Nghiên cứu mô hình học sâu Faster R-CNN để phát hiện và phân loại các tổn thương khu trú thường gặp ở gan trên ảnh chụp cắt lớp vi tính

Bài viết Nghiên cứu mô hình học sâu Faster R-CNN để phát hiện và phân loại các tổn thương khu trú thường gặp ở gan trên ảnh chụp cắt lớp vi tính trình bày việc thu thập dữ liệu, xây dựng, huấn luyện mô hình Faster R-CNN để phát hiện, phân loại các tổn thương khu trú thường gặp ở gan; Kiểm thử, đánh giá hiệu quả mô hình theo tiêu chí về thời gian, độ chính xác.
Nội dung trích xuất từ tài liệu:
Nghiên cứu mô hình học sâu Faster R-CNN để phát hiện và phân loại các tổn thương khu trú thường gặp ở gan trên ảnh chụp cắt lớp vi tính TẠP CHÍ Y DƯỢC HỌC CẦN THƠ – SỐ 57/2023 NGHIÊN CỨU MÔ HÌNH HỌC SÂU FASTER R-CNN ĐỂ PHÁT HIỆN VÀ PHÂN LOẠI CÁC TỔN THƯƠNG KHU TRÚ THƯỜNG GẶP Ở GAN TRÊN ẢNH CHỤP CẮT LỚP VI TÍNH Nguyễn Hoàng Thái*, Phù Trí Nghĩa, Dương Quốc Thanh, Nguyễn Thanh Hùng, Mai Quốc Trường, Trần Thị Bích Phương, Cao Tấn Phát, Huỳnh Đăng Khoa Trường Đại học Y Dược Cần Thơ * Email: nhthai@ctump.edu.vnTÓM TẮT Đặt vấn đề: Sự cần thiết của việc phát hiện, phân loại sớm tổn thương gan và việc nghiêncứu ứng dụng mô hình học sâu vào xử lý ảnh y khoa. Mục tiêu nghiên cứu: Thu thập dữ liệu, xâydựng, huấn luyện mô hình Faster R-CNN để phát hiện, phân loại các tổn thương khu trú thường gặpở gan; Kiểm thử, đánh giá hiệu quả mô hình theo tiêu chí về thời gian, độ chính xác. Đối tượng vàphương pháp nghiên cứu: Bộ dữ liệu ảnh chụp cắt lớp vi tính tiêm thuốc cản quang vùng bụng cótổn thương gồm nang gan, u mạch máu, ung thư tế bào gan nguyên phát; Áp dụng mô hình FasterR-CNN để phát hiện, phân loại tổn thương. Kết quả: Bộ dữ liệu thu thập tại Bệnh viện Trường Đạihọc Y Dược Cần Thơ gồm 51 người bệnh có tổn thương khu trú thường gặp ở gan, với 2828 ảnh,2836 vùng tổn thương được xác định bởi bác sĩ chẩn đoán hình ảnh. Trong đó, 11 người bệnh thuộcnhóm nang gan (440 vùng), 18 người bệnh thuộc nhóm u mạch máu (648 vùng), 21 người bệnhthuộc nhóm ung thư tế bào gan nguyên phát (1748 vùng) và 01 người bệnh có cả nang và u mạchmáu; Mô hình Faster R-CNN cho kết quả độ chính xác mAP là 94%, thời gian huấn luyện 583 phútvà thời gian xử lý 0,13 giây. Kết luận: Bộ dữ liệu đã thu thập là nền tảng cho các nghiên cứu tiếptheo; Mô hình Faster R-CNN có thời gian huấn luyện ngắn, thời gian xử lý nhanh, độ chính xác cao,phù hợp và có thể áp dụng để triển khai các ứng dụng thực tế. Từ khóa: Máy học, Học sâu, Faster R-CNN, Chụp cắt lớp vi tính, Bệnh gan.ABSTRACT STUDYING DEEP LEARNING MODELS TO DETECT AND CLASSIFY COMMON FOCAL LIVER LESIONS ON CT IMAGES Nguyen Hoang Thai*, Phu Tri Nghia, Duong Quoc Thanh, Nguyen Thanh Hung, Mai Quoc Truong, Tran Thi Bich Phuong, Cao Tan Phat, Huynh Dang Khoa Can Tho University of Medicine and Pharmacy Background: The necessary of early detection, classification of liver lesions and theresearching for the application of deep learning models to the field of medical