Phân đoạn hộp sọ của con người bằng học sâu

Mục tiêu của phân đoạn hộp sọ bằng học sâu là thiết lập một hệ thống thị giác máy tính hiệu quả cung cấp dự đoán chính xác về hình dạng của hộp sọ từ hình ảnh y tế. Các mô hình học sâu Unet, Linknet sẽ được huấn luyện trên một tập dữ liệu lớn của hình ảnh y tế, sử dụng các thuật toán và kỹ thuật mới nhất để đạt được mức độ chính xác cao nhất.
Nội dung trích xuất từ tài liệu:
Phân đoạn hộp sọ của con người bằng học sâu PHÂN ĐOẠN HỘP SỌ CỦA CON NGƯỜI BẰNG HỌC SÂU Hồ Ngọc Trung Kiên 1 1. Viện Kỹ thuật Công nghệ, Trường Đại học Thủ Dầu Một, email: kienhnt@tdmu.edu.vnTÓM TẮT Phân đoạn hộp sọ từ hình ảnh y tế là một nhiệm vụ phức tạp và thách thức đối với các hệthống thị giác máy tính hiện đại. Vấn đề này đòi hỏi sự đánh giá chính xác về hình dạng củahộp sọ từ hình ảnh đầu, và các phương pháp truyền thống như phân tích thống kê đang gặpkhó khăn trong việc giải quyết vấn đề này. Tuy nhiên, các mô hình học sâu mới nổi đang thểhiện tiềm năng trong việc giải quyết thách thức phân đoạn hộp sọ. Nghiên cứu hiện tại đangtập trung vào việc phát triển một phương pháp mới sử dụng học sâu để phân đoạn hộp sọ từhình ảnh y tế. Mục tiêu của phân đoạn hộp sọ bằng học sâu là thiết lập một hệ thống thị giácmáy tính hiệu quả cung cấp dự đoán chính xác về hình dạng của hộp sọ từ hình ảnh y tế. Cácmô hình học sâu Unet, Linknet sẽ được huấn luyện trên một tập dữ liệu lớn của hình ảnh y tế,sử dụng các thuật toán và kỹ thuật mới nhất để đạt được mức độ chính xác cao nhất. Từ khóa: Học sâu, Linknet, phân đoạn hộp sọ người, Unet.1. GIỚI THIỆU Trong những năm gần đây, bức tranh của trí tuệ nhân tạo (AI) đã trải qua một sự biến đổisâu sắc, thể hiện những tiến triển chưa từng có và mở ra những khả năng rộng lớn trong nhiềulĩnh vực đa dạng. Trong số đó, lĩnh vực y học đứng ra như một người hưởng lợi quan trọng, vớicác kỹ thuật AI chứng minh vai trò quan trọng trong việc rút ra những hiểu biết không thể đolường được từ các tập dữ liệu phức tạp. (Andre E và cộng sự, 2021) Tăng cường tầm quan trọng của hình ảnh y tế trong lĩnh vực chăm sóc sức khỏe đã thuhút sự chú ý đặc biệt. Hình ảnh y tế đã trở thành công cụ không thể thiếu, đóng góp vào cáckhía cạnh quan trọng của chăm sóc bệnh nhân, bao gồm chẩn đoán, lập kế hoạch điều trị, hướngdẫn trong quá trình can thiệp và theo dõi liên tục bệnh tình. Sự tích hợp của trí tuệ nhân tạo vàophân tích hình ảnh y tế đã đưa những quy trình này vào một thời đại mới, nâng cao độ chínhxác và hiệu suất. (Derek LGH và cộng sự, 2001) Phân đoạn hình ảnh dựa vào hình ảnh CT đóng một vai trò quan trọng trong phân tíchhình ảnh y tế, hỗ trợ việc phân biệt chính xác cấu trúc và các đặc điểm bất thường của cơ thể(Kanchana R và cộng sự, 2011). Quy trình này liên quan đến việc chia ảnh thành các khu vựckhác nhau dựa trên các tiêu chí cụ thể, cho phép kiểm tra chi tiết các khu vực cụ thể. Một trong những ứng dụng nổi bật của phân đoạn ảnh CT nằm trong lĩnh vực chẩn đoány tế và lập kế hoạch điều trị. Bằng cách phân đoạn các hình ảnh CT, các chuyên gia y tế có thểphân loại và phân tích các cơ quan, mô hoặc tử cung cụ thể, cung cấp những thông tin quantrọng cho việc chẩn đoán chính xác và các chiến lược điều trị cá nhân hóa. Một số phân đoạnnhư Phân đoạn vị trí khối u bên trong não (U. Baid và cộng sự, 2021; R. Pitchai và cộng sự,2021), phân đoạn mống mắt cho xác thực danh tính (K. Hao và cộng sự, 2020; Y. Chen và cộngsự, 2019), phân đoạn lồng ngực và quả tim (X. Zhuang và cộng sự, 2019, Z. Lambert và cộngsự, 2020). Điều này đặc biệt quan trọng trong các lĩnh vực như ung thư học, thần kinh học vàchỉnh hình, nơi thông tin về cấu trúc cơ thể chi tiết là không thể thiếu. 728 Các kỹ thuật học sâu tiên tiến đã cải thiện đáng kể độ chính xác và hiệu suất của phân đoạnảnh CT. Trong bài viết này, chúng tôi sẽ sử dụng hai mô hình học sâu cho nhiệm vụ phân đoạnhộp sọ từ hình ảnh CT: U-Net (O.Ronneberger và cộng sự, 2015) và LinkNet (A.Chaurasia và E.Culurciello, 2017). Cụ thể, chúng tôi sẽ huấn luyện những mô hình này trên hình ảnh hộp sọ CTđược lưu trữ trong định dạng DICOM (DCM) và so sánh chúng để tìm ra mô hình ưu việt (Hình1). Bộ dữ liệu chúng tôi sử dụng là The Cancer Imaging Archive (TCIA) (K. Clark và cộng sự,2013), bao gồm hình ảnh hộp sọ CT và hình ảnh phân đoạn hộp sọ từ 209 bệnh nhân.2. QUY TRÌNH VÀ MỘT SỐ THUẬT TOÁN LIÊN QUAN 2.1. Quy trình tạo phân đoạn tự động Chúng tôi đã phát triển một quy trình tự động để tạo phân đoạn hộp sọ dựa trên hình ảnhCT. Đầu tiên, chúng tôi sử dụng phương pháp thủ công để trích xuất cơ sở dữ liệu nhãn cho dựđoán. Sau đó, dữ liệu được sắp xếp và làm sạch để tạo thành bộ dữ liệu đầu vào cho các môhình học sâu. Trong quá trình phân đoạn tự động hình ảnh, chúng tôi sử dụng hai mô hình họcsâu là Unet và Linknet. Những mô hình này được áp dụng để phân đoạn tự động các vùng hộpsọ trong hình ảnh. Kết quả của quy trình này là một dự đoán về hộp sọ 3D, được mô phỏng vàhiển thị trên phần mềm 3D Slicer. Qua quy trình này, chúng tôi đã tạo ra một phương pháp tựđộng để phân đoạn hộp sọ từ hình ảnh CT. Điều này giúp tăng tính hiệu quả và độ chính xáctrong việc định vị và phân tích cấu trúc hộp sọ, cung cấp thông tin quan trọng cho chẩn đ ...