ĐỀ TÀI: PHÁT HIỆN KHỐI U

TRONG ẢNH CT CẮT LỚP PHỔI

 ĐỀ TÀI: PHÁT HIỆN KHỐI U
TRONG ẢNH CT CẮT LỚP PHỔI

1. GIỚI THIỆU
2. YÊU CẦU BÀI TOÁN
3. DATA VÀ TRÍNH TIỀN XỬ LÝ
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP
5. MỞ RỘNG: HẬU XỬ LÝ
6. TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN
1. GIỚI THIỆU

- Ung thư phổi: nguy hiểm và có tỷ lệ người mắc cao nhất ở 2 giới.

- Sử dụng ảnh CT dự đoán úng thư phổi giúp giảm tỷ lệ tử vong.

2. YÊU CẦU BÀI TOÁN

- Thực
tế: Các chương trình tiên tiến với sự hỗ trợ của vi tính
nhằm phát hiện khối u còn khan hiếm.

- Với thông tin đầu vào là ảnh gray 512 × 512, cần xác
định những vị trí nghi ngờ có khối u.
3. DATA VÀ QUÁ TRÌNH TIỀN XỬ LÝ
MỘT SỐ THUỘC TÍNH ẢNH CT:
- ORIGIN
- SPACING
- HOUNSFIELD UNIT: MỨC XÁM CỦA CÁC VẬT CHẤT
3. DATA VÀ QUÁ TRÌNH TIỀN XỬ LÝ

- DATA: LUNA 2016. Gồm 551065 vị trí được gán nhãn.

- 1351 vị trí dương tính -> chênh lệch.

- Chỉ lấy ngẫu nhiên 5*1351=6755 vị trí âm tính

- 80% : Train. 20%:Test

- Tăng cường vị trí dương tính trong tập Train bằng cách xoay
900 và 1800
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP

PHÉP TÍCH CHẬP

- ZERO PADDING

- STRIDE
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP

POOLING LAYERS

- MAX POOLING

- AVERAGE POOLING
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP

FULLY CONNECTED LAYERS

-DROPOUT : OVERFITTING
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP

ACTIVATION FUNCTION
1
- Sigmoid:
1+𝑒 −𝑥

2
- Tanh: −1
1+𝑒 −𝑥
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP

ACTIVATION FUNCTION

- ReLU: 𝜎 𝑥 = 𝑚𝑎𝑥(0, 𝑥)

𝑥
𝑒 𝑗
- Softmax: 𝜎 𝑥𝑗 = σ𝑛 𝑥𝑖
𝑖=1 𝑒
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP
XÂY DỰNG MÔ HÌNH DỰ ĐOÁN
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP
QUÁ TRÌNH
- Language: Python
- API: tflearn
- Optimization algorithms: Adam
- Batch size: 96
- Num epochs: 100
- Time: ~5 hours
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP

KẾT QUẢ: Bộ Test 1352 vị trí

True Positive: 216
True Negative: 1302
False Positive: 38
False Negative: 66
Acc: 93.59%
Precision: 0.8504
Recall: 0.7659
𝐹𝑠𝑐𝑜𝑟𝑒 : 0.8059
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP
KẾT QUẢ
True positive
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP
KẾT QUẢ
True negative
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP
KẾT QUẢ
False positive
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP
KẾT QUẢ
False negative
4. ÁP DỤNG MÔ HÌNH MẠNG NEURAL TÍCH CHẬP
KẾT QUẢ ÁP DỤNG MÔ HÌNH HỌC TRÊN TOÀN ẢNH CT VỚI BƯỚC NHẢY 12
5. HẬU XỬ LÝ

TÁCH VÙNG PHỔI RA KHỎI ẢNH

- Thuật toán Otsu:
+ 1.Khởi tạo một threshold
+ 2.Phân hoạch ảnh thành 2 tập
G1>threshold, G2<=threshold dựa
trên threshold
+ 3.m1 = mean(G1), m2 = mean(G2)
+4.threshold = (m1+m2)/2, lặp lại
bước 2 đến khi 2 giá trị threshold mới
và cũ chênh lệch không đáng kể
5. HẬU XỬ LÝ

TÁCH VÙNG PHỔI RA KHỎI ẢNH

Sử dụng Matlab:
imfill(image, ‘holes’)
regionprops(L, ‘Area’)
5. HẬU XỬ LÝ
KẾT QUẢ ÁP DỤNG MÔ HÌNH HỌC TRÊN VÙNG PHỔI VỚI BƯỚC NHẢY 4
6. TỔNG KẾT, HƯỚNG PHÁT TRIỂN

Vẫn còn sai sót, nhưng đã thể hiện được tiềm năng của mô hình học CNN

Bài toán cần nhiều data vị trí dương tính để tăng độ chính xác

Hướng đi: Phát hiện khối u tại các lớp cắt liên tiếp, xây dựng
mô hình 3D
7. TÀI LIỆU THAM KHẢO
1. Key Statistics for Lung Cancer. https://www.cancer.org/cancer/non-
small-cell-lung-cancer/about/key-statistics.html.
2. Lung Cancer. https://www.cancer.org/cancer/lung-cancer.html.
Lung Nodule Analysis 2016. https://luna16.grand-
challenge.org/description/.
3. Hounsfield scale. https://en.wikipedia.org/wiki/Hounsfield_scale.
4. Coordinate systems. https://www.slicer.org/wiki/Coordinate_systems.
Jianxin Wu (2017). Introduction to Convolutional Neural Networks.
Nanjing University, China.
THANK YOU FOR YOUR ATTENTION!