Chương 1. TONG QUAN khối u gan. Trong đó, một hình ảnh trong hệ tọa độ Descartes được chuyển đổi thành hệ tọa độ mới với hai trục lần lượt là khoảng cách tới gốc tọa độ và hệ số góc. Sự kết hợp của các phép chuyển đồi trong giai đoạn tiền xử lý ảnh giúp giảm độ phức tạp về hình đáng và vị trí vật thể, cho phép quá trình huấn luyện được tiến hành tốt hơn, từ đó đạt được hiệu năng cao dù chỉ với mô hình có số lượng tham số nhỏ.
Dựa theo ý tưởng trên, tôi sử dụng các kỹ thuật để xuất như một bước tiền xử lý cho các kiến trúc mạng nơ-ron hiện tại, điển hình là mô hình U-Net [20], một trong những kiến trúc mạng nơ-ron được sử dụng rộng rãi nhất trong nhiệm vụ phân đoạn hình ảnh y khoa. Những công trình liên quan 1. Mô hình mạng nơ-ron U-Net Trong bài toán phân đoạn ảnh y khoa, như đã đề cập, mô hình U-Net [20] là một trong những mô hình mạng nơ-ron tích chập nỗi bật nhất. Mô hình U-Net là mô hình một mạng nơ-ron tích chập dựa trên kiến trúc encoder-decoder, trong đó các đặc trưng được rút trích từ các bộ encoder và decoder được kết nối qua lại, bổ sung thông tin cho nhau (Hình 1.
4 64 G4 128 64 64 2 input output image le segmentation tile map => conv 3x3, ReLU copy and crop # max pool 2x2 4 up-conv 2x2 => conv 1x1 Hình 1. Hình minh họa kiến trúc của mô hình mạng no-ron U-Net [20]. Kiến trúc mô hình U-Net mang nhiều đặc trưng giúp mô hình phù hợp với bài toán phân đoạn ảnh nói chung và phân đoạn ảnh y khoa nói riêng: e GO phần encoder (phần bên trái) là một kiến trúc mang no ron tích chập tiêu chuẩn với các lớp convolutional layer và max pooling, có nhiệm vụ rút trích đặc trưng cũng như giảm kích thước ảnh nhưng vẫn giữ được những thuộc tính quan trọng của ảnh. TONG QUAN e Phan decoder (phan bên phải) có nhiệm vụ khôi phục lại kích thước của ảnh gốc bằng lớp up-conv có chức năng tăng kích thước của ảnh.
e Các layer ở hai phần encoder va decoder được kết nối với nhau giúp giảm thiểu khả năng xảy ra vanishing gradient, vấn đề gây khó khăn trong việc cập nhật trọng số cho mô hình; cũng như bổ sung các thông tin cần thiết từ layer ở encoder sang decoder. e Ngoài ra, kiến trúc mô hình U-Net còn không có sự hiện diện của các lớp Fully Connected dé kết nói các đặc trưng được rút trích. Nhiệm vụ kết nối đặc trưng này được đảm nhiệm bởi phần decoder của mô hình. Việc loại bỏ hoàn toàn lớp Fully Connected khỏi mô hình giúp cho mô hình linh hoạt hơn trong việc chấp nhận các kích thước khác nhau của input.
Một số phiên bản cải tiến về kiến trúc của mô hình U-Net đã được đề xuất cho nhiệm vụ phân đoạn hình ảnh y khoa trên tập dữ liệu ảnh chụp CT tương tự, trong cả 2 hướng dùng ảnh CT 3D nguyên mẫu và sử dụng các lát cắt ngang 2D của ảnh. Một phiên bản mở rộng của kiến trúc mô hình U-Net đã được dé xuất là U- Net 3D [6], với đầu vào trực tiếp là ảnh CT 3D nguyên mẫu. Ngoài ra, các mô hình KiU-Net và KiU-Net 3D [21] với thiết kế là sự kết hợp giữa hai phần: Kite-Net với khả năng nắm bắt tốt các chỉ tiết nhỏ cũng như các cạnh viền của hình ảnh đầu vào và U-Net với khả năng học các đặc trưng tổng quát hơn. Đối với bài toán phân đoạn gan và khối u gan, với những ưu điểm nêu trên, mô hình KiU-Net 3D [21] mang lại kết quả tốt nhất hiện nay khi so sánh ở hệ số đánh giá DSC lần lượt với nhiệm vụ phân đoạn gan và khối u gan là 0.
