Phân vùng polyp trên ảnh nội soi đại tràng sử dụng mạng Unet cải tiến và phương pháp học chuyển giao
307 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE6.2022.41-55Từ khóa:
Trí tuệ nhân tạo; Nội soi đại tràng; Phân vùng polyp; Học chuyển giao; Mạng Unet.Tóm tắt
Polyp đại trực tràng là một trong những nguyên nhân gây ung thư đại tràng, một trong những dạng ung thư gây tỉ lệ tử vong cao. Để chẩn đoán được polyp, nội soi là phương pháp hàng đầu. Trí tuệ nhân tạo có thể sử dụng nâng cao chất lượng của phương pháp nội soi bằng cách tự động phân vùng các polyp trên ảnh nội soi hỗ trợ các bác sỹ trong quá trình chẩn đoán nội soi. Hơn nữa nó có thể hỗ trợ các bác sỹ nâng cao chất lượng chẩn đoán với thời gian thực hiện chẩn đoán ngắn hơn. Trong bài báo này chúng tôi đã đề xuất phương pháp tự động phân vùng polyp trên ảnh nội soi đại tràng theo hướng tiếp cận học sâu, cụ thể là sử dụng mạng nơ-ron tích chập. Mô hình đề xuất dựa trên kiến trúc mạng Unet cải tiến để phân vùng polyp trên ảnh nội soi đại tràng. Chúng tôi cũng đề xuất sử dụng phương pháp học chuyển giao để chuyển giao tri thức học được từ bộ ảnh ImageNet cho phân vùng polyp trên ảnh nội soi đại tràng. Mô hình phân vùng polyp trên ảnh nội soi đại tràng được huấn luyện sử dụng bộ dữ liệu Kvasir-SEG, bộ dữ liệu này chứa 1000 ảnh nội soi đại tràng có gán nhãn phân vùng polyp bởi các chuyên gia nội soi. Mô hình đạt được độ chính xác 94.79% dice, 90.08% IOU, 98.68% recall, and 92.07% precision. Kết quả đạt được đã khẳng định phương pháp đề xuất vượt trội so với các phương pháp phân vùng polyp trên ảnh nội soi đại tràng hiện đại gần đây.
Tài liệu tham khảo
[1]. H. Sung, J. Ferlay, R. L. Siegel, M. Laversanne, I. Soerjomataram, A. Jemal, and F. Bray, “Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries,” CA, A Cancer J. Clinicians, vol. 71, no. 3, pp. 209-249, May (2021). DOI: https://doi.org/10.3322/caac.21660
[2]. J.-F. Rey and R. Lambert, “ESGE recommendations for quality control in gastrointestinal endoscopy: Guidelines for image documentation in upper and lower GI endoscopy”, Endoscopy, vol. 33, no. 10, pp. 901-903, Sep. (2001). DOI: https://doi.org/10.1055/s-2001-42537
[3]. A. M. Leufkens, M. G. H. van Oijen, F. P. Vleggaar, and P. D. Siersema. "Factors influencing the miss rate of polyps in a back-to-back colonoscopy study," Endoscopy, 44(05):470475, (2012). DOI: https://doi.org/10.1055/s-0031-1291666
[4]. O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional networks for biomedical image segmentation” in Proc. Int. Conf. Med. Image Comput. Comput.-Assist. Intervent. Cham, Switzerland: Springer, pp. 234-241, (2015). DOI: https://doi.org/10.1007/978-3-319-24574-4_28
[5]. Sandler, Mark, et al. "Mobilenetv2: Inverted residuals and linear bottlenecks. In 2018 IEEE." CVF Conference on Computer Vision and Pattern Recognition, (2018). DOI: https://doi.org/10.1109/CVPR.2018.00474
[6]. He, Kaiming, et al. "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition. (2016). DOI: https://doi.org/10.1109/CVPR.2016.90
[7]. Tan, Mingxing, and Quoc V. Le. "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks." arXiv preprint arXiv:1905.11946 (2019).
