Chương 1: Giới thiệu Trong chương nay, nghiên cứu trình bày về đề tài nghiên cứu của khóa luận như mục tiêu, nội dung thực hiện, các đóng góp về mặt khoa học và thực tiễn. ° Chương 2: Các nghiên cứu ung thư biéu mô tuyến tụy 14 Trong chương này, khóa luận trình bày vẻ các nghiên cứu liên quan đến van dé nhận điện khối u biểu mô tuyến tụy một cách tự động, những phương pháp tiếp cận dé trích xuất tuyến tụy cho mô hình đảo tạo và giá trị DSC trong việc đánh giá mô hình của quá trình đào tạo. Các nghiên cứu liên quan bao gồm các mô hình như: DLU — Net và PGD — UNet. © Chương 3: Phân đoạn khối u biểu mô tuyến tụy dựa trên phương pháp dé xuất Trong chương này, khóa luận trình bày về cơ sở lý thuyết và phương pháp đẻ xuất được xây dựng dựa trên nghiên cứu của tác giả Quannan Li và cộng sự của ông.
Trinh bày về mô hình U - Net được cải tiền dé đảo tạo dữ liệu và giá trị DSC đề đánh giá mô hình trong quá trình đào tạo. »« Chương 4: Kết quả thực nghiệm Trong chương này, khóa luận trình bày các bước tiền hành cũng như thực nghiệm trên bộ dữ liệu MSD. Sau đó đưa ra đánh giá và so sánh với các nghiên cứu khác dé làm rõ kết quả của phương pháp dé xuất, © Chương 5: Tổng kết Trong chương này khóa luận trình bày phân kết luận và nêu hướng phát triên trong tương lai. Các nghiên cứu ung thư biểu mô tuyến tụy 2.
Tông quan các mô hình phân đoạn ảnh Trong những năm gần đây, các thuật toán phân đoạn hình ảnh y tế dựa trên Deep Learning liên tục phát triên. Cụ thé là Fully Convolutionnal neural network [7] (FCN) là một trong những mạng than kinh đầu tiên được dé xuất đẻ phân đoạn hình ảnh. FCN có khả năng xử lý ảnh đầu vào có kích thước khác nhau mà không cần phải thực hiện các bước xử lý trước như phân đoạn ảnh thành các phần nhỏ hơn. Mô hình FCN thay vì sử dụng các lớp fully connected như trong các mạng nơ — ron truyền thông thì nó chi sử dụng các lớp convolutional và transposed convolutional đẻ trích xuất đặc trưng và tạo kích thước đầu ra cho ảnh.
Điều này giúp ECN giữ được thông tin không gian của hình ảnh trong quá trình xử lý và cho phép đầu ra có kích thước tùy ý. Lớp Transposed convolutional _~ ⁄ Anh phan x đoạn Các lớp tích chập Hình 2.1- Mô hình mạng Fully convolutional neural network [7] Mô hình FCN bao gồm các lớp tích chập và transposed convolutional, trong lớp tích chập chứa hàm kích hoạt được gọi là activation. Các lớp tích chap được sử dụng để trích xuất các đặc trưng của ánh đầu vào sau đó qua hàm activation dé kích hoạt các giá trị trong ma trận đầu ra, transposed convolutional là lớp có chức năng phục hoi kích thước của ảnh dau ra. Điều nay làm cho mô hình FCN có cau trúc dang encoder - decoder, các lớp tích chập đại diện cho phan encoder, lớp transposed convolutional đại điện cho phan decoder.
M6 hình FCN được ứng dụng phô biến trong các bài toán phân đoạn ảnh đơn giản. nơi 16 mô hình được huắn luyện đề phân đoạn từng pixel trong ảnh đầu vào thuộc về lớp nào. Với FCN, việc phan đoạn ảnh trở nên hiệu quả va đơn giản hon vi nó có khả năng xử lý các ảnh đầu vào có kích thước khác nhau và cho ra kết quả với kích thước tương ứng. Mặc dù mô hình FCN có nhiều ưu điểm nhưng nó cũng ton tại một số nhược điểm như: e© Ton tài nguyên tính toán và thời gian: FCN có nhiều lớp convolutional và transposed convolutional điều này dẫn đến tốn tài nguyên và mat thời gian tinh toán của hệ thông.
