Ứng dụng mô hình U-NET phát hiện vùng bất thường trên ảnh MRI não

Mô hình đánh giá trên tập dữ liệu DICOM được thu thập tại bệnh viện Trường Đại học Y Dược Cần Thơ của 10 bệnh nhân với 212 ảnh MRI (sử dụng chuỗi xung Flair) trong đó chứa 101 lát cắt MRI có vùng khối u và 111 lát cắt bình thường. Mô hình U-Net đã được hiệu chỉnh, bổ sung để đáp ứng với các hình ảnh đầu vào là ảnh DICOM
Nội dung trích xuất từ tài liệu:
Ứng dụng mô hình U-NET phát hiện vùng bất thường trên ảnh MRI nãoKỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Nha Trang, ngày 8-9/10/2020DOI: 10.15625/vap.2020.00225ỨNG DỤNG MÔ HÌNH U-NET PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO Lê Minh Lợi1,2, Trần Nguyễn Minh Thư1, Hồ Trọng Nguyễn1, Phạm Nguyên Khang1 1 Khoa Công nghệ Thông tin và Truyền thông, Đại học Cần Thơ 2 Trường Đại học Y Dược Cần Thơ leminhloi@gmail.com, nguyenb1607009@student.ctu.edu.vn, tnmthu@ctu.edu.vn, pnkhang@ctu.edu.vn TÓM TẮT: Chụp cộng hưởng từ (MRI) não là một phương pháp tạo hình cắt lớp giúp phát hiện các bệnh lý của não như unang, xuất huyết, u não và các bất thường của cấu trúc não trong quá trình phát triển. Trong nghiên cứu này, mô hình U-Net đượcứng dụng để dự đoán vùng bất thường trên ảnh MRI não. Mô hình U-Net được huấn luyện trên tập dữ liệu LGG (của 110 bệnh với3929 ảnh MRI). Mô hình đánh giá trên tập dữ liệu DICOM được thu thập tại bệnh viện Trường Đại học Y Dược Cần Thơ của 10bệnh nhân với 212 ảnh MRI (sử dụng chuỗi xung Flair) trong đó chứa 101 lát cắt MRI có vùng khối u và 111 lát cắt bình thường.Mô hình U-Net đã được hiệu chỉnh, bổ sung để đáp ứng với các hình ảnh đầu vào là ảnh DICOM. Mô hình đã đạt được độ chínhxác trung bình là 85,5 % khi so sánh kết quả dự đoán được bởi mô hình và kết quả đánh giá của các bác sĩ tại bệnh viện TrườngĐại học Y Dược Cần Thơ. Từ khóa: Mô hình học sâu, phát hiện vùng bất thường, ảnh MRI. I. GIỚI THIỆU Hình ảnh chụp cắt lớp sọ não MRI là tập hợp nhiều ảnh chụp cắt ngang hoặc cắt dọc sọ não để phản ảnh cấutrúc sọ và mô não bên trong [1]. Sọ não là xương, các mô não gồm chất xám, nước,… mỗi thành phần này có khả nănghấp thu năng lượng tia X đi qua khác nhau từ đó tạo nên ảnh với thể hiện và màu khác nhau. Các bác sĩ chẩn đoán hìnhảnh dựa vào cơ chế tạo ảnh này để khảo sát với mục tiêu là tìm ra vùng bất thường trên ảnh MRI. Mỗi bệnh nhân khichụp MRI được kỹ thuật viên chụp nhiều lần, mỗi lần tứng với các điều chỉnh cường độ tín hiệu khác nhau tạo nhên nhiềubộ ảnh MRI khác nhau. Để tìm ra được vùng bất thường các bác sĩ khảo một hoặc nhiều tập ảnh MRI được tạo ra bởi sựđiều chỉnh cường độ tín hiệu khác nhau, đồng thời có thể khảo sát ở hai kiểu nhìn theo chiều dọc và chiều ngang. Việckhảo sát ảnh MRI như vậy khá phức tạp và sẽ mất nhiều thời gian để có thể xác định được vùng bất thường. Tự động pháthiện vùng bất thường trên ảnh MRI là một bài toán cần thiết để hỗ trợ bác sĩ xác định nhanh vùng bất thường, đồng thờicó thể dự báo chính xác vùng bất thường mà không bị bỏ xót khi khảo sát bằng mắt thông thường. Để dự đoán được vùng bất thường, các giải pháp thông thường sẽ trích xuất đặc trưng vùng bất thường hayvùng có bệnh lý cụ thể nào đó, dựa vào các đặc trưng này để gán nhãn cho ảnh (bệnh nhân) có xuất hiện bấtthường/bệnh lý hoặc không. Các đặc trưng được trích xuất thường dựa trên hình dạng, tổ chức đồ, kết cấu, đặc trưngSIFT kết hợp với phương pháp phân lớp để giải quyết bài toán phát hiện vùng bất thường trên ảnh y khoa [2, 3]. Phương pháp học sâu tích hợp cả trích xuất đặc trưng và phân lớp trong cùng một mô hình để phân loại ảnh hayphát hiện đối tượng [4, 5, 6]. Đối với ảnh y khoa việc giải quyết bài toán phát hiện đối tượng cũng có thể áp dụng tuynhiên gặp nhiều khó khăn hơn do có sự thay đổi về hình dạng kích thước giải phẫu khác nhau giữa các bệnh nhân cũngnhư độ tương phản thấp giữa các mô tế bào [7]. Tuy nhiên, nhược điểm của phương pháp này là hạn chế về tập dữ liệuảnh y khoa được gán nhãn bởi các chuyên gia, việc gán nhãn có thể không đồng nhất do quan điểm, kinh nghiệm khácnhau của chuyên gia y tế. Do đó nhiều nghiên cứu để tăng độ chính xác của mô hình dựa trên số ít dữ liệu huấn luyệncàng được đề cao trong đó sử dụng kiến trúc U-net [8] cho kết quả rất tốt với dữ liệu đầu vào được gán nhãn hạn chế. Mô hình U-net được đề xuất vào năm 2015 bởi nhóm các nhà nghiên cứu tại Khoa Khoa học Máy tính của Đạihọc Freiburg, Đức [8]. Mô hình được sử dụng để phân loại các tế bào trong ảnh thu được dưới kính hiển vi. Mô hìnhđược thực nghiệm trên các tập dữ liệu cung cấp bởi cuộc thi EM1, PhC-U3732, DIC-HeLa3. Tập dữ liệu cuộc thi EMbắt đầu thu thập từ năm 2012, tập dữ liệu sử dụng để đánh giá trong mô hình này gồm 30 hình ảnh (512x512 pixel) dâythần kinh của ấu trùng Drosophila từ kính hiển vi điện tử truyền qua mặt cắt nối tiếp. Mỗi hình ảnh trong tập huấnluyện đi kèm với một bản đồ phân đoạn được chú thích đầy đủ tương ứng cho các ô (trắng) và màng (đen). Tuy nhiên,tập dữ liệu thử nghiệm được cung cấp công khai trong khi các bản đồ phân đoạn của nó được giữ bí mật. Có thể nhậnđ ...