Nâng cao hiệu quả phân vùng xuất huyết não bằng U-Net được tối ưu hóa với Residual Blocks
Email tác giả liên hệ:
dothanhhieukt@gmail.comDOI:
https://doi.org/10.54644/jte.2025.1968Từ khóa:
Phân vùng xuất huyết não, Chụp cắt lớp vi tính (CT), Mạng nơ-ron tích chập, U-net, ResUNet, Bộ xử lý đồ họaTóm tắt
Xuất huyết não là một tình trạng cấp cứu nguy hiểm, đòi hỏi chẩn đoán nhanh và chính xác để điều trị kịp thời. Hiện nay, chụp cắt lớp vi tính (CT) là phương pháp hình ảnh chủ yếu, nhưng các kỹ thuật phân vùng truyền thống vẫn còn hạn chế về độ chính xác. Trong nghiên cứu này, ba biến thể của kiến trúc U‑Net — gồm U‑Net tích hợp VGG16, U‑Net tích hợp ResNet‑18 và Residual U‑Net — được so sánh để tìm ra giải pháp tối ưu. Đặc biệt, Residual U‑Net tận dụng các kết nối tắt (shortcut connections) và khối Residual giúp mô hình học sâu hiệu quả ngay cả khi dữ liệu huấn luyện hạn chế. Để cân bằng giữa việc phân vùng vùng nền và vùng xuất huyết, quá trình huấn luyện áp dụng hàm mất mát kết hợp Binary Cross Entropy và Dice Loss. Kết quả đánh giá cho thấy Residual U‑Net vượt trội về độ chính xác và các chỉ số quan trọng so với hai biến thể còn lại, ngay cả với tập dữ liệu nhỏ. Nhờ khả năng tái sử dụng đặc trưng và hàm mất mát được tối ưu, Residual U‑Net hứa hẹn trở thành một công cụ mạnh mẽ hỗ trợ chẩn đoán lâm sàng, nâng cao hiệu quả phân vùng xuất huyết não trên ảnh CT.
Tải xuống: 0
Tài liệu tham khảo
P. D. Chang et al., “Hybrid 3D/2D convolutional neural network for hemorrhage evaluation on head CT,” Am. J. Neuroradiol., vol. 39, no. 9, pp. 1609–1616, 2018. DOI: https://doi.org/10.3174/ajnr.A5742
P. Inkeaw et al., “Automatic hemorrhage segmentation on head CT scan for traumatic brain injury using 3D deep learning model,” Comput. Biol. Med., vol. 146, 2022. DOI: https://doi.org/10.1016/j.compbiomed.2022.105530
K. Jnawali, M. R. Arbabshirani, N. Rao, and A. A. Patel, “Deep 3D convolution neural network for CT brain hemorrhage classification,” in Proc. SPIE Med. Imaging: Comput.-Aided Diagnosis, 2018, vol. 10575, Art. no. 105751C. DOI: https://doi.org/10.1117/12.2293725
H. Ye et al., “Precise diagnosis of intracranial hemorrhage and subtypes using a three-dimensional joint convolutional and recurrent neural network,” Eur. Radiol., vol. 29, pp. 6191–6201, 2022. DOI: https://doi.org/10.1007/s00330-019-06163-2
M. Grewal, M. M. Srivastava, P. Kumar, and S. Varadarajan, “RADnet: Radiologist level accuracy using deep learning for hemorrhage detection in CT scans,” in Proc. IEEE Int. Symp. Biomed. Imaging (ISBI), Washington, DC, USA, 2018, pp. 281–284, doi: 10.1109/ISBI.2018.8363574. DOI: https://doi.org/10.1109/ISBI.2018.8363574
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional networks for biomedical image segmentation,” in Proc. Med. Image Comput. Comput.-Assist. Intervent. (MICCAI), 2015. DOI: https://doi.org/10.1007/978-3-319-24574-4_28
H. S. Bhadauria, A. Singh, and M. L. Dewal, “An integrated method for hemorrhage segmentation from brain CT imaging,” Comput. Electr. Eng., vol. 39, no. 5, pp. 1527–1536, 2013. DOI: https://doi.org/10.1016/j.compeleceng.2013.04.010
M. K. Nag, S. Chatterjee, A. K. Sadhu, J. Chatterjee, and N. Ghosh, “Computer-assisted delineation of hematoma from CT volume using autoencoder and Chan Vese model,” Int. J. Comput. Assist. Radiol. Surg., vol. 14, pp. 259–269, 2019. DOI: https://doi.org/10.1007/s11548-018-1873-9
H. Kuang, B. K. Menon, and W. Qiu, “Segmenting hemorrhagic and ischemic infarct simultaneously from follow-up non-contrast CT images in patients with acute ischemic stroke,” in Lecture Notes in Computer Science, vol. 11766, pp. 856–863, 2019. DOI: https://doi.org/10.1007/978-3-030-32248-9_95
M. D. Hssayeni, M. S. Croock, A. D. Salman, H. F. Al-khafaji, Z. A. Yahya, and B. Ghoraani, “Intracranial hemorrhage segmentation using a deep convolutional model,” Data, vol. 5, no. 1, p. 14, 2020. DOI: https://doi.org/10.3390/data5010014
Q. T. Hoang, X. H. Pham, X. T. Trinh, A. V. Le, M. V. Bui, and T. T. Bui, “An efficient CNN-based method for intracranial hemorrhage segmentation from computerized tomography imaging,” J. Imaging, vol. 10, no. 4, p. 77, Mar. 25, 2024. DOI: https://doi.org/10.3390/jimaging10040077
PhysioNet, “CT Intracranial Hemorrhage dataset (version 1.3.1),” [Online]. Available: https://physionet.org/content/ct-ich/1.3.1
S. Liu and W. Deng, “Very deep convolutional neural network based image classification using small training sample size,” in Proc. IAPR Asian Conf. Pattern Recognit. (ACPR), Kuala Lumpur, Malaysia, 2015, pp. 730–734. DOI: https://doi.org/10.1109/ACPR.2015.7486599
M. Shafiq and Z. Gu, “Deep residual learning for image recognition: A survey,” Appl. Sci., vol. 12, p. 8972, 2022. DOI: https://doi.org/10.3390/app12188972
P. Yakubovskiy, segmentation_models (Version 1.0.1) [Software]. GitHub, 2022. [Online]. Available: https://github.com/qubvel/segmentation_models
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Bản quyền (c) 2006 Tạp chí Khoa học Giáo dục Kỹ Thuật
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