Đề giảm thiểu van dé này. các kiến trúc mạng khác như U — Net, SegNet và Mask R —CNN đã được phát triển để sử dung tài nguyên tính toán hiệu quả hơn. ©_ Không giữ được thông tin vẻ cau trúc không gian: FCN chỉ xử lý ảnh theo cách giống như chúng là một tập hợp các pixel độc lập. Đôi với những hình ánh phức tap, đặc biệt là ảnh y khoa có cấu trúc không gian thì mô hình không thé phan biệt được, nó không có thông tin về cầu trúc không gian của ảnh như là việc xác định mỗi quan hệ giữa các pixel và vị trí của chúng trên ảnh.
Dé khắc phục van dé này, các kiến trúc mạng sau đó đã tích hợp thêm các mô — đun biến đôi không gian dé lưu giữ các vị trí trong không gian ảnh, từ đó cải thiện khả năng phân đoạn, giúp bài toán phân đoạn trở nên chính xác hơn. Với vấn dé tốn tài nguyên tính toán và thời gian của mô hình FCN, các nhà nghiên cứu Ronneberger, Olaf, Philipp Fischer và Thomas Brox tiếp tục cải thiện mạng nơ — ron FCN và đề xuất mang nơ —ron U — Net. Đây là mô hình mạng học sâu được sứ dụng phô biến trong các bài toán xử lý ảnh y khoa, đặc biệt là trong việc phân đoạn ảnh y tế. Mô hình được đặt tên theo hình dạng của nó vì có cấu trúc giống như chữ U với hai phần chính là encoder va decoder.
Phan encoder có có chức nang trích xuất các đặc trưng của hình ảnh, cau tao của phan này bao gồm 4 tầng học sâu, mỗi tầng được cấu tạo từ hai lớp tích chập và theo sau là một lớp pooling. Các lớp tích chập có chức năng làm nôi bật và trích 17 xuất các đặc trưng của hình ảnh. lớp pooling có chức năng trích xuất các đặc trưng nồi bật nhất trong hình ảnh đó. Phần decoder được sử đụng đẻ khôi phục lại ảnh gốc từ các đặc trưng đã được trích xuất, phần này có cấu tạo gồm 4 tầng.
mỗi tầng gồm một lớp up — convolutional (transposed convolutional) và theo sau đó là hai lớp tích chập. Lớp transposed convolutional được sử dụng đề tăng kích thước của các đặc trưng ở phần encoder trước đó lên gấp đôi, sau đó hai lớp tích chập sẽ trích xuất các đặc trưng mới này dé mô hình học được dit liệu mới từ các đặc trưng nôi bật nhất của hình ảnh. Cầu trúc đầy đủ của mô hình U — Net được thé hiện ở hình sau: Anh sau khi „# phân đoạn. 8 " ¬ = copy and crop i-i-l —.
Benen # max pool 2x2 5 “đệ tox + : 4 up-conv 2x2 be ne a = conv 1x1 Hinh 2.2- M6 hinh U — Net [3] Ở hình 2.2 ta thay mô hình U — Net còn sử dung kỹ thuật skip connection (được thé hiện với mũi tên màu xám — copy and crop) dé kết nối các tầng tích chập của phan encoder và decoder. Kỹ thuật này giúp mô hình sử dụng các đặc trưng của phan encoder bỏ sung vào các đặc trưng của lớp transposed convolutional, sau đó các tích chập của phan decoder sẽ học được các thông tin chính xác hơn, tránh việc bị mat mat thông tin qua nhiều sau mỗi tầng học sâu. Việc sử dụng kỹ thuật skip connection kết hợp với lớp transposed convolutional giúp cho mô hình phân đoạn chính xác hơn, đặc biệt là trong phần đoạn ảnh y 18 tế. Mô hình U - Net đã giải quyết về van dé tài nguyên tính toán và thời gian của mô hình FCN, chính kỹ thuật skip connection giữa các lớp trong quá trình encoder và decoder giúp cho thông tin về đặc trưng được giữ nguyên.
