CẢI TIẾN UNET3+ ĐỂ NÂNG CAO HIỆU QUẢ CHẨN ĐOÁN COVID-19 TRÊN ẢNH CT

Abstract

Đại dịch COVID-19 đã dẫn đến số ca nhiễm vượt tầm kiểm soát trên toàn thế giới, gây ra những hậu quả nghiêm trọng và không thể khắc phục được. Ảnh cắt lớp vi tính (CT) có thể cho thấy tổn thương phổi ở bệnh nhân. Nghiên cứu này đề xuất sử dụng các kỹ thuật học sâu, đặc biệt là kỹ thuật phân đoạn hình ảnh trên dữ liệu y tế, để tạo điều kiện thuận lợi cho việc xác định các khu vực bị ảnh hưởng, hỗ trợ các chuyên gia y tế phát hiện và sàng lọc căn bệnh này. Nghiên cứu này dựa trên việc áp dụng kiến trúc UNet3+ để xác định vùng hình ảnh trên ảnh chụp CT phổi. Ngoài ra, sự kết hợp kiến trúc UNet3+ với SE-ResNeXt50 và ResNet50 đã chứng minh hiệu quả khi tận dụng các thế mạnh của các kiến trúc này cùng nhau. Dữ liệu hình ảnh đầu vào được chuyển đổi từ định dạng NIFTI gốc sang định dạng PNG, với các bước tiền xử lý bao gồm thay đổi kích thước, kết hợp mặt nạ và chuẩn hóa hình ảnh thực hiện trước khi đào tạo. Kết quả thí nghiệm chứng minh rằng sự kết hợp của UNet3+ và SE-ResNeXt50 thể hiện hiệu suất vượt trội trong việc phân đoạn dữ liệu hình ảnh CT y tế. Intersection Value on Union trung bình (MIoU) là 0,9290, trong khi giá trị Dice trung bình (MDice) là 0,9619. Đồng thời, hiệu quả xác định vùng cho khu vực nhiễm COVID-19 đã đạt được kết quả ấn tượng, với chỉ số Dice đạt 0,9111 và IoU đạt 0,8367, hứa hẹn cho việc chẩn đoán dữ liệu y tế và hỗ trợ mạnh mẽ trong chăm sóc sức khỏe.