[8]. D. Jha, P. H. Smedsrud, M. A. Riegler, P. Halvorsen, T. de Lange, D. Johansen, and H. D. Johansen, “Kvasir-SEG: A segmented polyp dataset,'' in Proc. Int. Conf. Multimedia Modeling. Springer, pp. 451-462, (2020). DOI: https://doi.org/10.1007/978-3-030-37734-2_37
[9]. J. Silva, A. Histace, O. Romain, X. Dray, and B. Granado, “Toward embedded detection of polyps in WCE images for early diagnosis of colorectal cancer,” Int. J. Comput. Assist. Radiol. Surg., vol. 9, no. 2, pp. 283-293, (2014). DOI: https://doi.org/10.1007/s11548-013-0926-3
[10]. J. Bernal, J. Sánchez, and F. Vilarino, “Towards automatic polyp detection with a polyp appearance model,” Pattern Recognit., vol. 45, no. 9, pp. 3166-3182, (2012). DOI: https://doi.org/10.1016/j.patcog.2012.03.002
[11]. H. A. Qadir, Y. Shin, J. Solhusvik, J. Bergsland, L. Aabakken, and I. Balasingham, “Polyp detection and segmentation using mask R-CNN: Does a deeper feature extractorCNNalways perform better?” in Proc. 13th Int. Symp. Med. Inf. Commun. Technol. (ISMICT), pp. 1-6, May (2019). DOI: https://doi.org/10.1109/ISMICT.2019.8743694
[12]. J. Kang and J. Gwak, “Ensemble of instance segmentation models for polyp segmentation in colonoscopy images”, IEEE Access, vol. 7, pp. 26440-26447, (2019). DOI: https://doi.org/10.1109/ACCESS.2019.2900672
[13]. M. Akbari et al., “Polyp segmentation in colonoscopy images using fully convolutional network,” in EMBC. IEEE, pp. 69–72, (2018). DOI: https://doi.org/10.1109/EMBC.2018.8512197
[14]. X. Sun, P. Zhang, D. Wang, Y. Cao, and B. Liu, “Colorectal polyp segmentation by u-net with dilation convolution,” in ICMLA. IEEE, pp. 851–858, (2019). DOI: https://doi.org/10.1109/ICMLA.2019.00148
[15]. Z. Zhou, M. M. R. Siddiquee, N. Tajbakhsh, and J. Liang, “Unet++: Redesigning skip connections to exploit multiscale features in image segmentation,” IEEE Trans. Med. Imag., vol. 39, no. 6, p. 1856–1867, (2020). DOI: https://doi.org/10.1109/TMI.2019.2959609
[16]. D. Jha, P. H. Smedsrud, M. A. Riegler, D. Johansen, T. D. Lange, P. Halvorsen, and H. D. Johansen, “ResUNet++: An advanced architecture for medical image segmentation” in Proc. IEEE Int. Symp. Multimedia (ISM), pp. 225-2255, Dec. (2019). DOI: https://doi.org/10.1109/ISM46123.2019.00049
[17]. P. Wang, X. Xiao, J. R. G. Brown, T. M. Berzin, M. Tu, F. Xiong, X. Hu, P. Liu, Y. Song, D. Zhang, and X. Yang, “Development and validation of a deep-learning algorithm for the detection of polyps during colonoscopy”, Nature Biomed. Eng., vol. 2, no. 10, pp. 741-748, (2018). DOI: https://doi.org/10.1038/s41551-018-0301-3
[18]. H. M. Afify, K. K. Mohammed, and A. E. Hassanien, “An improved framework for polyp image segmentation based on SegNet architecture”, Int. J. Imag. Syst. Technol., vol. 31, no. 3, pp. 1741-1751, Sep. (2021). DOI: https://doi.org/10.1002/ima.22568
[19]. Le Thi Thu Hong, Nguyen Chi Thanh, and Tran Quoc Long, “Polyp segmentation in colonoscopy images using ensembles of u-nets with efficientnet and asymmetric similarity loss function,” in 2020 RIVF International Conference on Computing and Communication Technologies (RIVF), IEEE, pp.1–6, (2020). DOI: https://doi.org/10.1109/RIVF48685.2020.9140793
[20]. D. Jha, M. A. Riegler, D. Johansen, P. Halvorsen, and H. D. Johansen, “Doubleu-net: A deep convolutional neural network for medical image segmentation,” in 2020 IEEE 33rd International symposium on computer-based medical systems (CBMS), pp. 558–564, (2020). DOI: https://doi.org/10.1109/CBMS49503.2020.00111
[21]. D. Jha, P. H. Smedsrud, D. Johansen, T. de Lange, H. D. Johansen, P. Halvorsen, and M. A. Riegler, “A comprehensive study on colorectal polyp segmentation with ResUNet++, conditional random field andtest-time augmentation”, IEEE J. Biomed. Health Informat., vol. 25, no. 6, pp. 2029-2040, Jun. (2021). DOI: https://doi.org/10.1109/JBHI.2021.3049304
[22]. S. Safarov and T. K. Whangbo, “A-DenseUNet: Adaptive densely connected UNet for polyp segmentation in colonoscopy images with atrous convolution,'' Sensors, vol. 21, no. 4, p. 1441, Feb. (2021). DOI: https://doi.org/10.3390/s21041441
[23]. T. Mahmud, B. Paul, and S. A. Fattah, “PolypSegNet: A modified encoder-decoder architecture for automated polyp segmentation from colonoscopy images” Comput. Biol. Med., vol. 128, Art. no. 104119, Jan. (2021). DOI: https://doi.org/10.1016/j.compbiomed.2020.104119
[24]. D.-P. Fan, G.-P. Ji, T. Zhou, G. Chen, H. Fu, J. Shen, and L. Shao, “PraNet: Parallel reverse attention network for polyp segmentation” in Proc. Int. Conf. Med. Image Comput. Comput.-Assist. Intervent. Cham, Switzerland: Springer, pp. 263-273, (2020). DOI: https://doi.org/10.1007/978-3-030-59725-2_26