image. Objectives:Collect dataset, build, train the deep learning model Faster R-CNN to detect and classify commonfocal liver lesions on CT images; Test and evaluate the effectiveness of this model according to thecriterias of time and accuracy. Materials and methods: The abdominal contrast-enhanced CTimage dataset with liver lesions including cyst, hemangioma, and hepatocellular carcinoma;Applying Faster R-CNN model to the detection and classification of lesions. Results: The datasethad been collected at Can Tho University of Medicine and Pharmacy Hosital included 51 patientswho had common focal liver lesions, with 2828 images, 2836 lesion areas that were identified byradiologists, of which 11 patients belonged to the liver cyst group (440 lesion areas), 18 patientsbelonged to the hemangioma group (648 lesion areas), 21 patients belonged to the hepatocellularcarcinoma group (174 lesion areas) and 01 patient had both cyst and hemangioma; Faster R-CNNmodel resulted in mAP accuracy of 94%, training time of 583 minutes and processing time of 0.13 80 TẠP CHÍ Y DƯỢC HỌC CẦN THƠ – SỐ 57/2023seconds. Conclusion: The collected data set is the foundation for further studies; The Faster R-CNNmodel had short training time, fast processing time and high accuracy, it was suitable and could beapplied to deploy real-life applications. Keywords: Machine learning, Deep learning, Faster R-CNN, CT Scan, Liver disease.I. ĐẶT VẤN ĐỀ Việc phát hiện và phân loại sớm tổn thương gan nhằm đưa ra giải pháp điều trị đúngđắn là vô cùng cần thiết. Để đánh giá chi tiết các tổn thương gan thì kỹ thuật chụp cắt lớpvi tính có tiêm thuốc cản quang là một lựa chọn hoàn hảo. Tuy nhiên, kết quả chẩn đoánphụ thuộc nhiều vào tính tỉ mỉ, nhãn quan và kinh nghiệm của bác sĩ. Xuất phát từ thực tiễn,nghiên cứu ứng dụng mô hình học sâu để phát hiện và phân loại các tổn thương khu trúthường gặp ở gan trên ảnh chụp cắt lớp vi tính cần được triển khai thực hiện. Các đề tài ứng dụng máy học, đặc biệt là kỹ thuật học sâu để xử lý ảnh chụp cắt lớpvi tính có tiêm thuốc cản quang liên quan đến các tổn thương gan đã được nhiều nhà khoahọc tham gia nghiên cứu. Năm 2017, nhóm tác giả Changjian Sun đề xuất mô hình mạnghọc sâu kết nối đầy đủ đa kênh để vẽ đường biên bao quanh tổn thương [9]. Năm 2018,nhóm tác giả Sang-gil Lee sử dụng mô hình Grouped Single Shot MultiBox Detector đểphát hiện các tổn thương gan [5]. Năm 2018, nhóm tác giả Dong Liang đề xuất mô hìnhResidual Convolutional Neural Networks để trích xuất đặc trưng và sử dụng thuật toán máyhọc véc tơ hỗ trợ để phân loại các tổn thương [6]. Đầu năm 2021, nhóm tác giả Jiarong Zhousử dụng ba mô hình Faster R-CNN với mạng rút trich đặc trưng FPN riêng biệt để phân loạicác tổn thương gan [10]. Các đề tài trên đều đạt được các kết quả khả quan, tuy nhiên vẫn chưa thể thực hiệnđược việc phân loại tổn thương hoặc chưa tận dụng được cả bốn thì chụp làm dữ liệu đầuvào. Từ những hạn chế trên, đề tài đề xuất giải ph ...