Phát triển hàm mất mát cho mạng TransUnet trong phân vùng ảnh MRI khối u não
358 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.78.2022.28-38Từ khóa:
Mạng nơ-ron học sâu; Mô hình TransUnet; Phân vùng ảnh MRI khối u não; Hàm Tversky.Tóm tắt
Phân vùng ảnh khối u não trong chụp cộng hưởng từ MRI (Magnetic resonance imaging) rất hữu ích cho việc chẩn đoán, dự đoán tốc độ phát triển, đo thể tích khối u và lập phác đồ điều trị khối u não. Tuy vậy, việc phân vùng ảnh MRI khối u não thực tế gặp khó khăn do sự đa dạng của các khối u não về kích thước, hình dạng, vị trí và sự không đồng nhất của chúng. Trong bài báo này, chúng tôi đề xuất một hướng tiếp cận cho phân vùng ảnh MRI khối u não dùng mạng nơ-ron học sâu, với hàm mất mát dựa trên hàm Tversky. Cụ thể, chúng tôi đề xuất sử dụng mô hình TransUnet, một mô hình được giới thiệu gần đây dựa trên kiến trúc Transformer và U-Net để huấn luyện và kiểm thử dữ liệu. Đồng thời chúng tôi cũng đề xuất một hàm mất mát mới dùng để huấn luyện mạng nơ-ron qua đó có thể giải quyết những khó khăn vừa nêu trong phân vùng ảnh MRI khối u não. Phương pháp đề xuất đã được kiểm chứng trên tập dữ liệu Brain LGG Segmentation, kết quả cho thấy mạng TransUNet với hàm mất mát đề xuất hoạt động tốt, với các chỉ tiêu đánh giá có kết quả cao hơn so với một số phương pháp khác.
Tài liệu tham khảo
[1]. L. M. De Angelis, "Brain Tumos," New England Journal of Medicine, vol. 344, pp. 114-123, 2001.
[2]. B. H. Menze, et al., "The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS) " IEEE Trans Med Imaging, vol. 34, pp. 1993-2024, 2015.
[3]. J. Sachdeva, V. Kumar, I. Gupta, N. Khandelwal, and C. K. Ahuja, "A novel content-based active contour model for brain tumor segmentation," Magnetic Resonance Imaging, vol. 30, pp. 694-715, 2012.
[4]. K. K. Shyu, V. T. Pham, T. T. Tran, and P. L. Lee, "Unsupervised active contours driven by density distance and local fitting energy with applications to medical image segmentation," Mach. Vis. Appl., vol. 23, pp. 1159-1175, 2012.
[5]. M. Havaei, N. Guizard, H. Larochelle, and P. Jodoin, "Deep Learning Trends for Focal Brain Pathology Segmentation in MRI," Machine Learning for Health Informatics pp. 125-148, 2016.
[6]. M. Buda, A. Saha, and M. A. Mazurowski, "Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm," Comp. in Bio. and Med., vol. 109, pp. 218-225, 2019.
[7]. J. Zhang, J. Zeng, P. Qin, and L. Zhao, "Brain tumor segmentation of multi-modality MR images via triple intersecting U-Nets," Neurocomputing, vol. 421, pp. 195-209, 2021.
[8]. Z. Liu, L. Chen, L. Tong, F. Zhou, Z. Jiang, and Q. Zhang, et al., "Deep learning based brain tumor segmentation: A survey," arXiv:2007.09479, 2020, [online] p. Available: http://arxiv.org/abs/2007.09479, 2020.
[9]. J. Long, E. Shelhamer, and T. Darrell, "Fully convolutional networks for semantic segmentation," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3431–3440, 2015.
[10]. O. Ronneberger, P. Fischer, and T. Brox, "U-net: Convolutional networks for biomedical image segmentation," in Proceedings of the Int. Conf. Med. Image Comput. Comput.-Assist. Intervent., 2015, pp. 234-241.
[11]. J. Chen, Y. Lu, Q. Yu, X. Luo, E. Adeli, Y. Wang, et al., "TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation," arXiv:2102.04306, 2021.
[12]. W. Chen, B. Liu, Peng. S., J. Sun, and X. Qiao, "S3D-UNet: Separable 3D U-Net for Brain Tumor Segmentation," in Proceedings of the International MICCAI Brainlesion Workshop, 2018, pp. 358-368.
[13]. R. Mehta and J. Sivaswamy, "M-net: A convolutional neural network for deep brain structure segmentation," in 2017 IEEE 14th International Symposium on Biomedical Imaging, 2017, pp. 18-21.
[14]. S. A. Taghanaki, Y. Zheng, S. K. Zhou, B. Georgescu, P. Sharma, D. Xu, et al., "Combo loss: Handling input and output imbalance in multi-organ segmentation," Computerized Medical Imaging and Graphics, vol. 75, pp. 24-33, 2019.
[15]. S. S. M. Salehi, D. Erdogmus, and A. Gholipour, "Tversky loss function for image segmentation using 3D fully convolutional deep networks," in Proceedings of the International Workshop on Machine Learning in Medical Imaging, 2017, pp. 379-387.
[16]. A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, et al., "Attention is all you need," in Advances in neural information processing systems, 2017, pp. 5998–6008.
[17]. A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai, T. Unterthiner, et al., "An image is worth 16x16 words: Transformers for image recognition at scale," arXiv:2010.11929, 2020.
[18]. A. Tversky, "Features of similarity," Psychol. Rev., vol. 84, p. 327, 1977.
