Phát hiện và hiển thị 3D vùng bất thường trên ảnh MRI não với cổng dịch vụ Billow AISA-Reference-Cited by-同舟云学术

Phát hiện và hiển thị 3D vùng bất thường trên ảnh MRI não với cổng dịch vụ Billow AISA

Published:2024-08-30 Issue:4 Volume:60 Page:29-37
ISSN:2815-5599
Container-title:CTU Journal of Science
language:
Short-container-title:CTU J. Sci.

Author:

Lê Minh Lợi,Trần Nguyễn Minh Thư,Nguyễn Thiện Hùng,Hồ Quốc An,Phạm Nguyên Khang

Abstract

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.

Publisher

Can Tho University

Reference19 articles.

1. 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

2. 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

3. 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.

4. 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

5. 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.