LuanVan.vnLuận Văn
Gửi thư

Tăng cường khả năng phát hiện tổn thương não bằng mạng học sâu

Luận văn · Thạc sĩ · năm 2024 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin
Tác giảNguyễn Anh Tuấn
Người hướng dẫnLê Hoàng Thái
Cơ sở đào tạoĐại học Quốc gia TP. Hồ Chí Minh
Năm2024
NguồnThư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc

Tóm tắt

Luận văn này tập trung vào việc sử dụng các mô hình Mạng học sâu (Deep Learning) để phân đoạn tổn thương não trên ảnh MRI. Mục tiêu chính là hỗ trợ bác sĩ phát hiện bệnh ở giai đoạn sớm, theo dõi quá trình phát triển của bệnh, và giúp đưa ra các phương pháp điều trị phù hợp cho người bệnh. Dựa trên tập dữ liệu ATLAS 2.0 [1], luận văn xây dựng mô hình phân đoạn bằng cách áp dụng phương pháp CarveMix để tăng cường dữ liệu. Đồng thời, sử dụng phần dữ liệu kiểm thử (không có ground truth) của tập dữ liệu ATLAS 2.0 để thực hiện tự huấn luyện (self-training). Tiếp đó, mô hình SPiN [2] được sử dụng với sự thay đổi backbone là ResNet-34 để huấn luyện và dự đoán trên tập dữ liệu đã được tăng cường và tự huấn luyện. Dữ liệu của tập ATLAS 2.0 được chia thành hai tập con với tỷ lệ: 70% cho tập huấn luyện và 30% cho tập thử nghiệm, đảm bảo các tập dữ liệu không giao nhau. Quá trình xử lý bắt đầu từ việc đưa hình ảnh MRI của não vào mô hình phân đoạn SPiN34. Sau đó, mô hình thực hiện tách ảnh thành các lát cắt 2D và khoanh vùng các tổn thương Thư viện TrườngĐại học Khoa học tự nhiên TP.HCM 13 não dựa trên tập dữ liệu đã được tăng cường. Kết quả cuối cùng là các vị trí tổn thương trên não sẽ được khoanh vùng và hiển thị trên các hình ảnh 2D để hỗ trợ bác sĩ trong quá trình chẩn đoán.
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.