CHƯƠNG 1: TỔNG QUAN 1.2 Mục tiêu và giới hạn 1.1 Mục tiêu Đề tài “Chẩn đoán bệnh Ung thư vú dựa trên ảnh X-quang sử dụng mạng học sâu” với mục tiêu Phát triển một hệ thống chẩn đoán bệnh ung thư vú thông qua hình ảnh dựa trên trí tuệ nhân tạo (AI) với dữ liệu lớn ảnh X-quang và thiết kế hệ thống website để hỗ trợ bác sĩ trong chẩn đoán bệnh ung thư vú.2 Giới hạn Các thông số giới hạn của đề tài bao gồm: - Chỉ sử dụng ảnh X-quang vú (Mammography) - Sử dụng các nguồn ảnh có sẵn như MIAS, DDSM, VinDoctor - Mô hình chỉ được huấn luyện và thực nghiệm trên các mô hình huấn luyện trước: Resnet-152, EfficientNet-V2, DenseNet201, VGG-16 - Vẫn chưa áp dụng vào thực tiễn 1.3 Nội dung thực hiện Trong quá trình thực hiện Đồ án tốt nghiệp, nhóm tập trung giải quyết và hoàn thành được những nội dung sau: ● Nội dung 1: Tìm và sàng lọc tập ảnh dùng cho huấn luyện và thử nghiệm hệ thống ● Nội dung 2: Tìm hiểu nguyên lý về trí tuệ nhân tạo và mạng học sâu ● Nội dung 3: Tìm hiểu về tiền xử lý ảnh ● Nội dung 4: Tìm hiểu quá trình huấn luyện và tinh chỉnh mạng học sâu ● Nội dung 5: Thực hiện huấn luyện và tinh chỉnh mạng học sâu trên tập ảnh đã chuẩn bị ● Nội dung 8: Viết báo cáo thực hiện ● Nội dung 9: Bảo vệ luận văn BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 2 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. Ung thư vú Ung thư vú là bệnh lý mà nơi các tế bào vú phát triển không kiểm soát được. Các loại ung thư vú phổ biến nhất là ung thư biểu mô ống tuyến và ung thư vú biểu mô tiểu thùy. Trong ung thư vú biểu mô ống tuyến, các tế bào ung thư được hình thành từ tế bào của các ống tuyến sản xuất sữa.
Trong ung thư biểu mô tiểu thùy, các tế bào ung thư sẽ phát triển từ tiểu thùy và vào các bộ phận khác của mô vú. Các triệu chứng phổ biến của ung thư vú có thể bao gồm thay đổi kích thước hoặc hình dạng vú, thay đổi da như mẩn đỏ và có thể xuất hiện cả viên nang. Giới thiệu Deep Learning Deep Learning là một lĩnh vực trí tuệ nhân tạo tập trung vào việc xây dựng và sử dụng mạng nơ-ron nhân tạo để huấn luyện các mô hình máy học sâu dựa trên dữ liệu, bao gồm cả ảnh, văn bản, âm thanh, và nhiều loại dữ liệu khác để giải quyết những vấn đề cụ thể. Deep Learning sử dụng mạng nơ ron tích chập (Convolutional Neural Network - CNN) để xử lý và phân tích dữ liệu ảnh.
Mạng CNN là một mô hình kiến trúc mạng nơ-ron đặc biệt được thiết kế nhầm để nhận diện và trích xuất đặc trưng của ảnh. Một mạng CNN bao gồm các lớp tích chập (Convolution layer), các hàm kích hoạt (Activation function), các lớp tổng hợp (Pooling) và tất cả các lớp trên được xếp chồng lên nhau và cuối cùng là các lớp kết nối đầy đủ (fully connected layers).1: Cấu trúc CNN [10] BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 3 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Các lớp tích chập có chức năng chính học các đặc trưng của ảnh như góc, cạnh, màu sắc, cũng như những đặc trưng phức tạp. Bằng việc sử dụng ảnh (input) nhân với Filter tham stride bằng 1 (1 điểm ảnh) và di chuyển toàn bộ bề mặt ảnh khi đó tầng tích chập có khả năng học những đặc trưng ảnh ở bất kỳ vị trí nào, điều này có nghĩa cho dù ảnh có bị thay đổi ở bất kỳ góc độ nào thì lớp tích chập vẫn phát hiện được những đặc trưng này [10].2: Phương pháp tích chập Khi đó hàm kích hoạt (activation function) thành phần phi tuyến tại đầu ra của mỗi nơ-ron trong mạng có chức năng tương tự như tỷ lệ truyền xung qua axon của một neuron thần kinh và nó đóng vai trò quan trọng trong việc xác định đầu ra của nơ-ron đó [10]. ❖ Sigmoid: Hàm Sigmoid có chức năng chính là chuyển đổi một số thực thành một giá trị nằm trong khoảng từ 0 đến 1.
