Tự động phát hiện và ước lượng diện tích 2D của khối u não từ ảnh MRI bằng các phương pháp học sâu
Tóm tắt: 0
| 
PDF: 1 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Phát hiện khối u tự động
khối u não
học sâu
ảnh cộng hưởng từ (MRI)
ResU-Net
Tóm tắt
Nghiên cứu này đề xuất một phương pháp tự động phát hiện và đánh giá khối u não từ ảnh cộng hưởng từ (MRI) bằng cách sử dụng mô hình học sâu ResU-Net. Dữ liệu MRI, được lấy từ bộ dữ liệu LGG Segmentation trên Kaggle, bao gồm hình ảnh của các bệnh nhân được chẩn đoán mắc u thần kinh đệm độ thấp. Sau bước tiền xử lý, dữ liệu được chia thành các tập huấn luyện, xác thực và kiểm thử. Mô hình ResU-Net được huấn luyện để phân đoạn và phát hiện sự hiện diện của khối u não. Ngoài ra, diện tích vùng khối u cũng được tính toán nhằm hỗ trợ đánh giá mức độ của bệnh. Hiệu suất của ResU-Net được so sánh với các kiến trúc khác như U-Net, FC-DenseNet và DeepLabV3+. Kết quả thực nghiệm cho thấy, ResU-Net và DeepLabV3+ đạt độ chính xác phát hiện khối u cao nhất là 96% trên tập kiểm tra. Tuy nhiên, đối với hiệu suất phân đoạn, ResU-Net đạt Dice score cao nhất là 92%, cho thấy mức độ trùng khớp của bướu não được ước lượng với bướu não thực tế.
Tài liệu tham khảo
-
[1] R. Appiah et al., "Brain tumor detection using proper orthogonal decomposition integrated with deep learning networks," Computer Methods and Programs in Biomedicine, vol. 250, p. 108167, 2024.
[2] M. Joshi and B. K. Singh, "Proportion estimation and multi-class classification of abnormal brain cells," Medinformatics, vol. 1, no. 2, pp. 79-90, 2024.
[3] K. Kumar, K. Jyoti, and K. Kumar, "Machine learning for brain tumor classification: evaluating feature extraction and algorithm efficiency," Discover Artificial Intelligence, vol. 4, no. 1, p. 112, 2024.
[4] N. Khalili et al., "Adding value to liquid biopsy for brain tumors: the role of imaging," Cancers, vol. 15, no. 21, p. 5198, 2023.
[5] S. Loeber, "MRI characteristics of primary brain tumors and advanced diagnostic imaging techniques," Veterinary Clinics: Small Animal Practice, vol. 55, no. 1, pp. 23-39, 2025.
[6] P. Sabeghi et al., "Advances in Neuro-Oncological imaging: an update on Diagnostic Approach to Brain tumors," Cancers, vol. 16, no. 3, p. 576, 2024.
[7] H. Van Nguyen and T. H. Trong, "Brain MRI Images Generating Method Based on Cyclegan," The University of Danang - Journal of Science and Technology, vol. 20, no. 12.2, pp. 13-18, 2022. https://doi.org/10.31130/ud-jst.2022.310ICT.
[8] L. Rubinger, A. Gazendam, S. Ekhtiari, and M. Bhandari, "Machine learning and artificial intelligence in research and healthcare," Injury, vol. 54, pp. S69-S73, 2023.
[9] M. H. Tilala et al., "Ethical considerations in the use of artificial intelligence and machine learning in health care: a comprehensive review," Cureus, vol. 16, no. 6, p. 62443, 2024.
[10] P. C. Thang, H. D. A. Bao, D. M. Toan, N. T. Than, and L. M. Tri, "A robust deep learning model for direct CT image reconstruction," The University of Danang - Journal of Science and Technology, vol. 23, no. 10B, pp. 7-12, 2025. doi: 10.31130/ud-jst.2025.23(10B).628E.
[11] S. A. Bala and S. Kant, "Dense dilated inception network for medical image segmentation," International Journal of Advanced Computer Science and Applications, vol. 11, no. 11, pp. 785-793, 2020.
[12] S. Gite, A. Mishra, and K. Kotecha, "Enhanced lung image segmentation using deep learning," Neural Computing and Applications, vol. 35, no. 31, pp. 22839-22853, 2023.
[13] Z. Zhang, C. Wu, S. Coleman, and D. Kerr, "DENSE-Inception U-Net for medical image segmentation," Computer Methods and Programs in Biomedicine, vol. 192, p. 105395, 2020.
[14] A. Anaya-Isaza, L. Mera-Jiménez, and M. Zequera-Diaz, "An overview of deep learning in medical imaging," Informatics in Medicine Unlocked, vol. 26, p. 100723, 2021.
