Đề tài nghiên cứu
Phân tích ảnh cắt lớp CT sử dụng mạng nơ-ron tích chập ứng dụng trong can thiệp điều trị ung thư gan
Ung thư gan là loại ung thư đứng thứ 6 về mức độ phổ biến trên thế giới và là nguyên nhân gây tử vong hàng đầu ở Việt Nam. Trong nghiên cứu này chúng tôi tập trung vào việc ứng dụng công nghệ trí tuệ nhân tạo để cải thiện chất lượng can thiệp gan trong quá trình chữa trị ung thư gan sử dụng đốt sóng cao tần (RFA) và nút mạch xạ trị (TARE).
Hai vấn đề chính chúng tôi tập trung giải quyết đó là:
- Nâng cao tỷ số nén ảnh CT 3D trong can thiệp ung thư gan
- Giảm thiểu lượng phơi nhiễm phóng xạ bằng việc tối ưu vùng quét của gan trong quá trình chụp ảnh CT
Trong vấn đề nghiên cứu thứ nhất, nén ảnh hiệu xuất cao mà vẫn giữ được chất lượng ảnh có tiềm năng trong việc cho phép các bác sỹ chẩn đoán và điều trị bệnh từ a, vì chất lượng đường truyền Internet kém thường là nguyên nhân kỹ thuật chính hạn chết dịch vụ này. Chúng tôi cả thiện các phương pháp nén ảnh truyền thống bằng cách sử dụng mạng CNNs kết hợp kỹ thuật lọc ảnh sao cho tỷ số nén ảnh được cải thiện nhưng vẫn đảm bảo chất lượng hình ảnh cho mục đích dùng trong y tế. Trong vấn đề nghiên cứu thứ hai, việc lựa chọn vùng chụp chiếu vùng gan bằng tay trong can thiệp điều trị ung thư gan thường bị quá rộng do thời gian thao tác ngắn và kỹ thuật viên khó ước ượng chính xác cùng dịch chuyển của gan do trong quá trình hít thở. Do đó, chúng tôi sử dụng mạng CNNs để đưa ra lựa chọn vùng quét của gan với độ chính xác cao, hỗ trợ nhân viên kỹ thuật chụp CT, từ đó giảm thiểu được lượng phóng xạ dư thừa chiếu vào bệnh nhân.
Dự án này là kết quả của hợp tác giữa trường Đại học Công nghệ (ĐHQGHN), Đại học công nghệ Sydney (Úc), trung tâm y học Erasmus Hà Lan, và bệnh viện Bạch Mai.
Một ví dụ minh họa về việc xử lý nén ảnh CT trong quá trình can thiệp ung thư gan bằng đốt sóng cao tần (RFA) sử dụng nén BZ2 và HEVC. Bằng việc loại bỏ đi các thông tin dư thừa bên ngoài vùng gan, entropy của ảnh được giảm đi, cho phép đạt được hiệu xuất nén tốt hơn mà vẫn giữ được chất lượng ảnh cho việc chữa trị.
Một số công bố từ đề tài:
Luu, H. M., van Walsum, T., Franklin, D., Pham, P. C., Vu, L. D., Moelker, A., … & Trung, N. L. (2021). Efficiently compressing 3D medical images for teleinterventions via CNNs and anisotropic diffusion. Medical Physics, 48(6), 2877-2890.
Luu, M. H., van Walsum, T., Mai, H. S., Franklin, D., Nguyen, T. T. T., Le, T. M., … & Trung, N. L. (2022). Automatic scan range for dose-reduced multiphase ct imaging of the liver utilizing cnns and gaussian models. Medical Image Analysis, 78, 102422.
Loc, P. X., & Ha, L. M. (2023). Impact of Image Denoising Techniques on CNN-based Liver Vessel Segmentation using Synthesis Low-dose Contrast Enhanced CT Images. REV Journal on Electronics and Communications, 12(3-4).
Hoang, H. S., Pham, C. P., Franklin, D., van Walsum, T., & Luu, M. H. (2019, September). An evaluation of CNN-based liver segmentation methods using multi-types of CT abdominal images from multiple medical centers. In 2019 19th international symposium on communications and information technologies (ISCIT) (pp. 20-25). IEEE.
Trung, N. T., Hoan, T. D., Trung, N. L., & Ha, L. M. (2019, December). Robust Denoising of Low-Dose CT Images Using Convolutional Neural Networks. In 2019 6th NAFOSTED Conference on Information and Computer Science (NICS) (pp. 506-511). IEEE.
Thông tin khác
Chủ trì: TS. Lưu Mạnh Hà, AVITECH
