Luận án Nghiên cứu, phát triển một số kỹ thuật học sâu áp dụng cho phân vùng polyp trên ảnh nội soi đại tràng.

Tên luận án:

NGHIÊN CỨU, PHÁT TRIỂN MỘT SỐ KỸ THUẬT HỌC SÂU ÁP DỤNG CHO PHÂN VÙNG POLYP TRÊN ẢNH NỘI SOI ĐẠI TRÀNG

Ngành:

Cơ sở toán học cho tin học

Tóm tắt nội dung tài liệu:

Luận án tập trung giải quyết bài toán phân vùng polyp trên ảnh nội soi đại tràng, một nhiệm vụ có tính cấp thiết cao trong việc hỗ trợ chẩn đoán và sàng lọc sớm ung thư đại tràng, nhằm tránh bỏ sót polyp và nâng cao hiệu quả y tế. Mục tiêu chính là đề xuất các mô hình học sâu và kỹ thuật thị giác máy tính tiên tiến, đạt độ chính xác cao và tính tổng quát hóa tốt.

Để đạt được mục tiêu này, luận án đã thực hiện ba đóng góp chính. Thứ nhất, đề xuất mô hình học sâu phân đoạn polyp CRF-EfficientUNet, là sự mở rộng của kiến trúc UNet với bộ mã hóa EfficientNet, tích hợp lớp CRF-RNN và sử dụng hàm mất mát bất đối xứng kết hợp AsymCE để giải quyết vấn đề dữ liệu huấn luyện không cân bằng và cải thiện độ chính xác phân vùng. Thứ hai, phát triển phương pháp học tự giám sát đặc trưng thị giác của ảnh nội soi đại tràng cho phân vùng polyp thông qua tác vụ tái tạo ảnh nội soi. Phương pháp này khai thác hiệu quả kho dữ liệu ảnh nội soi không gán nhãn từ hệ thống PACS của bệnh viện 103, giúp nâng cao độ chính xác của mô hình trong điều kiện dữ liệu gán nhãn hạn chế.

Thứ ba, đề xuất phương pháp sinh ảnh nội soi đại tràng giả lập có nhãn phân vùng polyp sử dụng mạng sinh dữ liệu đối nghịch có điều kiện (PolypGenPix2Pix). Kỹ thuật này tạo ra dữ liệu huấn luyện bổ sung, khắc phục tình trạng thiếu dữ liệu gán nhãn đa dạng, từ đó tăng cường khả năng học và tổng quát hóa của mô hình phân vùng. Các phương pháp đề xuất đã được cài đặt, thử nghiệm và đánh giá trên các bộ dữ liệu chuẩn như CVC-ClinicDB, Kvasir-SEG, ETIS-Larib, CVC-ColonDB, cũng như dữ liệu thực tế từ Bệnh viện Quân y 103. Kết quả thực nghiệm cho thấy các mô hình và phương pháp đề xuất đạt được độ chính xác vượt trội và khả năng khái quát hóa cao so với các phương pháp hiện có.

Những kết quả nghiên cứu này không chỉ có ý nghĩa khoa học sâu sắc mà còn mang lại giá trị thực tiễn cao, có thể làm nền tảng để xây dựng các ứng dụng tự động phân vùng polyp, giúp các bác sĩ giảm thiểu sai sót, tiết kiệm thời gian và công sức trong quá trình nội soi đại tràng.

Mục lục chi tiết:

• MỞ ĐẦU

  • 1. Tính cấp thiết
  • 2. Mục tiêu nghiên cứu
  • 3. Đối tượng và phạm vi nghiên cứu
  • 4. Nội dung nghiên cứu
  • 5. Phương pháp nghiên cứu
  • 6. Ý nghĩa khoa học và thực tiễn
  • 7. Bố cục của luận án

• CHƯƠNG 1. TỔNG QUAN VỀ BÀI TOÁN PHÂN VÙNG POLYP TRÊN ẢNH NỘI SOI ĐẠI TRÀNG VÀ CÁC KỸ THUẬT HỌC SÂU

  • 1.1. Bài toán tự động phân vùng polyp trên ảnh nội soi đại tràng
  • 1.1.1. Giới thiệu bài toán
  • 1.1.2. Các bộ dữ liệu ảnh nội soi đại tràng chuẩn đã được công bố
  • 1.2. Kỹ thuật học sâu cho phân vùng đối tượng trên ảnh.
  • 1.3. Tình hình nghiên cứu bài toán phân vùng polyp trên ảnh nội soi đại tràng.
  • 1.3.1. Tình hình nghiên cứu
  • 1.2.2. Những vấn đề còn tồn tại
  • 1.3.3. Những vấn đề luận án tập trung giải quyết
  • 1.4. Kết luận chương 1.