Tuy nhiên, với việc sử dụng đầu vào trực tiếp là anh CT 3D nguyên mẫu, các mô hình U-Net 3D yêu cầu một mô hình huắn luyện phức tạp hơn, tốn nhiều chi phí về tài nguyên cũng như thời gian dé thực nghiệm. Đây cũng chính là lý do phạm vi nghiên cứu của luận văn là tối ưu hóa hiệu năng trên mô hình U-Net cơ bản nhất dựa trên các phương pháp tiền xử lý dit liệu phù hợp. Chuyển đổi hệ tọa độ cực Chuyển đổi hệ tọa độ cực là phương pháp chuyền đồi ảnh ở hệ tọa độ Descartes (với hai trục hoành x và trục tung y) sang hệ tọa độ cực (với hai trục thể hiện khoảng cách gốc tọa độ p và hệ số góc quanh gốc tọa độ ø). Việc sử dụng phép chuyển đổi hệ tọa độ cực kết hợp với mô hình mạng nơ- ron đã được đề xuất trước đây, cụ thê là trong lĩnh vực phân đoạn ảnh y khoa với nghiên cứu của Q.
Liu et el. Nghiên cứu này dé xuất mô hình DDNet với sự kết hợp thông tin từ cả hai hệ tọa độ Descartes và hệ tọa độ cực qua một dual-domain fusion module. Thời gian gan đây, lĩnh vực xử ly anh y khoa xuất hiện một phương pháp của M. Benševié et al.
Nghiên cứu nay sử dung phép. biến đổi tọa độ cực như một bước tiền xử ly dit liệu trước khi đưa vào huấn luyện ở mô hình U- Net. Hệ thống sẽ gồm hai bước là phân đoạn sơ bộ trên mô hình U-Net ở hệ tọa độ Descartes, từ đó tiến hành biến đồi hệ tọa độ cực và phân đoạn ở hệ tọa độ cực, sau đó chuyển đổi kết quả lại hệ tọa độ Descartes như thê hiện ở Hình 1. Với hướng tiếp cận áp dụng phương pháp biến đổi hệ tọa độ cực, M.
Benevié et al. [1] đã đưa ra kết quả ở nhiệm vụ phân đoạn gan ở hệ số DSC là 0.9302 và ở hệ số IoU là 0. Tuy nhiên, công trình nghiên cứu trên chưa đưa ra được kết quả khi áp dụng cho nhiệm vụ phân đoạn khối u gan, đây cũng chính là lý do cho việc áp dụng phương pháp trên vào hướng nghiên cứu của luận văn. Cartesian Cartesian Center of Polar Polar Polar Inverse image network mass transform network prediction polar transform a > fir 1n a | > i oat m m Hình 1.
Hình minh họa hệ thống phân đoạn hình ảnh hệ tọa độ cực của M. Benevié et al. TONG QUAN Ngoài ra, phương pháp trên còn được phát triển thành phép biến đổi hệ toa độ cực đa đối tượng để phân đoạn các động mạch chủ trong các lát cắt ngang từ ảnh chụp. CT động mạch (CTA) [3].
Với hướng phát triển trên, hình ảnh sẽ được chuyền đổi hệ tọa cực cho từng thành phần cần phân vùng trước khi đưa vào mô hình, sau đó kết hợp các đầu ra lại với nhau trước khi chuyển đổi ngược lại hệ tọa độ Descartes (Hình 1. Hình minh họa hệ thống phân đoạn hình ảnh hệ tọa độ cực đa điểm của M. Benševié et al. Nhận thay sự phù hợp của việc áp dụng phương pháp trên cho van đề phân đoạn trên nhiều vật thể khối u gan, tôi đã tiến hành kết hợp việc ứng dụng phương pháp trên và việc sử dụng chuyền đổi Hounsfield đa kênh như là bước tiền xử lý ảnh để phục vụ cho việc huấn luyện mô hình mạng nơ-ron U-Net.
