MỘT PHƯƠNG PHÁP CẢI THIỆN ĐỘ CHÍNH XÁC CỦA MÔ HÌNH HỌC SÂU PHÁT HIỆN BỆNH U NÃO TRÊN ẢNH CỘNG HƯỞNG TỪ

Đinh Công Tùng; Mai Đức Vinh; Lê Đăng Sơn

doi:10.34238/tnu-jst.12185

MỘT PHƯƠNG PHÁP CẢI THIỆN ĐỘ CHÍNH XÁC CỦA MÔ HÌNH HỌC SÂU PHÁT HIỆN BỆNH U NÃO TRÊN ẢNH CỘNG HƯỞNG TỪ

Thông tin bài báo

Ngày nhận bài: 03/03/25 Ngày hoàn thiện: 05/06/25 Ngày đăng: 05/06/25

Các tác giả

1. Đinh Công Tùng , Trường Đại học Giao thông vận tải
2. Mai Đức Vinh, Trường Đại học Giao thông vận tải
3. Lê Đăng Sơn, Trường Đại học Giao thông vận tải

Tóm tắt

Bài báo này đề xuất một phương pháp tiền xử lý nhằm nâng cao độ chính xác của mô hình học sâu trong phát hiện và phân loại khối u não trên ảnh cộng hưởng từ. Trước hết, ảnh đầu vào được xử lý bằng bộ lọc Gabor để làm nổi bật các đặc trưng quan trọng gồm cạnh, kết cấu và hướng của cấu trúc não, giúp tăng khả năng nhận diện đặc điểm hình thái của khối u. Tiếp theo, do ảnh cộng hưởng từ bị ảnh hưởng bởi các nhiễu trong quá trình thu thập, kỹ thuật Denoising Autoencoder được áp dụng để loại bỏ nhiễu và cải thiện chất lượng hình ảnh. Cuối cùng, mô hình học sâu VGG16 thực hiện phân loại bốn loại u não phổ biến gồm không có u não, u thần kinh đệm (glioma), u màng não (meningioma), và u tuyến yên (pituitary tumor). Thực nghiệm được tiến hành trên tập dữ liệu lớn với hàng nghìn ảnh cộng hưởng từ, cho thấy phương pháp đề xuất giúp mô hình đạt độ chính xác 96,68%, cao hơn các phương pháp truyền thống. Những kết quả trên khẳng định tiềm năng của học sâu trong chẩn đoán và phân loại sớm các bệnh lý não bộ, góp phần hỗ trợ y học hiện đại.

Từ khóa

Ảnh cộng hưởng từ; U não Bộ lọc Gabor; Mô hình DAE; Mô hình VGG16

Toàn văn:

PDF

Tài liệu tham khảo

[1] S. Sarkar, A. Kumar, S. Chakraborty, S. Aich, J. S. Sim, and H. C. Kim, “A CNN-based approach for the detection of brain tumor using MRI scans,” Test Eng. Manag., vol. 83, pp. 16580–16586, Bhubaneswar, India, May 2020.

[2] H. S. Nogay and H. Adeli, “Multiple classification of brain MRI autism spectrum disorder by age and gender using deep learning,” J. Med. Syst., vol. 48, no. 15, 2024, doi: 10.1007/s10916-023-02032-0.

[3] J. Chaki and M. Woźniak, “A deep learning-based four-fold approach to classify brain MRI: BTSCNet,” Biomed. Signal Process. Control, vol. 85, 2023, doi: 10.1016/j.bspc.2023.104902.

[4] O. Özkaraca, O. İ. Bağrıaçık, H. Gürüler, F. Khan, J. Hussain, J. Khan, and U. Laila, “Multiple brain tumor classification with dense CNN architecture using brain MRI images,” Life, vol. 13, no. 2, 2023, doi: 10.3390/life13020349.

[5] E. Avsar and K. Salcin, “Detection and classification of brain tumors from MRI images using Faster R-CNN,” Tehnicki Glasnik, vol. 13, no. 4, pp. 337–342, Dec. 2019.

[6] S. Saeedi, S. Rezayi, H. Keshavarz, and S. R. N. Kalhori, “MRI-based brain tumor detection using convolutional deep learning methods and chosen machine learning techniques,” BMC Med. Inform. Decis. Mak., vol. 23, no. 16, 2023, doi: 10.1186/s12911-023-02114-6.

[7] S. Das, O. F. M. R. R. Aranya, and N. N. Labiba, “Brain tumor classification using convolutional neural network,” in Proc. 1st Int. Conf. Adv. Sci. Eng. Robot. Technol. (ICASERT), Dhaka, Bangladesh, May 2019, pp.1-5.

[8] K. M. V. Hespen, J. J. M. Zwanenburg, J. W. Dankbaar, et al., “An anomaly detection approach to identify chronic brain infarcts on MRI,” Sci. Rep., vol. 11, no. 7714, 2021, doi: 10.1038/s41598-021-87013-4.

[9] H. M. Rai, K. Chatterjee, and S. Dashkevich, “Automatic and accurate abnormality detection from brain MR images using a novel hybrid UnetResNext-50 deep CNN model,” Biomed. Signal Process. Control, vol. 66, 2021, Art. no. 102477.

[10] N. Arunkumar, M. A. Mohammed, S. A. Mostafa, D. A. Ibrahim, J. J. P. C. Rodrigues, and V. H. C. Albuquerque, “Fully automatic model-based segmentation and classification approach for MRI brain tumor using artificial neural networks,” Concurr. Comput. Pract. Exp., vol. 32, no. 1, Jan. 2020, Art. no. e4962.

[11] R. Mehrotra, K. R. Namuduri, et al., “Gabor filter-based edge detection,” Pattern Recognit., vol. 25, pp. 1479–1494, 1992.

[12] P. Vincent, H. Larochelle, Y. Bengio, and P. A. Manzagol, “Extracting and composing robust features with denoising autoencoders,” in Proc. 25th Int. Conf. Mach. Learn., 2008, pp. 307–314, doi: 10.1145/1390156.1390294.

[13] J. G. Daugman et al., “Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters,” J. Opt. Soc. Am., vol. 2, no. 7, pp. 1160–1169, 1985.

[14] M. Nickparvar, “Brain Tumor MRI Dataset,” Kaggle, 2021. [Online]. Available: https://www.kaggle.com/dsv/2645886. [Accessed October 23, 2024].

[15] C. W. Cleverdon, “Factors Determining the Performance of Indexing Systems,” Aslib Cranfield Research Project, 1966.

[16] C. J. V. Rijsbergen, Information Retrieval, 2nd ed. Butterworth-Heinemann, 1979.

DOI: https://doi.org/10.34238/tnu-jst.12185

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