• CHƯƠNG 2. MÔ HÌNH HỌC SÂU PHÂN VÙNG POLYP TRÊN ẢNH NỘI SOI ĐẠI TRÀNG DỰA TRÊN MẠNG UNET CẢI TIẾN VÀ HÀM MẤT MÁT BẤT ĐỐI XỨNG KẾT HỢP

  • 2.1. Đặt vấn đề
  • 2.2. Phương pháp đề xuất.
  • 2.2.1. Kiến trúc mô hình học sâu đề xuất cho phân vùng polyp trên ảnh nội soi đại tràng
  • 2.2.2. Mạng UNet điều chỉnh cho phân vùng polyp trên ảnh nội soi đại tràng
  • 2.2.3. Hàm mất mát bất đối xứng kết hợp AsymCE
  • 2.3. Thử nghiệm và đánh giá các kết quả.
  • 2.3.1. Đánh giá hiệu quả của từng kỹ thuật trong phương pháp đề xuất
  • 2.3.4. Đánh giá độ phức tạp của mô hình đề xuất
  • 2.3.5. So sánh, đánh giá kết quả của phương pháp đề xuất với các phương pháp mới được công bố gần đây
  • 2.4. Kết luận chương 2.

• CHƯƠNG 3. PHƯƠNG PHÁP HỌC TỰ GIÁM SÁT ĐẶC TRƯNG THỊ GIÁC CỦA ẢNH NỘI SOI ĐẠI TRÀNG CHO PHÂN VÙNG POLYP THÔNG QUA TÁC VỤ TÁI TẠO ẢNH

  • 3.1. Đặt vấn đề
  • 3.2. Phương pháp đề xuất.
  • 3.2.1. Mô hình hệ thống học tự giám sát các đặc trưng thị giác cho phân vùng polyp trên ảnh nội soi đại tràng.
  • 3.2.2. Mạng tái tạo ảnh nội soi đại tràng.
  • 3.2.3. Phân vùng polyp sử dụng chuyển giao tri thức đã học từ mạng tái tạo ảnh nội soi đại tràng.
  • 3.3. Thử nghiệm và đánh giá các kết quả.
  • 3.3.1. Các bộ dữ liệu thử nghiệm
  • 3.3.2. Kết quả tái tạo ảnh
  • 3.3.4. Kết quả phân vùng polyp
  • 3.3.5. So sánh độ chính xác phân vùng polyp của phương pháp đề xuất với các phương pháp mới hiện nay
  • 3.4. Kết luận chương 3.

• CHƯƠNG 4. PHƯƠNG PHÁP SINH DỮ LIỆU ẢNH NỘI SOI ĐẠI TRÀNG CÓ NHÃN PHÂN VÙNG POLYP DỰA TRÊN MẠNG SINH DỮ LIỆU CÓ ĐIỀU KIỆN

  • 4.1. Đặt vấn đề
  • 4.2. Phương pháp đề xuất.
  • 4.2.1. Mạng sinh ảnh nội soi đại tràng chứa polyp PolypGenPix2Pix.
  • 4.2.2. Kỹ thuật sinh điều kiện đầu vào cho mạng PolypGenPix2Pix.
  • 4.3. Thử nghiệm và đánh giá các kết quả.
  • 4.3.1. Các bộ dữ liệu thử nghiệm
  • 4.3.3. Kết quả sinh ảnh nội soi chứa polyp
  • 4.3.4. Đánh giá hiệu quả của kỹ thuật sinh điều kiện đầu vào cho mạng sinh ảnh nội soi
  • 4.3.5. So sánh độ chính xác của mô hình học sâu phân vùng polyp được tăng cường dữ liệu bởi mô hình sinh ảnh
  • 4.4. Kết luận chương 4.

• KẾT LUẬN

  • A. Các kết quả đạt được của Luận án
  • B. Những đóng góp mới của Luận án
  • C. Hướng nghiên cứu tiếp theo

• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