SpStinet - vwpChiTiet

 

Xây dựng công cụ hỗ trợ trích xuất tự động khối u não từ ảnh MRI

Là nhiệm vụ khoa học và công nghệ cấp Thành phố, do Trường Đại học Khoa học Tự nhiên chủ trì thực hiện, ThS. Trần Anh Tuấn là chủ nhiệm, Sở Khoa học và Công nghệ TP.HCM nghiệm thu năm 2019.

Các bệnh liên quan đến hệ thần kinh là những bệnh nghiêm trọng và có thể dẫn đến đau nhức vùng đầu và nhiều triệu chứng khác. Ảnh cộng hưởng từ (MRI) là loại ảnh y khoa được tạo từ phương pháp chụp cộng hưởng từ để chẩn đoán các bệnh liên quan đến hệ thần kinh thường được sử dụng để nghiên cứu các bệnh này. Việc trích xuất các khối u não từ ảnh chụp ảnh cộng hưởng từ não 3D đóng vai trò quan trọng trong chẩn đoán các khối u thần kinh.

Trên thế giới, có nhiều công cụ để xem xét và phân tích các ảnh y khoa. Những công cụ này có thể sử dụng cho các quá trình như tách hộp sọ, và các mô trong não. Ví dụ như Statistical parametric mapping được thiết kế để phân tích dữ liệu hình ảnh não 3D. FAST (FMRIB's Automated Segmentation Tool) phân đoạn hình ảnh 3D của não thành các thành phần như chất xám, chất trắng,… và điều chỉnh spatial-intensity variations. BET (công cụ trích xuất não) xóa thành phần không phải não ra khỏi hình ảnh của ảnh ban đầu. Công cụ này cũng có thể ước tính biên bên trong trong và ngoài hộp sọ và bề mặt da đầu bên ngoài. BrainSuite là một phần mềm mã nguồn mở cho phép loại bỏ phần lớn MRI tự động của bộ não con người. Các thành phần bên trong não cũng được phân tách bằng cách sử dụng các công cụ khác như FreeSurfer, BrainVISA Morphologist, BrainVoyager,…

Trong đề tài nêu trên, nhóm tác giả đề xuất phương pháp để phân đoạn khối u não là trích xuất vùng não bên trong ảnh MRI 3D; sau đó sẽ tiến hành phân đoạn khối u bên trong não. Cụ thể là phương pháp tiền xử lý để phân chia tự động hộp sọ, da đầu và não từ ảnh 3D MRI; phương pháp phân đoạn Enhancing Tumor, Tumor Core, and Whole Tumor của khối u glioma.

Với giai đoạn tiền xử lý, bộ dữ liệu 3D MRI được chuyển đổi thành các lát cắt 2D. Các lát cắt được nhóm lại dựa trên hình dạng hộp sọ. Sau đó, phương pháp histogram được sử dụng để tính toán biên hình chữ nhật bao quanh đối tượng. Kế tiếp, việc phân đoạn hộp sọ được thực hiện bằng phương pháp Adaptive Region Growing tùy thuộc vào từng nhóm lát cắt. Cuối cùng, não và da đầu được phân tách ra. Để đánh giá kết quả, phương pháp đề xuất đã được thử nghiệm cho 20 đối tượng từ cơ sở dữ liệu BrainWeb và 7 người trưởng thành từ cơ sở dữ liệu Neurodevelopmental MRI. Kết quả của phương pháp đề xuất được đánh giá bằng cách sử dụng độ đo Dice và so sánh với các phương pháp khác.

Với phương pháp tách khối u bên trong vùng não, nhóm nghiên cứu sử dụng mặt phẳng Bit để có được các bit quan trọng nhất và bit ít quan trọng để có thể phân cụm bằng học sâu và tạo ra nhiều ảnh khác. Sau đó, U-Net, một mô hình mạng học sâu phổ biến để phân đoạn đối tượng, được áp dụng để phân đoạn tất cả các vùng của khối u glioma. Trong quá trình này, U-Net được thực hiện bởi nhiều kernel để thu được kết quả chính xác hơn. Các phương pháp đề xuất được đánh giá với cơ sở dữ liệu BRATS 2018. Trên dữ liệu xác thực, phương pháp đạt được hiệu suất 82%, 68% và 70% điểm Dice và 77%, 48% và 51% trên dữ liệu thử nghiệm cho Whole Tumor, Enhancing Tumor, và Tumor Core.

Có thể tìm đọc toàn văn Báo cáo kết quả nghiên cứu đề tài tại Trung tâm Thông tin và Thống kê Khoa học và Công nghệ (CESTI).

Lam Vân (CESTI)

Các tin khác: