Phân vùng lá gan trong ảnh y khoa dựa trên phương pháp Graph Cuts
b. Chủ nhiệm đề tài: Tôn Thất Suyền
c. Tên cơ quan đi học: Trường THPT Hùng Vương
d. Tên Viện - trường thực hiện luận văn: Trường Đại học Sư phạm Tp.Hồ Chí Minh
e. Mục tiêu nghiên cứu:
Mục tiêu của luận văn là phân vùng lá gan dựa vào ảnh chụp CT vùng bụng, sử dụng phương pháp Graph cuts kết hợp với mạng học sâu U-Net đã được tinh chỉnh
f. Kết quả thực hiện (tóm tắt):
Đây là Luận văn tốt nghiệp thạc sĩ của tác giả Tôn Thất Suyền thực hiện vào năm 2020 với mục tiêu là phân vùng lá gan dựa vào ảnh chụp CT vùng bụng, sử dụng phương pháp Graph cuts kết hợp với mạng học sâu U-Net đã được tinh chỉnh.
Để đạt được yêu cầu bài toán, tác giả đã áp dụng các phương pháp nghiên cứu và thực hiện những công việc sau đây: phương pháp khảo sát, phân tích đánh giá các phương pháp đã có: tìm hiểu các nghiên cứu liên quan đến việc phân vùng gan trong hình ảnh CT, nắm bắt ý tưởng chung, phân tích các ưu và khuyết điểm của từng phương pháp. Phương pháp mô hình hóa: đề xuất phương pháp giải quyết bài toán dựa trên phương pháp Graph cuts kết hợp mạng học sâu U-Net. Phương pháp thực nghiệm: hiện thực phương pháp đề xuất với tập dữ liệu cụ thể. Phương pháp thống kê, phân tích số liệu: so sánh các chỉ số đánh giá mô hình phân vùng của phương pháp đề xuất với kết quả của các phương pháp khác.
Kết quả, tác giả đã đề xuất một phương pháp phân vùng gan hoàn toàn tự động trên ảnh CT bụng. Bước đầu tiên trong quá trình phân vùng gan, đầu tiên xử lý vấn đề về độ tương phản thấp giữa gan và các cơ quan lân cận và sự khác biệt lớn giữa các cá thể gan trên hình ảnh CT, bằng cách điều chỉnh giá trị HU của “cửa sổ gan” kết hợp với thuật toán cân bằng Histogram. Dựa trên phương pháp Graph cuts và mạng học sâu U-Net đã được tinh chỉnh cho phù hợp với yêu cầu bài toán. Tca giả sử dụng U-Net đã được tinh chỉnh để phân vùng gan và thu được bản đồ phân bố xác suất. Bước tiếp theo, xây dựng một hàm năng lượng Graph Cuts tích hợp bản đồ phân bố xác suất gan thu được với thông tin ngữ cảnh của chuỗi hình ảnh lát cắt 2D trong ảnh CT 3D. Cuối cùng, thu được kết quả phân vùng hoàn chỉnh bằng cách tối thiểu hóa hàm năng lượng cắt đồ thị thông qua thuật toán luồng cực đại lát cắt cực tiểu. Phương pháp đề xuất được đánh giá trên bộ dữ liệu công khai MICCAI-LiST-2017, và đạt được các chỉ số đánh giá lần lượt là DSC = 95.24%, VOE = 8.9%, ASSD = 1.62mm, RMSD = 3.88mm, MSD = 33.28mm. Bằng cách so sánh kết quả với các phương pháp phân vùng gan tự động hiện đại, phương pháp của tác giả cho thấy độ chính xác của phân vùng gan cao hơn ở tất cả các chỉ số đánh giá. Mặt khác, mối tương quan cao giữa phân vùng của luận văn và phân vùng thủ công cho thấy rằng kết quả của phương pháp được đề xuất có khả năng đóng vai trò là một tham chiếu quan trọng trong việc giúp bác sĩ đưa ra các chuẩn đoán lâm sàng liên quan đến các bệnh lý về gan.
Kết quả của luận văn bước đầu cung cấp phương pháp phân vùng ảnh lá gan trong ảnh y khoa. Ưu điểm của phương pháp là giải quyết được vấn đề phân vùng chỉ phụ thuộc vào việc nhóm các pixel dựa trên một số đặc điểm nhất định như màu sắc, cường độ hoặc kết cấu của hình ảnh. Ngoài ra ưu điểm của phương pháp là phân vùng lá gan hoàn toàn tự động. Luận văn cung cấp cơ sở lý luận cho phân vùng lá gan trong ảnh y khoa. Mặt khác luận văn đóng vai trò là tài liệu tham khảo cho những ai quan tâm đến phân vùng lá gan dựa vào ảnh CT bụng.
g. Năm tốt nghiệp: 2021