Khi đầu vào là một số thực âm rất nhỏ, đầu ra của hàm Sigmoid sẽ tiến gần đến giá trị 0. Ngược lại, nếu đầu vào là một số thực dương lớn, đầu ra của hàm Sigmoid sẽ tiến gần đến giá trị 1 [11]. ❖ Tanh Hàm Tanh có chức năng tương tự hàm Sigmoid nhưng nó chuyển thành một giá trị trong khoảng từ -1 đến 1 và nó bảo hoà ở hai đầu. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT ❖ Relu Hàm Relu đang được sử dụng phổ biến trong các huấn luyện mạng neuron trong những năm gần đây: + ReLU có tốc độ hội tụ nhanh gấp 6 lần Tanh.
+ ReLU có tốc độ tính toán nhanh hơn so với hàm Sigmoid và Tanh, vì không có các phép tính exponentiation phức tạp. + Khi learning rate lớn, các trọng số (weights) có thể thay đổi theo cách làm tất cả neuron dừng việc cập nhật.3: Công thức của các phương pháp đánh giá [10]. Các lớp tổng hợp (Pool Layer) thực thi sau hàm kích hoạt và chức năng chính của nó là giúp giảm kích thước và giữ lại thông tin quan trọng của ảnh vì nó được đơn giản hóa thông tin đầu ra và giảm bớt số lượng neuron.4: Ảnh sau khi qua lớp pooling BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 5 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Cuối cùng là các lớp đầy đủ trong mô hình CNN có chức năng chính chuyển các ma trận từ tầng tổng hợp (Pool Layer) thành các vector và sau đó được tính xác suất để đưa ra tỷ lệ bệnh cao nhất. Trong thực tế để huấn luyện được mô hình Deep Learning trong việc phân loại bệnh Ung Thư Vú phải đòi hỏi nhiều yếu tố: cần phải cung cấp một tập dữ liệu lớn kết hợp với việc tinh chỉnh các thông số huấn luyện một cách chính xác và có một GPU đủ mạnh để có thể huấn luyện để cho ra hiệu suất tốt nhất.3 Transfer Learning Transfer Learning là một phương thức của Machine Learning mà trong đó ta sử dụng lại các mô hình đã huấn luyện trước (mô hình huấn luyện trước) điển hình như Resnet, VGG, DenseNet của Pytorch để áp dụng vào các mô hình huấn luyện nhỏ hơn mà vẫn kế thừa được các ưu điểm, tính năng từ các mô hình đã được huấn luyện (mô hình huấn luyện trước).
Thay vì phải huấn luyện lại một mô hình từ các tập dữ liệu lớn và tinh chỉnh các thông số sao cho hợp lý thì Transfer Learning giúp ta sử dụng lại các mô hình đã có sẵn, giúp tiết kiệm thời gian và công sức [12]. Ở đề tài này, nhóm sử dụng tiến hành huấn luyện các mô hình huấn luyện trước này trên tập dữ liệu đã được chọn và khảo sát xem những mô hình huấn luyện trước này có thực sự phù hợp với đề tài và kết quả đầu ra có được như kì vọng là có độ chính xác khoảng hơn 90%. Ý tưởng của Transfer Learning của nhóm là ban đầu sử dụng các tập dữ liệu lớn làm cơ sở cho mô hình và sau đó sẽ chuyển dần sang các hình ảnh chụp X- quang tuyến vú để trích xuất các dữ liệu cho mô hình học. Bằng cách tinh chỉnh chỉ tối đa ba lớp cuối cùng, nhóm sẽ kiểm tra xem liệu việc học tập chuyển giao (Transfer Learning) các lớp trích xuất tính năng imagenet có hiệu quả với hình ảnh chụp quang tuyến vú hay không và thử nghiệm nhiều Mô hình huấn luyện trước khác nhau.
