СЕГМЕНТАЦІЯ ВНУТРІШНЬОЧЕРЕПНОГО КРОВОВИЛИВУ ЗА ДОПОМОГОЮ НЕЙРОННОЇ МЕРЕЖІ ТА ПОКРАЩЕННЯ ТЕКСТУРИ НА ОСНОВІ ДРОБОВОГО ОПЕРАТОРА РІСА

https://doi.org/10.23939/cds2024.01.001
Надіслано: Березень 04, 2024
Переглянуто: Квітень 01, 2024
Прийнято: Квітень 05, 2024
1
Національний університет ім. Івана Франка
2
Національний університет "Львівська політехніка", м. Львів, Україна

У статті досліджується застосування архітектури U-Net для сегментації внутрішньочерепних крововиливів, зосереджуючись на підвищенні точності сегментації шляхом включення методів покращення текстури на основі похідних дробового порядку Ріса. Дослідження починається з проведення огляду суміжних робіт у галузі сегментації комп’ютерної томографії (КТ). На цьому етапі також вибирається відповідний набір даних. Спочатку він використовувався для навчання U-Net, однієї з широко поширених моделей глибокого навчання в області сегментації медичних зображень. Навчання здійснюється за паралельним алгоритмом на основі технології CUDA. Отримані результати порівнюють із встановленою базовою моделлю для цього набору даних, оцінюючи точність сегментації за допомогою коефіцієнтів Жаккара та Дайса. Згодом досліджується техніка покращення текстури, заснована на дробових похідних Ріса, і застосована до зображень комп’ютерної томографії з вибраного набору даних. Ця техніка спрямована на захоплення дрібніших деталей і тонких текстур, які можуть сприяти підвищенню точності сегментації. Потім модель U-Net перенавчається та перевіряється на зображеннях із покращеною текстурою, а результати експерименту аналізуються. Дослідження виявило помітне підвищення точності, обгрунтованого за допомогою коефіцієнтів Жаккара та Дайса. Це демонструює потенціал запропонованої методики покращення текстури для уточнення сегментації внутрішньочерепного крововиливу.

[1] S. Chilamkurthy, R. Ghosh, S. Tanamala, M. Biviji, N. G. Campeau, V. K. Venugopal, V. Mahajan, P. Rao, P. Warier, Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. Lancet 01.12 (2018): 2388-2396. https://doi.org/10.1016/S0140-6736(18)31645-3

[2] Radiological Society of North America, RSNA Intracranial Hemorrhage Detection, 2019. URL: https://www.kaggle.com/c/rsna-intracranial-hemorrhage-detection/overview.

[3] M. D. Hssayeni, M.S. Croock, A. D.  Salman, H. F. Al-khafaji, Z. A. Yahya, B. Ghoraani, Intracranial Hemorrhage Segmentation Using a Deep Convolutional Model, Data 5 (2020): 14-32. https://doi.org/10.3390/data5010014

[4] M. D. Hssayeni, Computed Tomography Images for Intracranial Hemorrhage Detection and Segmentation, version 1.3.1, PhysioNet, 2020. doi: 10.13026/4nae-zg36.

[5] A. Goldberger, L. Amaral, L. Glass, J. Hausdorff, P. C. Ivanov, R. Mark, J. E. Mietus, G. B. Moody, C. K. Peng, H. E. Stanley, PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals, 2000. URL: https://physionet.orghttps://doi.org/10.1161/01.CIR.101.23.e215

[6] O. Ronneberger, P. Fischer, T. Brox, U-net: convolutional networks for biomedical image segmentation, in: Proceedings of the International Conference on Medical image computing and computer-assisted intervention, Springer, Cham, 2015, pp. 234-241. doi: 10.1007/978-3-319-24574-4_28.

[7] Q. Yu, F. Liu, I. Turner, K. Burrage, V. Vegh, The use of a Riesz fractional differential-based approach for texture enhancement in image processing, ANZIAM Journal 54 (2012): 590-607. https://doi.org/10.1007/978-3-319-24574-4_28

[8] J. Hamid, I. Rabha, Texture Enhancement for Medical Images Based on Fractional Differential Masks, Discrete Dynamics in Nature and Society, 28.03 (2013). https://doi.org/10.1155/2013/618536

[9] Y.-F. Pu, J.-L. Zhou, X. Yuan, Fractional Differential Mask: A Fractional Differential-Based Approach for Multiscale Texture Enhancement, IEEE Transactions on Image Processing 19 (2010): 491-511. https://doi.org/10.1109/TIP.2009.2035980

[10] Ya. Sokolovskyy, M. Levkovych and I. Sokolovskyy, The study of heat transfer and stress-strain state of a material, taking into account its fractal structure. Mathematical Modeling and Computing. 7(2), 2020, pp. 400–409. https://doi.org/10.23939/mmc2020.02.400

[11] Ya. Sokolovskyy, M. Levkovych, O. Mokrytska, and Ya. Kaplunskyy, Mathematical models of biophysical processes taking into account memory effects and self-similarity, CEUR Workshop Proceedings, 2018, vol. 2255, pp. 215–228.

[12] F. Liu, P. Zhuang, V. Anh, I. Turner, and K. Burrage, Stability and convergence of the difference methods for the space–time fractional advection–diffusion equation, Applied Mathematics and Computation, vol. 191, issue 1 (2007): 12-20. https://doi.org/10.1016/j.amc.2006.08.162

[13] M. Nadrljanski, A. Campos, R. Chieng, et al. Computed tomography. Reference article, Radiopaedia.org, 2024. https://doi.org/10.53347/rID-9027

[14] K. Greenway, R. Sharma, D. Vargas Carvajal, et al. Hounsfield unit. Reference article, Radiopaedia.org, 2024. https://doi.org/10.53347/rID-38181

[15] A. Paszke, S. Gross, S. Chintala, G. Chanan, E. Yang, Z. DeVito, Z. Lin, A. Desmaison, L. Antiga, A. Lerer, Automatic differentiation in PyTorch, in: Proceedings of the 31st Conference on Neural Information Processing Systems, NIPS 2017, Long Beach, CA, USA, 2017. URL: https://openreview.net/forum?id=BJJsrmfCZ.

[16] PyTorch Contributors, PyTorch Documentation, 2023. URL: https://pytorch.org/docs/stable/index.html.

[17] Christian S. Perone, cclauss, Elvis Saravia, Pedro Lemos Ballesterі, MohitTare, “perone/medicaltorch: Release v0.2”, Zenodo, 2018. doi: 10.5281/zenodo.1495335.

[18] Colaboratory, Frequently Asked Questions, 2023. URL: https://research.google.com/colaboratory/faq.html.

[19] NVIDIA Corporation & Affiliates, CUDA Toolkit Documentation 12.2, 2023. URL: https://docs.nvidia.com/cuda/archive/12.2.0/.

[20] L. G. Shapiro, G. C. Stockman, Co-occurrence Matrices and Features, in: Computer Vision, 1st. ed., Pearson, 2001, pp. 240-243.