cancer Investigation Journal, 2(3), 189.
5. Bresson X., & Laurent T. (2017), “Residual gated graph convnets”, arXiv preprint arXiv:1711.07553.
6. Bruna J., Zaremba W., Szlam A., & LeCun Y. (2013), “Spectral networks and locally connected networks on graphs”, arXiv preprint arXiv:1312.6203. 7. Bruyant P. P. (2002), “Analytic and iterative reconstruction algorithms in
SPECT”, Journal of Nuclear Medicine, 43(10), 1343-1358.
8. Bruyant P. P., Sau J., & Mallet J. J. (2000), “Streak artifact reduction in filtered backprojection using a level line–based interpolation method”, Journal of Nuclear Medicine, 41(11), 1913-1919.
9. Connolly C., & Fleiss T. (1997), “A study of efficiency and accuracy in the transformation from RGB to CIELAB color space”, IEEE transactions on image processing, 6(7), 1046-1048.
10. Czaja M., Wygoda Z., Duszańska A., Szczerba D., Głowacki J., Gąsior M., & Wasilewski J. P. (2017), “Interpreting myocardial perfusion scintigraphy using single-photon emission computed tomography. Part 1”, Kardiochirurgia i torakochirurgia polska Polish journal of cardio-thoracic surgery, 14(3), 192. 11. Defferrard M., Bresson X., & Vandergheynst P. (2016), “Convolutional
neural networks on graphs with fast localized spectral filtering”, Advances in neural information processing systems, 29, 3844-3852.
12. Dempster A. P., Laird N. M., & Rubin D. B. (1977), “Maximum likelihood from incomplete data via the EM algorithm”, Journal of the Royal Statistical Society: Series B (Methodological), 39(1), 1-22.
13. Deng J., Dong W., Socher R., Li L. J., Li K., & Fei-Fei L. (2009, June), “Imagenet: A large-scale hierarchical image database”, In 2009 IEEE conference on computer vision and pattern recognition (pp. 248-255). Ieee. 14. Dorbala S., & Di Carli, M. F. (2014, September), “Cardiac PET perfusion:
prognosis, risk stratification, and clinical management”, In Seminars in nuclear medicine (Vol. 44, No. 5, pp. 344-357). WB Saunders.
15. Dorbala S., Ananthasubramaniam K., Armstrong, I. S., Chareonthaitawee P., DePuey E. G., Einstein A. J., ... & Wells, R. G. (2018), “Single photon emission computed tomography (SPECT) myocardial perfusion imaging guidelines: instrumentation, acquisition, processing, and interpretation”, Journal of Nuclear Cardiology, 25(5), 1784-1846.
16. Dvorak R. A., Brown R. K., & Corbett J. R. (2011), “Interpretation of SPECT/CT myocardial perfusion images: common artifacts and quality control techniques”, Radiographics, 31(7), 2041-2057.
17. Dwivedi V. P., Joshi C. K., Laurent T., Bengio Y., & Bresson X. (2020), “Benchmarking graph neural networks”, arXiv preprint arXiv:2003.00982. 18. Garcia E. V., Slomka P., Moody J. B., Germano G., & Ficaro E. P. (2019),
“Quantitative clinical nuclear cardiology, Part 1: Established applications”, Journal of Nuclear Medicine, 60(11), 1507-1516.
19. Gree P. J. (1990), “Bayesian reconstructions from emission tomography data using a modified EM algorithm”, IEEE transactions on medical imaging, 9(1), 84-93.
20. Hamilton W. L., Ying R., & Leskovec J. (2017, December), “Inductive representation learning on large graphs”, In Proceedings of the 31st International Conference on Neural Information Processing Systems (pp. 1025-1035).
21. He K., Zhang X., Ren S., & Sun J. (2016), “Deep residual learning for image recognition”, In Proceedings of the IEEE conference on computer vision and pattern recognition, (pp. 770-778).
22. Hudson H. M., & Larkin R. S. (1994), “Accelerated image reconstruction using ordered subsets of projection data”, IEEE transactions on medical imaging, 13(4), 601-609.
23. Hughes T. J. (2012), A template-based method for semi-quantitative single photon emission computed tomography myocardial perfusion imaging, Doctoral dissertation, University of British Columbia.
24. Ioffe S., & Szegedy C. (2015, June) “Batch normalization: Accelerating deep network training by reducing internal covariate shift”, In International conference on machine learning (pp. 448-456). PMLR.
25. Jain A. K. (1989). “Image reconstruction from projections”, Fundamentals of Digital Image Processing, 431-475.
26. Kaufman L. (1987), “Implementing and accelerating the EM algorithm for positron emission tomography”, IEEE transactions on medical imaging, 6(1), 37-51.
27. Khalil M. M. (2010), “Elements of gamma camera and SPECT systems”, In Basic Sciences of Nuclear Medicine (pp. 155-178). Springer, Berlin, Heidelberg.
28. Khan M. A., Hashim M. J., Mustafa H., Baniyas M. Y., Al Suwaidi S. K. B. M., AlKatheeri R., ... & Lootah S. N. A. H. (2020), “Global epidemiology of ischemic heart disease: Results from the global burden of disease study”, Cureus, 12(7).
29. Kipf T. N., & Welling M. (2016), “Semi-supervised classification with graph convolutional networks”, arXiv preprint arXiv:1609.02907.
30. Krizhevsky A., & Hinton G. (2010), “Convolutional deep belief networks on cifar-10”, Unpublished manuscript, 40(7), 1-9.
31. Krizhevsky A., Sutskever I., & Hinton G. E. (2012), “Imagenet classification with deep convolutional neural networks”, Advances in neural information processing systems, 25, 1097-1105.