[15] M. A. Gómez-Guzmán et al., "Classifying brain tumors on magnetic resonance imaging by using convolutional neural networks," Electronics, vol. 12, no. 4, p. 955, 2023.
[16] A. S. Musallam, A. S. Sherif, and M. K. Hussein, "A new convolutional neural network architecture for automatic detection of brain tumors in magnetic resonance imaging images," IEEE Access, vol. 10, pp. 2775-2782, 2022.
[17] R. Azad et al., "Medical image segmentation review: The success of U-Net," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 46, no. 12, pp. 10076-10095, 2024.
[18] M. W. Sabir et al., "Segmentation of liver tumor in CT scan using ResU-Net," Applied Sciences, vol. 12, no. 17, p. 8650, 2022.
[19] Z. Wang, X. Li, M. Yao, J. Li, Q. Jiang, and B. Yan, "A new detection model of microaneurysms based on improved FC-DenseNet," Scientific Reports, vol. 12, no. 1, p. 950, 2022.
[20] I. Prokopiou and P. Spyridonos, "Highlighting the Advanced Capabilities and the Computational Efficiency of DeepLabV3+ in Medical Image Segmentation: An Ablation Study," BioMedInformatics, vol. 5, no. 1, p. 10, 2025.
[21] A. Aljohani and N. Alharbe, "Enhancing Medical Image Segmentation through Stacked U-Net Architectures with Interconnected Convolution Layers," Egyptian Informatics Journal, vol. 31, p. 100753, 2023.
[22] M. Assam, H. Kanwal, U. Farooq, S. K. Shah, A. Mehmood, and G. S. Choi, "An efficient classification of MRI brain images," IEEE Access, vol. 9, pp. 33313-33322, 2021.
[23] J. Kamiri, G. M. Wambugu, and A. M. Oirere, "An Empirical Analysis of Encoder Decoder (U Net) Variants for Medical Image Segmentation," International Journal of Scientific Research in Computer Science and Engineering, vol. 13, no. 1, pp. 26-31, 2025.
[24] Y. Luo, L. Xu, and L. Qi, "A cascaded FC-DenseNet and level set method (FCDL) for fully automatic segmentation of the right ventricle in cardiac MRI," Medical & Biological Engineering & Computing, vol. 59, no. 3, pp. 561-574, 2021.
[25] A. A. M. Fadhl, B. A. S. Al-rimy, S. A. Almalki, T. Alghamdi, A. H. Alkhorem, and F. T. Sheldon, "Enhancing steganography security with generative AI: a robust approach using content-adaptive techniques and FC DenseNet," International Journal of Advanced Computer Science and Applications, vol. 15, no. 12, pp. 933-941, 2024.
[26] N. Saleem, T. S. Gunawan, M. Shafi, S. Bourouis, and A. Trigui, "Multi-attention bottleneck for gated convolutional encoder-decoder-based speech enhancement," IEEE Access, vol. 11, pp. 114172-114186, 2023.
[27] J. Song, Y. Zheng, J. Wang, M. Z. Ullah, X. Li, Z. Zou, and G. Ding, "Multi-feature deep information bottleneck network for breast cancer classification in contrast enhanced spectral mammography," Pattern Recognition, vol. 131, p. 108858, 2022.
[28] H. Peng, C. Xue, Y. Shao, K. Chen, J. Xiong, Z. Xie, and L. Zhang, "Semantic segmentation of litchi branches using DeepLabV3+ model," IEEE Access, vol. 8, pp. 164546-164555, 2020.
[29] H. C. John, S. Shrina, J. F. Edwin Geo, F. J. J. Sh. Bai, and S. Piskin, "ResUNet-AttnASPP–A Novel ResUNet Architecture with Atrous Spatial Pyramid Pooling (ASPP) and Attention Gates for Efficient Brain Tumor Segmentation," in International Conference on Computational Intelligence in Data Science, 2025, Springer, pp. 112-125.
[30] İ. Ataş, "Performance evaluation of jaccard-dice coefficient on building segmentation from high resolution satellite images," Balkan Journal of Electrical and Computer Engineering, vol. 11, no. 1, pp. 100-106, 2023.
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
May 31, 2026
Download
Cách trích dẫn
Nguyen, H.-D., H.-D. Le, và T. T. M. Do. “Tự động phát hiện Và ước lượng diện tích 2D của khối U não từ ảnh MRI bằng các phương pháp học sâu”. Tạp Chí Khoa học Và Công nghệ Đại học Đà Nẵng, vol 24, số p.h 5A, Tháng Năm 2026, tr 16-23, doi:10.31130/ud-jst.2026.24(5A).003E.
