Page 403 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

19.4.2 Chẩn đoán xuất huyết não

Xuất huyết não là một căn bệnh nguy hiểm có thể dẫn đến tử vong
hoặc tàn tật. Có bốn loại xuất huyết não phổ biến (Ly & Dong, 2013): tụ
máu ngoài màng cứng (EDH), tụ máu dưới màng cứng (SDH), xuất huyết
dưới nhện (SAH) và xuất huyết nội sọ (ICH). Cao huyết áp là nguyên nhân
phổ biến nhất gây xuất huyết nội sọ nguyên phát. Để phát hiện xuất huyết
não, các bác sĩ thường dựa vào chỉ số Hounsfield (HU) của vùng xuất huyết
trên ảnh CT/MRI. Vì vậy, các giá trị HU được sử dụng cho việc phát hiện
và phân loại xuất huyết não. Hai phương pháp học sâu được sử dụng là
Faster R-CNN và Inception ResNet v2.

Chỉ số Hounsfield đại diện cho các loại mô khác nhau trên thang đo từ
-1000 (không khí) đến 1000 (xương). Vùng xuất huyết sẽ có các giá trị HU
trong khoảng từ 40 đến 90. Giá trị HU được tính theo công thức 4 với pvalue
là giá trị của mỗi pixel và rslope và rintercept là các giá trị được lưu trữ trong
hình ảnh CT/MRI.

= ∗ ∗ (4)
Giai đoạn đào tạo:

Tiền xử lý: Hình ảnh CT/MRI sẽ được chuyển đổi thành hình ảnh kỹ
thuật số (.jpg) dựa trên giá trị HU. Vị trí xuất huyết não được xác định bằng
giá trị HU, do đó, sau khi tiền xử lý chúng ta sẽ có bộ dữ liệu ảnh số với các
vùng xuất huyết nổi bật. Các vùng xuất huyết sẽ được dán nhãn dưới sự
giám sát của các chuyên gia.
Trích xuất đặc trưng: Việc trích xuất đặc trưng được thực hiện bằng
cách sử dụng mạng Inception ResNet v2 đã được huấn luyện trước làm
khung xương của Faster R-CNN để giảm thời gian tính toán. Bước này giúp
phân loại nhanh chóng tình trạng xuất huyết não.

Đào tạo mô hình: Các đặc trưng trích xuất được đào tạo với Faster R-
CNN. Quá trình đào tạo này được theo dõi với giá trị mất mát (loss). Khi giá
trị mất mát không được cải thiện (không giảm), chúng ta sẽ dừng quá trình
đào tạo. Giá trị mất mát của mô hình rất thấp (dưới 10%) sau 60.000 bước
đào tạo, như được minh họa trong Hình 19.13. Điều này có nghĩa là tỷ lệ sai
sót trong dự đoán xuất huyết não của mô hình đề xuất là rất thấp.

389