PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO  VỚI MÔ HÌNH SWIN-UNET

Lê Minh Lợi; Trần Nguyễn Minh Thư; Hồ Quốc An; Phạm Nguyên Khang

doi:10.34238/tnu-jst.10053

PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO VỚI MÔ HÌNH SWIN-UNET

Thông tin bài báo

Ngày nhận bài: 07/04/24 Ngày hoàn thiện: 10/06/24 Ngày đăng: 10/06/24

Các tác giả

1. Lê Minh Lợi, 1) Trường Đại học Y Dược Cần Thơ, 2) Trường Đại học Cần Thơ
2. Trần Nguyễn Minh Thư , Trường Đại học Cần Thơ
3. Hồ Quốc An, Trường Đại học Cần Thơ
4. Phạm Nguyên Khang, Trường Đại học Cần Thơ

Tóm tắt

Để xác định vùng bất thường trên ảnh MRI sọ não, bác sĩ chẩn đoán hình ảnh cần khảo sát nhiều lát cắt từ bộ ảnh. Nghiên cứu này giúp tự động phát hiện vùng bất thường của não trên ảnh MRI. Các mô hình Unet, ResNet, Swin-Unet được huấn luyện trên bộ dữ liệu của Bệnh viện Trường Đại học Y Dược Cần Thơ kết hợp bộ dữ liệu LGG để phân đoạn ảnh có hoặc không có vùng bất thường. Sau đó mô hình sẽ đề xuất vùng bất thường thông qua đường biên được vẽ xung quanh. Kết quả thực nghiệm cho thấy, khi chia dữ liệu ngẫu nhiên theo ảnh, mô hình Swin-Unet đạt được độ chính xác cao nhất là 0,88, cùng với Recall, Precision và F1 Score lần lượt là 0,96, 0,71, và 0,82. Đối với việc xác định vị trí và hình dạng của vùng bất thường, Swin-Unet cũng thể hiện hiệu suất cao với mIoU đạt 0,89 và mDSC là 0,91. Khi chia dữ liệu theo bệnh nhân, mô hình Swin-Unet lại một lần nữa thể hiện hiệu suất tốt với độ chính xác (Accuracy) đạt 0,86, cùng với Recall là 0,88, Precision là 0,79, F1 Score là 0,83, còn đối với mIoU đạt 0,84 và mDSC đạt 0,89. Kết quả nghiên cứu cho thấy mô hình Swin-Unet có kết quả tốt trong bài toán phát hiện vùng bất thường trên ảnh MRI não.

Từ khóa

Phát hiện vùng bất thường; Phân đoạn ảnh y tế; Học sâu; Transformer; Swin-Unet

Toàn văn:

PDF

Tài liệu tham khảo

[1] Tsai, A. Yezzi, W. Wells, C. Tempany, D. Tucker, A. Fan, W. Grimson, and A. Willsky, “A shape-based approach to the segmentation of medical imagery using level sets,” IEEE Transactions on Medical Imaging, vol. 22, no. 2, pp. 137–154, 2003.

[2] K. Held, E. Kops, B. Krause, W. Wells, R. Kikinis, and H.-W. Muller-Gartner, “Markov random field segmentation of brain mr images,” IEEE Transactions on Medical Imaging, vol. 16, no. 6, pp. 878–886, 1997.

[3] M. L. Le, N. M. T. Tran, T. N. Ho, and N. K. Pham, “Using U-Net model to detect abnormal areas on brain MRI images,” The National Conference on Fundamental and Applied IT Research (in Vietnamese) (FAIR), Nha Trang, 2020, pp. 656-662.

[4] O. Ronneberger, P. Fischer, and T. Brox, “U-net: Convolutional networks forbiomedical image segmentation,” in Medical Image Computing and ComputerAssisted Intervention (MICCAI), ser. LNCS, vol. 9351, Springer, 2015, pp. 234– 241

[5] X. Xiao, S. Lian, Z. Luo, and S. Li, “Weighted res-unet for high-quality retina vesselsegmentation,” 2018 9th International Conference on Information Technology in Medicine and Education (ITME), 2018, pp. 327–331.

[6] Z. Zhou, M. R. Siddiquee, N. Tajbakhsh, and J. Liang, Unet++: A nestedu-net architecture for medical image segmentation. Springer Verlag, 2018, pp. 3–11.

[7] X. Li, H. Chen, X. Qi, Q. Dou, C.-W. Fu, and P.-A. Heng, “H-denseunet: Hybriddensely connected unet for liver and tumor segmentation from ct volumes,” IEEE Transactions on Medical Imaging, vol. 37, no. 12, pp. 2663–2674, 2018.

[8] O. C¸ic¸ek, A. Abdulkadir, S. Lienkamp, T. Brox, and O. Ronneberger, “3d u-net:¨ Learning dense volumetric segmentation from sparse annotation,” in Medical Image Computing and Computer-Assisted Intervention (MICCAI), ser. LNCS, vol. 9901, Springer, Oct. 2016, pp. 424–432.

[9] N. Carion, F. Massa, G. Synnaeve, N. Usunier, A. Kirillov, and S. Zagoruyko, “End-to-end object detection with transformers,” CoRR, 2020, doi: 10.48550/arXiv.2005.12872.

[10] Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai, T. Unterthiner, M. Dehghani, M. Minderer, G. Heigold, S. Gelly, J. Uszkoreit, and N. Houlsby, “An image is worth 16x16 words: Transformers for image recognition at scale,” in International Conference on Learning Representations, arXiv preprint arXiv:2010.11929, 2020.

[11] A. Hatamizadeh, V. Nath, Y. Tang, D. Yang, H. R. Roth, and D. Xu, “Swin UnetR: Swin Transformers for Segmantic Segmentation of Brain Tumors in MRI Images,” in Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, Springer International Publishing, 2022, pp.272-284.

[12] H. Cao, Y. Wang, J. Chen, D. S. Jiang, X. P. Zhang, Q. Tian, and M. Wang, “Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation,” in European conference on computer vision. Cham: Springer Nature Switzerland, 2022, pp. 205-218.

[13] Z. Liu, Y. Lin, Y. Cao, H. Hu, Y. Wei, Z. Zhang, S. Lin, and B. Guo, “Swintransformer: Hierarchical vision transformer using shifted windows,” in 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada, 2021, pp. 9992-10002.

[14] N. M. T. Tran, T. L. Bui, M. L. Le, T. N. Phu, and N. K. Pham, “Applying CGAN model for detecting abnormal areas on brain MRI images,” The National Conference on Fundamental and Applied IT Research (in Vietnamese) (FAIR), Ha Noi, 2022, pp. 462-469.

DOI: https://doi.org/10.34238/tnu-jst.10053

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