làm độ phân giải hình ảnh ở mồ hình U — Net cao hơn so với FCN. Từ đó mô hình có thé phân đoạn chính xác các đôi tượng nhỏ và phức tạp như là ảnh y khoa, đồng thời giảm khối lượng tính toán và thời gian đẻ xử lý các đối tượng ảnh. Các mô hình CNN phân đoạn ảnh y khoa được dé xuất sau này về cơ bản đều dựa trên kiến trúc mạng U — Net va độ chính xác phân đoạn của chúng cũng được cải thiện trong từng bài toán cụ thể. Mặc đù mô hình U — Net làm rất tốt trong việc phân đoạn hình ảnh y khoa nhưng với những đổi tượng có nhiêu hình dạng, kích thước nhỏ trong ánh y khoa cũng là một van đề lớn ảnh hướng đến việc phân đoạn các đối tượng.
Đặc biệt là tuyên tụy và khôi u biểu mô tuyén là các đối tượng có đa dạng kích thước và vị trí trong ảnh y khoa, khiến cho việc phân đoạn trở nên khó khan, không đảm bảo tính chính xác. Zhou Yuyin và đồng nghiệp của ông ấy đã dé xuất mạng nơ — ron Hyper — Pairing Network (HPN) (8]. mang này sử dụng các tầng tích chập 3D dé tích hợp thông tin đa giai đoạn và tôi ưu hóa độ chính xác của mang trong việc phan đoạn khối tuyến tụy trên các ảnh có cau trúc 3D. Tuy nhiên mô hình này không thé trích xuất chính xác các đặc trưng biên dạng khi phân đoạn các tôn thương ung thư tuyến tụy với những thay đôi lớn vẻ hình dạng.
Điều này liên quan đến cấu trúc không gian giữa các pixel, từ đây việc xác định mỗi liên hệ giữa các pixel và vị trí của chúng trên ảnh đôi với các cơ quan có cau trúc phức tap trong cơ thẻ là điều rất quan trọng trong quá trình phân đoạn hình ảnh. Trong lĩnh vực phân đoạn ánh y khoa đặc biệt là phân đoạn ung thư biểu mô tuyến tụy, có những kiến trúc mạng được dé xuất như mô hình DLU - Net, PGD - Unet hay phương pháp Coarse to Fine, Các mô hình vả phương pháp này khắc phục được vẫn đề về những thay đôi lớn của hình dạng các đối tượng trong quá trình phân đoạn. chúng xác định được cầu trúc và mối liên hệ giữa các pixel, từ đó làm cho quá trình phân đoạn chính xác và hiệu quả hơn. Ngoài những mô hình DLU — Net, PGD — UNet và phương pháp Coarse to Fine còn có nhiều 19 nghiên cứu khác dang tiếp tục được thực hiện đê tìm ra những kiến trúc mạng mới và cải thiện kết qua phân đoạn trong lĩnh vực anh y khoa.
Nhưng các mô hình và phương pháp này vẫn nôi bật hơn cả trong giai đoạn hiện tại về vẫn đề phân đoạn ung thư tuyến tụy, ta cùng tìm hiểu về các mô hình và phương pháp phân đoạn này ở bên dưới. Các mô hình phân đoạn ung thư biểu mô tuyến tụy 2. Mô hình DLU - Net trong phân đoạn khối u biểu mô tuyến tụy. Xuất phát từ van dé của tuyến tụy — đó là kích thước tương đôi nhỏ và đa dạng.