32. Lange K., & Carson R. (1984), “EM reconstruction algorithms for emission and transmission tomography”, J Comput Assist Tomogr, 8(2), 306-16.
33. LeCun Y., Bottou L., Bengio Y., & Haffner P. (1998), “Gradient-based learning applied to document recognition”, Proceedings of the IEEE, 86(11), 2278-2324.
34. Levie R., Monti F., Bresson X., & Bronstein M. M. (2018), “Cayleynets: Graph convolutional neural networks with complex rational spectral filters”, IEEE Transactions on Signal Processing, 67(1), 97-109.
35. Li Y., Yu R., Shahabi C., & Liu Y. (2017), “Diffusion convolutional recurrent neural network: Data-driven traffic forecasting”, arXiv preprint arXiv:1707.01926.
36. Liu Y. H., Lam P. T., Sinusas A. J., & Frans J. T. (2002), “Differential effect of 180 and 360 acquisition orbits on the accuracy of SPECT imaging: quantitative evaluation in phantoms”, Journal of Nuclear Medicine, 43(8), 1115-1124.
37. Liu Y. H., Sinusas A. J., DeMan P., Zaret B. L., & Frans J. (1999), “Quantification of SPECT myocardial perfusion images: methodology and validation of the Yale-CQ method”, Journal of Nuclear Cardiology, 6(2), 190- 203.
38. Monti F., Boscaini D., Masci J., Rodola E., Svoboda J., & Bronstein M. M. (2017), “Geometric deep learning on graphs and manifolds using mixture model cnns”, In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 5115-5124).
39. Mueen A., Baba S., & Zainuddin R. (2007), “Multilevel feature extraction and X-ray image classification”, Journal of Applied Sciences, 7(8), 1224- 1229.
40. Nikolentzos G., Thomas M., Rivera A. R., & Vazirgiannis M. (2020, December), “Image Classification Using Graph-Based Representations and Graph Neural Networks”, In International Conference on Complex Networks and Their Applications (pp. 142-153). Springer, Cham.
41. Radon J. (1917), “On the determination of functions from their integrals along certain manifolds”, Ber. Verh, Sachs Akad Wiss., 69, 262-277.
42. Rawat W., & Wang Z. (2017), “Deep convolutional neural networks for image classification: A comprehensive review”, Neural computation, 29(9), 2352-2449.
43. Shi Z., Ye Y., & Wu Y. (2016), “Rank-based pooling for deep convolutional neural networks”, Neural Networks, 83, 21-31.
44. Shuman D. I., Narang S. K., Frossard P., Ortega A., & Vandergheynst P. (2013), “The emerging field of signal processing on graphs: Extending high- dimensional data analysis to networks and other irregular domains”, IEEE signal processing magazine, 30(3), 83-98.
45. Simonyan K., & Zisserman A. (2014), “Very deep convolutional networks for large-scale image recognition”, arXiv preprint arXiv:1409.1556.
46. Sperduti A., & Starita A. (1997), “Supervised neural networks for the classification of structures”, IEEE Transactions on Neural Networks, 8(3), 714-735.
47. Spier N., Nekolla S., Rupprecht C., Mustafa M., Navab N., & Baust M. (2019), “Classification of polar maps from cardiac perfusion imaging with graph-convolutional neural networks”, Scientific reports, 9(1), 1-8.
48. Szegedy C., Ioffe S., Vanhoucke V., & Alemi A. A. (2017, February), “Inception-v4, inception-resnet and the impact of residual connections on learning”, In Thirty-first AAAI conference on artificial intelligence.
49. Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., ... & Rabinovich A. (2015), “Going deeper with convolutions”, In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9). 50. T. N. Kipf and M. Welling. (2016), “Variational graph auto-encoders”. NIPS
51. Veličković P., Cucurull G., Casanova A., Romero A., Lio P., & Bengio Y. (2017), “Graph attention networks”, arXiv preprint arXiv:1710.10903.
52. Wu Z., Pan S., Chen F., Long G., Zhang C., & Philip S. Y. (2020), “A comprehensive survey on graph neural networks”, IEEE transactions on neural networks and learning systems, 32(1), 4-24.
53. Xu K., Hu W., Leskovec J., & Jegelka S. (2018), “How powerful are graph neural networks?”, arXiv preprint arXiv:1810.00826.
54. Yadav S. S., & Jadhav S. M. (2019), “Deep convolutional neural network based medical image classification for disease diagnosis”, Journal of Big Data, 6(1), 1-18.
55. Yan S., Xiong Y., & Lin D. (2018, April), “Spatial temporal graph convolutional networks for skeleton-based action recognition”, In Thirty- second AAAI conference on artificial intelligence.
56. Yuan X., Yang Z., Zouridakis G., & Mullani N. (2006, August), “SVM- based texture classification and application to early melanoma detection”, In 2006 International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 4775-4778). IEEE.
57. Zeiler M. D., & Fergus R. (2014, September), “Visualizing and understanding convolutional networks”, In European conference on computer vision (pp. 818-833). Springer, Cham.
Tiếng Việt
58. Bùi Ngọc Tùng, Nguyễn Chí Thành, Nguyễn Thành Trung, Lại Phú Minh, Nguyễn Hoàng Việt, Phùng Vũ Hạnh My (2021), “Chẩn đoán bệnh động mạch vành dựa trên ảnh cực spect sử dụng mạng nơ-ron đồ thị”, Tạp chí Nghiên cứu Khoa học và Công nghệ quân sự (JMST), (Số Đặc san Hội thảo Quốc Gia FEE2021), tr. 220-224.