HỌC SÂU – CHẨN ĐOÁN BỆNH PHỔI THÔNG QUA HÌNH ẢNH X-QUANG

Đào Thị Lệ Thủy

doi:10.34238/tnu-jst.11728

HỌC SÂU – CHẨN ĐOÁN BỆNH PHỔI THÔNG QUA HÌNH ẢNH X-QUANG

Thông tin bài báo

Ngày nhận bài: 17/12/24 Ngày hoàn thiện: 30/12/24 Ngày đăng: 30/12/24

Các tác giả

Đào Thị Lệ Thủy , Trường Đại học Giao thông Vận tải

Tóm tắt

Ngày nay, học máy và học sâu đã đạt được nhiều kết quả tích cực trong việc hỗ trợ chẩn đoán và điều trị bệnh. Dựa trên dữ liệu, các thông số và hình ảnh như X-quang, siêu âm và chụp cộng hưởng từ, máy móc có thể giúp các bác sĩ chẩn đoán và điều trị bệnh tốt hơn. Bài báo này trình bày các thử nghiệm ban đầu về việc sử dụng học sâu để xác định bệnh phổi thông qua nhận dạng hình ảnh X-quang. Trong các thử nghiệm, có ba bệnh lý về phổi bao gồm phình động mạch chủ, đục phổi và một tổn thương khác. Ngoài ra, cũng có các trường hợp không mắc bệnh để xác định. Mô hình học sâu với mạng nơ-ron tích chập và DenseNet121 đã được sử dụng trong các thử nghiệm với dữ liệu hình ảnh X-quang từ các mẫu bệnh nhân Việt Nam do VinBigData cung cấp. Độ chính xác trung bình cao nhất đạt được trong việc xác định dày màng phổi và xơ hóa phổi là 91,68% khi sử dụng DenseNet121.

Từ khóa

Hình ảnh X-quang; Bệnh phổi; Nhận dạng; Mạng nơ-ron tích chập; DenseNet121

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] Wikipedia, “Wilhelm Röntgen,” December 17, 2024. [Online]. Available: https://en.wikipedia.org/wiki/Wilhelm_R%C3%B6ntgen. [Accessed December 26, 2024].

[2] Q. Ke, J. Zhang, W. Wei, D. Połap, M. Woźniak, L. Kośmider, and R. Damaševĭcius, "A neuro-heuristic approach for recognition of lung diseases from X-ray images," Expert Systems with Applications, vol. 126, pp. 218-232, 2019.

[3] E. Ayan and H. M. Ünver, "Diagnosis of pneumonia from chest X-ray images using deep learning," in 2019 Scientific Meeting on Electrical-Electronics & Biomedical Engineering and Computer Science (EBBT), IEEE, 2019, pp. 1-5.

[4] V. Chouhan, S. K. Singh, A. Khamparia, D. Gupta, P. Tiwari, C. Moreira, R. Damaševičius, and V. H. C. D. Albuquerque, "A novel transfer learning-based approach for pneumonia detection in chest X-ray images," Applied Sciences, vol. 10, no. 2, 2020, Art. no. 559.

[5] S. H. Yoo, H. Geng, T. L. Chiu, S. K. Yu, D. C. Cho, J. Heo, M. S. Choi et al., "Deep learning-based decision-tree classifier for COVID-19 diagnosis from chest X-ray imaging," Frontiers in medicine, vol. 7, 2020, Art. no. 427.

[6] H. Wang, H. Gu, P. Qin, and J. Wang, "CheXLocNet: Automatic localization of pneumothorax in chest radiographs using deep convolutional neural networks," PLoS One, vol. 15, no. 11, 2020, Art. no. e0242013.

[7] J. Velasco, J. R. Ang, J. Caibigan, F. M. Naval, N. Arago, and B. Fortaleza, "Identification of Normal and Diseased Lungs using X-ray Images through Transfer Learning," Int. J. Adv. Trends Comput. Sci. Eng., vol. 9, no. 4, pp. 6227-6231, 2020.

[8] K.-C. Chen, H.-R. Yu, W.-S. Chen, W.-C. Lin, Y.-C. Lee, H.-H. Chen, J.-H. Jiang et al., "Diagnosis of common pulmonary diseases in children by X-ray images and deep learning," Scientific reports, vol. 10, no. 1, pp. 1-9, 2020.

[9] K. T. Islam, S. N. R. Wijewickrema, A. Collins, and S. J. O'Leary, "A Deep Transfer Learning Framework for Pneumonia Detection from Chest X-ray Images," in VISIGRAPP (5: VISAPP), pp. 286-293, 2020.

[10] J. de Moura, J. Novo, and M. Ortega, "Fully automatic deep convolutional approaches for the analysis of Covid-19 using chest X-ray images," Applied Soft Computing, vol. 115, 2022, Art. no. 108190.

[11] V. Madaan, A. Roy, C. Gupta, P. Agrawal, A. Sharma, C. Bologa, and R. Prodan, "XCOVNet: Chest X-ray Image Classification for COVID-19 Early Detection Using Convolutional Neural Networks," New Generation Computing, vol. 39, pp. 583–597, 2021.

[12] G. Jia, H.-K. Lam, and Y. Xu, "Classification of COVID-19 chest X-ray and CT images using a type of dynamic CNN modification method," Computers in biology and medicine, vol. 134, 2021, Art. no. 104425.

[13] P. Vieira, O. Sousa, D. Magalhes, R. Rablo, and R. Silva, "Detecting pulmonary diseases using deep features in X-ray images," Pattern Recognition, vol. 119, 2021, Art. no. 108081.

[14] A. Sarkar, J. Vandenhirtz, J. Nagy, D. Bacsa, and M. Riley, "Identification of Images of COVID-19 from Chest X-rays Using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0™ Software with Open-Source Convolutional Neural Networks," SN Computer Science, vol. 2, no. 3, pp. 1-16, 2021.

[15] H. Q. Nguyen, K. Lam, L. T. Le, H. H. Pham, D. Q. Tran, D. B. Nguyen, D. D. Le, et al., "VinDr-CXR: An open dataset of chest X-rays with radiologist's annotations," arXiv preprint arXiv:2012.15029, 2020.

[16] D. Subhash, “7 Best Models for Image Classification using Keras,” November 17, 2018. [Online]. Available: https://www.it4nextgen.com/keras-image-classification-models/. [Accessed December 26, 2024].

[17] T. L. T. Dao, V. L. Trinh, B. T. Chu, and H. C. Nguyen, "Music genre classification using densenet and data augmentation," Computer Systems Science and Engineering, vol. 47, no. 1, pp. 657–674, 2023.

[18] G. Huang, Z. Liu, L. V. D. Maaten, and K. Q. Weinberger, "Densely connected convolutional networks,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 4700-4708.

[19] J. Admin, “How to Treat Overfitting in Convolutional Neural Networks,” September 7, 2020. [Online]. Available: https://www.analyticsvidhya.com/blog/2020/09/overfitting-in-cnn-show-to-treat-overfitting -in-convolutional-neural-networks. [Accessed December 21, 2024].

DOI: https://doi.org/10.34238/tnu-jst.11728

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