PHÁT HIỆN BẤT THƯỜNG TRÊN ẢNH MRI NÃO VỚI MÔ HÌNH PIX2PIX

Abstract

Để xét nghiệm và chẩn đoán các bệnh liên quan đến não, các bác sĩ sử dụng phương pháp chụp cộng hưởng từ (MRI) nhằm phát hiện các vùng bất thường bên trong não. Đối với ảnh MRI não, thông thường mỗi bệnh nhân có nhiều lắt cắt, bác sĩ phải kiểm tra tất cả lát cắt để tìm ra vùng bất thường. Mục tiêu của đề tài là xây dựng mô hình có thể nhận diện được vị trí của khối u với chuỗi xung T2 FLAIR. Mô hình được đề xuất trong luận văn này là mạng Pix2Pix, được cải tiến từ mô hình cGAN với mục đích giải quyết các bài toán dịch ảnh. Kiến trúc của Pix2Pix gồm hai mô hình, trong đó “mô hình sinh” là mạng “Encoder-Decoder” hoặc “Unet” với mục tiêu tạo ra ảnh giống ảnh thật, và “mô hình phân biệt” là mạng nơ-ron tích chập với mục tiêu phân biệt ảnh thật và ảnh được tạo bởi “mô hình sinh”. Mô hình được huấn luyện trên tập dữ liệu ảnh MRI não do bệnh viện Đại học Y Dược Cần Thơ cung cấp. Tập dữ liệu bao gồm 2812 lát cắt ảnh MRI não (593 lát cắt bất thường) của 139 bệnh nhân. Các bác sĩ tại bệnh viện thực hiện khoanh vùng bất thường trên não trên từng lát cắt của bệnh nhân bằng công cụ “labelme” để tạo nhãn cho tập dữ liệu. Tập dữ liệu được chia thành 3 phần: 104 người dùng để huấn luyện mô hình, 10 người dùng để tìm các tham số tối ưu cho mô hình, và 25 người dùng đề kiểm thử mô hình. Với kiến trúc Unet cho mô hình sinh, kết quả kiểm thử tốt nhất đạt được trong trường hợp 103 lát cắt bất thường của 25 bệnh nhân đạt precision=54.6% khi đánh giá độ chính xác trên từng pixel, và có tỷ lệ dự đoán đúng vị trí bất thường là 67%.