Đóng góp cúa đề tài Với việc áp dụng phương pháp được đề xuất trong nhiệm vụ phân đoạn khối u gan, luận văn mang lại một số đóng góp sau: ¢ Phuong pháp chuyền đổi Hounsfield đa kênh: o Tận dụng được sự phân bé mức Hounsfield rộng của các đối tượng ung thư cẦn phân đoạn o Chuyển đồi ảnh gốc thành ảnh đa kênh với mỗi kênh thé hiện các đặc trưng khác nhau của ảnh nhằm tối ưu hóa quá trình rút trích đặc trưng khi huấn luyện mô hình. TONG QUAN ¢ _ Phương pháp biến đôi hệ toa độ cực (Polar transformation): o_Hỗ trợ chuyển vật thê ung thư cần phân đoạn về một vị trí cụ thể, giúp giảm bớt sự đa dạng và phân tán của vị trí cũng như hình dang vật thé, từ đó gia tăng độ chính xác cho mô hình hudn luyện. Việc phối hợp cả 2 phương pháp trên như một bước tiền xử lý cho mô hình mạng nơ-ron giúp hệ thống đạt được kết quả cao nhất ở bài toán Phân đoạn Ung thư gan trên tập dữ liệu Liver Tumor Segmentation Challenge (LiTS17) [5][12]. PHƯƠNG PHÁP LUẬN.
PHƯƠNG PHÁP LUẬN Trong pham vi nghiên cứu của luận văn này, tôi trình bày hai phương pháp luận của hướng tiếp cận được đề xuất áp dụng vào việc phân đoạn khối u gan trên anh CT 6 bụng: © Chuyển đổi Hounsfield đa kênh: đây là phương pháp được tôi đưa ra nhằm giải quyết vấn đề đa dạng trong phân bổ của ảnh CT u gan, mục đích nhằm tận dụng tối đa từ sự đa đạng trên trong quá trình rút trích đặc trưng khi huấn luyện mô hình. © Phuong pháp biến đồi hệ tọa độ cực: đây là phương pháp đã được đề xuất ở các báo cáo khoa học trước đây. Cụ thé là phương pháp biến đổi hệ tọa độ cực đa điểm trên nhiều đối tượng cho việc giải quyết bài toán phân đoạn các động mạch chủ trong các lát cắt từ ảnh chụp CT động mạch. Kiến trúc tổng quan Trong bai toán phân đoạn khối u gan, hệ thống được mô tả như lược dé ở Hình 2., với ¢ Input: Hình chụp CT đã được cắt lat theo lát cắt ngang 2D.
© Output: Phân đoạn của gan và khối u gan. Ở giai đoạn Phân đoạn Gan, phương pháp đề xuất áp dụng biến đổi hệ tọa độ cực ở bước tiền xử lý trước khi đưa vào mô hình huấn luyện. Ở giai đoạn Phân đoạn U Gan, áp dung cùng lúc 2 phương pháp chuyển đồi Hounsfield đa kênh và biến đồi hệ tọa độ cực ở bước tiền xử lý. Lược đồ hệ thông phân đoạn gan và khối u gan.
PHƯƠNG PHÁP LUẬN. Chuyển đổi Hounsfield đa kênh 2. Ý tưởng ban đầu Nhằm loại bỏ thông tin từ các mô không cần thiết và giữ lại nhiều nhất các đặc trưng về vị trí giải phẫu cũng như hình dáng của gan và khối u gan, tôi đã xử lý để bộ hình ảnh huấn luyện trở nên cân bằng hơn bằng cách áp dụng vùng quan tâm (ROI) đồng bộ là [0, 200] HU. Tuy nhiên, do đặc trưng giải phẫu các cá thé ung thư, vùng khối u gan có phân bổ ở độ tương phản Hounsfield rộng hơn, có sự đa dang hơn về độ sáng, độ tương phản và độ bão hòa trên các mẫu khiến việc học trở nên khó khăn hơn và tỷ lệ nhằm lẫn cao hơn (Hình 2.
Vì lẽ đó, phương pháp chuyên đôi Hounsfield đa kênh ra đời dé khắc phục van đề trên. Phân bô của đơn vị Hounsfield của gan (màu xanh) và u gan (màu đỏ) [5]. PHƯƠNG PHÁP LUẬN.