Ứng dụng học sâu trong phân đoạn khối u ung thư não

Chỉ số đề mục

Lĩnh vực nghiên cứu

Kỹ thuận chẩn đoán bệnh

Dạng tài liệu

Tác giả

Nguyễn Hoàng Thiên Thư, Phạm Thị Thu Hiền, Lê Thanh Hải, .Phạm Thị Thu Hiền⁽¹⁾

Nhan đề

Ứng dụng học sâu trong phân đoạn khối u ung thư não

Nhan đề tiếng anh

Application of deep learning in brain tumor segmentation

Nguồn trích

Phát triển Khoa học và Công nghệ: Kỹ thuật và Công nghệ (ĐHQG TP. Hồ Chí Minh)

Năm xuất bản

2022

Số

2

Trang

1437-1450

ISSN

2615-9872

Từ khóa

Mạng thần kinh học sâu, Phân đoạn, U não, U thần kinh đệm, U-net

Từ khóa tiếng anh

Brain tumor, Deep neural network, Glioma, Segmentation, U-net

Tóm tắt

U thần kinh đệm (glioma) là một trong những bệnh u não phổ biến trên toàn thế giới. Ngày nay, việc xác định và phân đoạn u thần kinh đệm là điều cần thiết khi đưa ra quyết định lâm sàng. Trong khi phân đoạn thủ công tốn nhiều thời gian và mang tính chủ quan, cùng lúc đó nhiệm vụ này cũng rất khó giải quyết đối với các phương pháp phân đoạn tự động. Kiến trúc U-net là một trong những kỹ thuật học sâu phổ biến để phân đoạn trong hình ảnh y sinh. Nghiên cứu này triển khai một mô hình học sâu dạng mạng thần kinh tích chập 2 chiều dựa trên kiến trúc U-net. Mô hình đề xuất này được huấn luyện chỉ với các ảnh 2 chiều (slices) từ bộ dữ liệu MRI 3 chiều để phân đoạn các vùng u não khác nhau. Bên cạnh đó, một số phương pháp được áp dụng ở bước tiền xử lý để giúp giảm sự ảnh hưởng của việc mất cân bằng trong dữ liệu giữa các vùng u não khác nhau và áp dụng thêm phần tăng cường dữ liệu mở rộng giúp tránh hiện tượng khớp quá mức (overfitting) khi huấn luyện với bộ dữ liệu nhỏ. Kết quả đánh giá dựa trên bộ dữ liệu Multimodal Brain Tumor Segmentation Challenge (BraTS) 2018 cho thấy độ chính xác cao của mô hình được huấn luyện với điểm Dice cho toàn bộ khối u (whole tumor), khối u lõi (tumor core) và khối u ngấm thuốc (enhancing tumor) lần lượt là 0,88, 0,81 và 0,76. Từ kết quả trên cho thấy khả năng nhận dạng các vùng khối u trên rất tốt khi so sánh với các nghiên cứu khác. Nghiên cứu này đã đưa ra một quy trình phân tích cho u não thần kinh đệm, từ tiền xử lý đến huấn luyện mô hình, từ đó tiến hành đánh giá các yếu tố có thể ảnh hưởng đến kết quả đạt được.

Tóm tắt tiếng anh

Glioma is one of the most common brain tumor worldwide. Nowaday, glioma identification and segmentation is essential when making clinical decisions. Obviously, manual segmentation is not only time consuming but also subjective, in addition to this task, it is rather difficult to solve the solution of the automated segmentation methods. U-net architecture is one of the popular deep learning models for segmentation of biomedical images. This study implements a 2 dimensional convolutional neural network based on a U-net architecture. The proposed model is trained only with 2D images (slices) from 3D MRI dataset to segment the different tumor regions. Futhermore, in the preprocessing step some methods are applied to deal with imbalanced data for three brain tumor regions, and then data augmentation is utilized to prevent overfitting when training with a small dataset. The evaluated results based on the Multimodal Brain Tumor Segmentation Challenge (BraTS) 2018 dataset get the high accuracy for Dice scores of whole tumor, tumor core and enhancing tumor being 0.88, 0.81 and 0.76, respectively. The performance of the proposed model show that the brain tumors can be recognized with high accuracy compared to the similar studies. The proposed study has provided an analytical procedure for glioma brain tumors, from preprocessing to the training model, and then assessing factors that may affect the performance of the achived results.

Kí hiệu kho

TTKHCNQG, CTv 149

File toàn văn

Xem toàn văn