Phát hiện và hiển thị 3D vùng bất thường trên ảnh MRI não với cổng dịch vụ Billow AISA
,
*
,
,
và
Article Sidebar
Full Text: 
PDF
Abstract
Timely detection of tumors to support doctors in effectively diagnosing and treating patients in overloaded hospitals is essential. The Slicer application allows the rendering of 2D images of damaged areas into 3D volume data, helping doctors obtain a more intuitive view of diagnosis and treatment. However, the Slicer application does not yet allow automatic detection of abnormal regions and requires a powerful computer to execute these models. In this research, Slicer's Billow AISA extension is proposed to build an analysis and prediction service portal from image data provided by users. The analysis and prediction function experimented in this research is the detection of abnormal areas on brain MRI images using the Swin-Unet model. Experimental results on the dataset collected from Can Tho University of Medicine and Pharmacy Hospital demonstrate the feasibility and effectiveness of the Billow AISA model.
Tóm tắt
Việc phát hiện kịp thời khối u hỗ trợ các bác sĩ trong quá trình chẩn đoán và điều trị cho bệnh nhân được thực hiện hiệu quả trong tình trạng các bệnh viện luôn quá tải là rất cần thiết. Ứng dụng Slicer cho phép dựng hình ảnh 2D vùng tổn thương thành dữ liệu khối 3D giúp các bác sĩ có cái nhìn trực quan hơn trong việc chẩn đoán và điều trị. Tuy nhiên, ứng dụng Slicer chưa cho phép phát hiện tự động vùng bất thường và yêu cầu máy tính đủ mạnh để thực thi các mô hình này. Trong nghiên cứu này, tiện ích mở rộng Billow AISA cho Slicer được đề xuất nhằm xây dựng một cổng dịch vụ phân tích, dự đoán từ dữ liệu ảnh do người dùng cung cấp. Chức năng phân tích, dự đoán được thử nghiệm trong nghiên cứu này là phát hiện vùng bất thường trên ảnh MRI não với mô hình Swin-Unet. Kết quả thực nghiệm trên tập dữ liệu thu thập từ Bệnh viện Trường Đại học Y Dược Cần Thơ cho thấy tính khả thi và hiệu quả của mô hình Billow AISA.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020). End-to-End Object Detection with Transformers. In: Vedaldi, A., Bischof, H., Brox, T., Frahm, JM. (eds) Computer Vision – ECCV 2020. ECCV 2020. Lecture Notes in Computer Science (12346). Springer, Cham. https://doi.org/10.1007/978-3-030-58452-8_13
Cao, H., Wang, Y., Chen, J., Jiang, D., Zhang, X., Tian, Q., & Wang, M. (2023). Swin-Unet: Unet-Like Pure Transformer for Medical Image Segmentation. In: Karlinsky, L., Michaeli, T., Nishino, K. (eds) Computer Vision – ECCV 2022 Workshops. ECCV 2022. Lecture Notes in Computer Science (13803). Springer, Cham. https://doi.org/10.1007/978-3-031-25066-8_9
Chris, C., Danfei, X., Young, Y. G., Kevin, C., & Silvio, S. (2016). 3D-R2N2: A Unified Approach for Single and Multi-view 3D Object Reconstruction. European Conference on Computer Vision (pp. 628-644). 10.1007/978-3-319-46484-8_38.
Çiçek, Ö., Abdulkadir, A., Lienkamp, S., Brox, T., & Ronneberger, O. (2016). 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation. In: Ourselin, S., Joskowicz, L., Sabuncu, M., Unal, G., Wells, W. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016. MICCAI 2016. Lecture Notes in Computer Science (pp. 424–432). Springer, Cham. https://doi.org/10.1007/978-3-319-46723-8_49
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An image is worth 16x16 words: Transformers for image recognition at scale. in International Conference on Learning Representations.
