eprintid: 4777
rev_number: 10
eprint_status: archive
userid: 447
dir: disk0/00/00/47/77
datestamp: 2022-08-22 04:06:31
lastmod: 2022-08-22 04:06:31
status_changed: 2022-08-22 04:06:31
type: conference_item
metadata_visibility: show
creators_name: Le, Quoc Anh
creators_name: Pham, Xuan Loc
creators_name: Luu, Manh Ha
creators_id: quocanh.uet@gmail.com
creators_id: xuanloc97ars@vnu.edu.vn
creators_id: halm@vnu.edu.vn
title: Đánh Giá Hiệu Năng Một Số Kỹ Thuật Học Sâu Cho Phân Vùng Mạch Máu Gan Trong Ảnh Chụp Cắt Lớp Vi Tính
ispublished: pub
subjects: ECE
divisions: avitech
abstract: Phân vùng mạch máu gan trong ảnh chụp cắt lớp vi tính (CLVT) là bước quan trọng đối với việc chẩn đoán và lập kế hoạch điều trị các bệnh lý liên quan tới gan. Mạch máu gan có cấu trúc phức tạp, độ tương phản thấp, ảnh hưởng bởi nhiễu, do đó đã đặt ra nhiều thách thức cho việc phân vùng chính xác mạch máu gan. Trong lĩnh vực xử lý ảnh y tế, kỹ thuật học sâu đã cho thấy sự phát triển nhanh chóng. Gần đây, mạng nơ-ron Transformer được áp dụng và cho kết quả khả quan trong lĩnh vực xử lý ảnh y tế. Trong bài báo này, chúng tôi đánh giá hiệu năng phân vùng mạch máu gan giữa kỹ thuật học sâu dựa trên mạng nơ-ron tích chập (3D-ResUNet, 2D/3D nn-UNet) và kỹ thuật học sâu sử dụng mạng nơ-ron Transformer (TransUNet, Swin-UNet, MedT). Dữ liệu ảnh chụp CLVT sử dụng để huấn luyện và đánh giá được thu thập từ nhiều cơ sở y tế trên thế giới bao gồm ảnh chụp CLVT sử dụng bức xạ liều thông thường và liều thấp. Kết quả cho thấy 3D nn-UNet có độ chính xác (ACC) trung bình cao nhất, 98\%;  ba kỹ thuật học sâu 2D/3D nn-UNet và TransUNet đều đạt trung bình giá trị chỉ số đánh giá DSC lớn hơn 75\%. Trong kỹ thuật điều trị đốt sóng cao tần (RFA) mạch máu gan lớn là vùng được quan tâm, cả ba kỹ thuật học sâu nêu ở trên đều cho chỉ số đánh giá trung bình DSC ở vùng mạch máu lớn lớn hơn 80\%. Kết quả của nghiên cứu cho thấy rằng 3D nn-UNet có thể tự động phân vùng mạch máu gan với độ chính xác cao, cho thấy tiềm năng ứng dụng vào quá trình lập kế hoạch can thiệp điều trị ung thư gan bằng kỹ thuật RFA.
date: 2021-12
date_type: published
full_text_status: public
pres_type: paper
pagerange: 131-136
event_title: Hội nghị Quốc gia lần thứ XXIV về Điện tử, Truyền thông và Công nghệ thông tin REV-ECIT 2021
event_location: Hanoi
event_type: conference
refereed: FALSE
related_url_url: https://rev-ecit.vn/
related_url_type: org
referencetext: [1] D. Selle, B. Preim, A. Schenk, and H.-O. Peitgen, “Analysis of vasculature for liver surgical planning,” IEEE transactions on medical imaging, vol. 21, no. 11, pp. 1344–1357, 2002.
[2] A. Nazir, M. N. Cheema, B. Sheng, P. Li, J. Kim, and T.-Y. Lee, “Living donor-recipient pair matching for liver transplant via ternary tree representation with cascade incremental learning,” IEEE Transactions on Biomedical Engineering, 2021.
[3] A. Loriaud, A. Denys, O. Seror, N. Vietti Violi, A. Digklia, R. Duran, H. Trillaud, and A. Hocquelet, “Hepatocellular carcinoma abutting large vessels: comparison of four percutaneous ablation systems,” International Journal of Hyperthermia, vol. 34, no. 8, pp. 1171–1178, 2018.
[4] Q. Huang, J. Sun, H. Ding, X. Wang, and G. Wang, “Robust liver vessel extraction using 3d u-net with variant dice loss function,” Computers in biology and medicine, vol. 101, pp. 153–162, 2018.
[5] S. Survarachakan, E. Pelanis, Z. A. Khan, R. P. Kumar, B. Edwin, and F. Lindseth, “Effects of enhancement on deep learning based hepatic vessel segmentation,” Electronics, vol. 10, no. 10, p. 1165, 2021.
[6] T. Kitrungrotsakul, X.-H. Han, Y. Iwamoto, L. Lin, A. H. Foruzan, W. Xiong, and Y.-W. Chen, “Vesselnet: A deep convolutional neural network with multi pathways for robust hepatic vessel segmentation,” Computerized Medical Imaging and Graphics, vol. 75, pp. 74–83, 2019.
[7] H. M. Luu, C. Klink, A. Moelker, W. Niessen, and T. Van Walsum, “Quantitative evaluation of noise reduction and vesselness filters for liver vessel segmentation on abdominal cta images,” Physics in Medicine & Biology, vol. 60, no. 10, p. 3905, 2015.
[8] N. Sangsefidi, A. H. Foruzan, and A. Dolati, “Balancing the data term of graph-cuts algorithm to improve segmentation of hepatic vascular structures,” Computers in biology and medicine, vol. 93,
pp. 117–126, 2018.
[9] Y. Z. Zeng, Y. Q. Zhao, M. Liao, B. J. Zou, X. F. Wang, and W. Wang, “Liver vessel segmentation based on extreme learning machine,” Physica Medica, vol. 32, no. 5, pp. 709–716, 2016.
[10] J. Su, Z. Liu, J. Zhang, V. S. Sheng, Y. Song, Y. Zhu, and Y. Liu, “Dv-net: Accurate liver vessel segmentation via dense connection model with d-bce loss function,” Knowledge-Based Systems, p. 107471, 2021.
[11] W. Yu, B. Fang, Y. Liu, M. Gao, S. Zheng, and Y. Wang, “Liver vessels segmentation based on 3d residual u-net,” in 2019 IEEE International Conference on Image Processing (ICIP). IEEE, 2019, pp. 250–254.
[12] F. Isensee, P. F. Jaeger, S. A. Kohl, J. Petersen, and K. H. MaierHein, “nnu-net: a self-configuring method for deep learningbased biomedical image segmentation,” Nature methods, vol. 18, no. 2, pp. 203–211, 2021.
[13] C. Nguyen, Z. Asad, and Y. Huo, “Evaluating transformer based semantic segmentation networks for pathological image segmentation,” arXiv preprint arXiv:2108.11993, 2021.
[14] C.-Y. Lin, Y.-C. Chiu, H.-F. Ng, T. K. Shih, and K.-H. Lin, “Global-and-local context network for semantic segmentation of street view images,” Sensors, vol. 20, no. 10, p. 2907, 2020.
[15] J. Chen, Y. Lu, Q. Yu, X. Luo, E. Adeli, Y. Wang, L. Lu, A. L. Yuille, and Y. Zhou, “Transunet: Transformers make strong encoders for medical image segmentation,” arXiv preprint arXiv:2102.04306, 2021.
[16] H. Cao, Y. Wang, J. Chen, D. Jiang, X. Zhang, Q. Tian, and M. Wang, “Swin-unet: Unet-like pure transformer for medical image segmentation,” arXiv preprint arXiv:2105.05537, 2021.
[17] J. M. J. Valanarasu, P. Oza, I. Hacihaliloglu, and V. M. Patel, “Medical transformer: Gated axial-attention for medical image segmentation,” arXiv preprint arXiv:2102.10662, 2021.
[18] H. S. Hoang, C. P. Pham, D. Franklin, T. van Walsum, and M. H. Luu, “An evaluation of cnn-based liver segmentation methods using multi-types of ct abdominal images from multiple medical centers,” in 2019 19th international symposium on communications and information technologies (ISCIT). IEEE,
2019, pp. 20–25.
[19] M.-A. Lebre, A. Vacavant, M. Grand-Brochier, H. Rositi, A. Abergel, P. Chabrot, and B. Magnin, “Automatic segmentation methods for liver and hepatic vessels from ct and mri volumes, applied to the couinaud scheme,” Computers in biology and medicine, vol. 110, pp. 42–51, 2019.
[20] M. H. Son, M. H. Bang, S. Bae, D. T. Giang, N. T. Thinh, J. C. Paeng et al., “Diagnostic and prognostic value of 99m tcmaa spect/ct for treatment planning of 90 y-resin microsphere radioembolization for hepatocellular carcinoma: comparison with planar image,” Scientific reports, vol. 11, no. 1, pp. 1–9, 2021.
[21] L. Liu, J. Tian, C. Zhong, Z. Shi, and F. Xu, “Robust hepatic vessels segmentation model based on noisy dataset,” in Medical Imaging 2020: Computer-Aided Diagnosis, vol. 11314. International Society for Optics and Photonics, 2020, p. 113140L.
citation:   Le, Quoc Anh and Pham, Xuan Loc and Luu, Manh Ha  (2021) Đánh Giá Hiệu Năng Một Số Kỹ Thuật Học Sâu Cho Phân Vùng Mạch Máu Gan Trong Ảnh Chụp Cắt Lớp Vi Tính.  In: Hội nghị Quốc gia lần thứ XXIV về Điện tử, Truyền thông và Công nghệ thông tin REV-ECIT 2021, Hanoi.     
document_url: https://eprints.uet.vnu.edu.vn/eprints/id/eprint/4777/1/Vessel_REV_ECIT_2021_paper.pdf