Từ đó, nhóm đánh giá về kết quả mô hình. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 6 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. Tập dữ liệu 2. Khảo sát tập dữ liệu Theo như yêu cầu của đề tài và để có thể huấn luyện ra mô hình tốt nhất phải đòi hỏi có một tập dữ liệu lớn là một điều rất quan trọng và đáp ứng các yêu cầu sau: ● Tập dữ liệu phải lớn, đầy đủ bệnh yêu cầu ● Tập dữ liệu cần phải phổ biến và đầy đủ ● Có ROI Mask để hỗ trợ khoanh vùng bệnh dùng để đánh giá và khoanh vùng bệnh Hiện nay, các tập dữ liệu đủ đáp ứng yêu cầu bài toán và sử dụng rộng rãi phổ biến trên thế giới chẳng hạn như: VinDR-Mammo, MIAS, InBreast, DDSM.
❖ Tập VinDR-Mammo: là một tập dữ liệu lớn được phát triển bởi VinAI chuyên chụp về bệnh ung thư vú, được thu thập từ năm 2018 đến 2020 được lưu trữ trong hệ thống truyền thông với hơn 2.000 kết quả kiểm tra chụp X- quang tuyến vú đưa ra hơn 5.000 hình ảnh DICOM [13]. ❖ Tập MIAS: là một tập dữ liệu được thu thập bởi một nghiên cứu của Vương Quốc Anh và đã tạo ra cơ sở dữ liệu về chụp X-quang tuyến vú. Với dung lượng 2,3GB hình ảnh độ phân giải cao và được chọn lọc vô cùng kỹ lưỡng [14]. ❖ Tập InBreast: là một cơ sở dữ liệu được thu tập tại bệnh viện đại học (Centro Hospitalar de S.
João [CHSJ], Trung tâm vú, Porto) với sự cho phép của Ủy ban bảo vệ dữ liệu quốc gia Bồ Đào Nha. Cơ sở dữ liệu này bao gồm có 115 trường hợp và có hơn 410 hình ảnh, điểm mạnh của cơ sở dữ liệu này là hoàn toàn dựa trên thực tế và được chụp bằng ảnh chụp X-quang kỹ thuật số [15]. ❖ Tập DDSM: là cơ sở dữ liệu kỹ thuật số để sàng lọc các nhũ ảnh của Đại Học Nam Florida và được hổ trợ từ Chương trình Nghiên cứu Ung thư Vú của Bộ Tư lệnh Nghiên cứu Y tế và Trang thiết bị Quân đội Hoa Kỳ. Có hơn 2620 trường hợp với số lượng hình ảnh lên đến 230,9GB và được chia thành BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 7 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT các bệnh: normal, cancer, benign [16].
Vì dữ liệu của tập DDSM quá lớn và không sử dụng hết tất cả các dữ liệu trong nó nên vì thế nó được chia nhỏ ra thành: CBIS-DDSM và Mini-DDSM. ❖ CBIS-DDSM: là tập dữ liệu con và được kế thừa từ cơ sở dữ liệu DDSM với dung tích 163.6GB hình ảnh DICOM được chụp X-quang kỹ thuật số của hơn 1.566 trường hợp [17]. ❖ Mini-DDSM: là một tập dữ liệu con hoàn chỉnh được chuyển đổi hiện đại hoá thành những hình ảnh dưới dạng JPEG, với dung tích 5GB tập dữ liệu chứa toàn bộ các thuộc tính, thông tin từ DDSM và đặc biệt nó hoàn toàn miễn phí [18].