Hatamizadeh, A., Nath, V., Tang, Y., Yang, D., Roth, H. R., & Xu, D. (2022). Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images. In: Crimi, A., Bakas, S. (eds) Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. BrainLes 2021. Lecture Notes in Computer Science (12962). Springer, Cham. https://doi.org/10.1007/978-3-031-08999-2_22
Held, K., Kops, E., Krause, B., Wells, W., Kikinis, R., & Muller-Gartner, H. W. (1997). Markov random field segmentation of brain MRI images. IEEE Transactions on Medical Imaging (pp. 878–886). https://doi.org/10.1109/42.650883
Ken, M., Will, S., Bill, L. (2015). The Visualization Toolkit. https://github.com/Kitware/VTK?tab=readme-ov-file
Li, X., Chen, H., Qi, X., Dou, Q., Fu, C. W., & Heng, P. A. (2018). H-denseunet: Hybriddensely connected unet for liver and tumor segmentation from ct volumes. IEEE Transactions on Medical Imaging (pp. 2663–2674). https://doi.org/10.1109/TMI.2018.2845918
Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., Lin, S., & Guo, B. (2021). Swintransformer: Hierarchical vision transformer using shifted windows. IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada (pp. 9992-10002).
doi: 10.1109/ICCV48922.2021.00986
Lợi, L. M., Thư, T. N. M., Nguyễn, H. T., & Khang, P. N. (2020). Ứng dụng mô hình U-net phát hiện vùng bất thường trên ảnh MRI Não”. Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Nha Trang (trang 656-662). http://dx.doi.org/10.15625/vap.2020.00225
Lợi, L. M., Thư, T. N. M., An, H. Q., & Khang, P. N. (2024). Phát hiện vùng bất thường trên ảnh MRI não với mô hình Swin-Unet. Tạp chí Khoa học Đại học Thái Nguyên, 229(7). (trang 111-120). https://doi.org/10.34238/tnu-jst.10053
Nhường, Q. T. B., Ninh, T. V., Thịnh, Đ. P., & Thường, P. M. (2021). Tái tạo mô hình 3D của đối tượng từ ảnh phác thảo 2.5D. Hội nghị KHCN Quốc gia lần thứ XV về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR). (trang 69-74).
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks forbiomedical image segmentation. In Medical Image Computing and ComputerAssisted Intervention (MICCAI), ser. LNCS (pp. 234– 241). Springer. https://doi.org/10.1007/978-3-319-24574-4_28
Thư, T. N. M., Liêm, B. T., Lợi, L. M., Nghĩa, P. T., & Khang, P. N. (2022). Ứng dụng mạng Gan có điều kiện phát hiện vùng bất thường trên ảnh MRI não. Hội nghị KHCN Quốc gia lần thứ XV về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Học viện Kỹ thuật Mật mã, Hà Nội, 2022. (trang 462-469). https://doi.org/10.15625/vap.2022.0256
Tsai, A. Y., Wells, W., Tempany, C., Tucker, A. F., Grimson, & Willsky, W. A. (2003). A shape-based approach to the segmentation of medical imagery using level sets. IEEE Transactions on Medical Imaging, 22(2). (pp. 137–154). https://doi.org/10.1109/TMI.2002.808355
Weidert, S., Andress, S., Linhart, C., Suero, E. M., Greiner, A., Böcker, W., Kammerlander, C., & Becker, C.A. (2020). 3D printing method for next-day acetabular fracture surgery using a surface filtering pipeline: feasibility and 1-year clinical results. International Journal of Computer Assisted Radiology and Surgery, 15, 565–575.
https://doi.org/10.1007/s11548-019-02110-0
Xiao, X., Lian, S., Luo, Z., & Li, S. (2018). Weighted res-unet for high-quality retina vesselsegmentation. 9th International Conference on Information Technology in Medicine and Education (ITME) (pp. 327–331). https://doi.org/10.1109/ITME.2018.00080
Zhou Z., Siddiquee M. R., Tajbakhsh N., & Liang, J. (2018). Unet++: A nestedu-net architecture for medical image segmentation (pp. 3–11). Springer Verlag.
https://doi.org/10.1007/978-3-030-00889-5_1