Đồ án: Phân loại bệnh võng mạc đái tháo đường sử dụng mô hình mạng ResNet

Đồ án phân loại bệnh võng mạc đái tháo đường với mô hình ResNet. Nghiên cứu ứng dụng AI, giúp phát hiện sớm và chính xác bệnh lý võng mạc do tiểu đường.

• Tác giả: Phạm Vũ Tường Vy
• Người hướng dẫn: ThS. Ngô Bá Việt
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Y Sinh
• Đề tài: Phân Loại Bệnh Võng Mạc Đái Tháo Đường Sử Dụng Mô Hình Mạng Resnet
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
• LỊCH TRÌNH THỰC HIỆN ĐỒ ÁN TỐT NGHIỆP
• LỜI CAM ĐOAN
• MỤC LỤC
• LIỆT KÊ HÌNH
• LIỆT KÊ BẢNG
• DANH SÁCH CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: NỘI DUNG NGHIÊN CỨU. BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG. ẢNH CHỤP ĐÁY MẮT. MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI BỆNH VÕNG MẠC
• 2. PHƯƠNG PHÁP MÁY VECTOR HỖ TRỢ
• 3. PHƯƠNG PHÁP MẠNG NƠ-RON TÍCH CHẬP. KỸ THUẬT HỌC CHUYỂN GIAO. XÂY DỰNG MÔ HÌNH PHÂN LOẠI BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG
• 4. TẬP DỮ LIỆU. CHUẨN HÓA HÌNH ẢNH. PHƯƠNG PHÁP ĐÁNH GIÁ HUẤN LUYỆN. THIẾT KẾ GIAO DIỆN
• 5. THIẾT KẾ BACKEND
• 6. THIẾT KẾ FRONTEND
• 7. KẾT NỐI FRONTEND VÀ BACKEND
• 8. KẾT QUẢ VÀ THẢO LUẬN. KẾT QUẢ PHÂN LOẠI
• 9. PHÂN LOẠI BỆNH TRƯỚC KHI HIỆU CHỈNH GIÁ TRỊ THÔNG SỐ
• 10. PHÂN LOẠI BỆNH SAU KHI HIỆU CHỈNH GIÁ TRỊ THÔNG SỐ
• 11. SO SÁNH MÔ HÌNH PHÂN LOẠI CỦA ĐỀ TÀI VỚI PHƯƠNG PHÁP KHÁC
• 12. GIAO DIỆN CHẨN ĐOÁN BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG
• 13. HƯỚNG DẪN SỬ DỤNG GIAO DIỆN
• 14. ĐÁNH GIÁ TRANG WEB
• 15. DỰ TOÁN CỦA HỆ THỐNG PHÂN LOẠI BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG
• 16. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 17. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu Phân loại bệnh Võng mạc Đái tháo đường ResNet

Bệnh võng mạc đái tháo đường (DR) là một biến chứng nghiêm trọng của bệnh đái tháo đường, và là nguyên nhân hàng đầu gây mù lòa ở người trong độ tuổi lao động. Việc phát hiện sớm và phân loại chính xác mức độ bệnh là vô cùng quan trọng để có thể đưa ra phương pháp điều trị kịp thời và hiệu quả, ngăn ngừa các biến chứng nguy hiểm. Hiện nay, việc chẩn đoán DR chủ yếu dựa vào việc khám mắt và đánh giá ảnh chụp đáy mắt bởi các bác sĩ nhãn khoa. Tuy nhiên, phương pháp này tốn nhiều thời gian, công sức và đòi hỏi chuyên môn cao, đặc biệt là ở những vùng sâu vùng xa, nơi thiếu hụt các chuyên gia. Vì vậy, việc phát triển các công cụ hỗ trợ chẩn đoán DR tự động, nhanh chóng và chính xác là một nhu cầu cấp thiết.

Trong bối cảnh đó, trí tuệ nhân tạo (AI) và học sâu (Deep Learning) đã mở ra những tiềm năng to lớn trong lĩnh vực chẩn đoán hình ảnh y tế, bao gồm cả DR. Các mô hình học sâu, đặc biệt là mạng nơ-ron tích chập (Convolutional Neural Networks - CNN), đã chứng minh khả năng vượt trội trong việc phân tích ảnh y tế và phát hiện các đặc điểm bệnh lý một cách hiệu quả. Một trong những kiến trúc CNN phổ biến và mạnh mẽ nhất là ResNet. ResNet nổi tiếng với khả năng xử lý các mạng nơ-ron sâu, giúp tăng độ chính xác và hiệu quả của mô hình. Đề tài “Phân loại bệnh võng mạc đái tháo đường sử dụng mô hình mạng ResNet” tập trung vào việc ứng dụng mạng ResNet để xây dựng một hệ thống phân loại DR tự động, với mục tiêu hỗ trợ các bác sĩ nhãn khoa trong việc chẩn đoán và đưa ra quyết định điều trị. Hệ thống này hứa hẹn sẽ giúp cải thiện chất lượng chẩn đoán, giảm thiểu thời gian chờ đợi và mở rộng khả năng tiếp cận dịch vụ chăm sóc mắt cho bệnh nhân đái tháo đường.

1.1. Tổng quan về Bệnh võng mạc Đái tháo đường DR

Bệnh võng mạc đái tháo đường (DR) là một biến chứng mạch máu nhỏ phổ biến của bệnh đái tháo đường, ảnh hưởng đến các mạch máu ở võng mạc, lớp mô nhạy cảm với ánh sáng ở phía sau mắt. Theo thời gian, lượng đường trong máu cao có thể làm tổn thương các mạch máu này, dẫn đến rò rỉ, tắc nghẽn hoặc phát triển các mạch máu mới bất thường. Các giai đoạn của DR bao gồm: võng mạc đái tháo đường không tăng sinh (NPDR), từ nhẹ đến nặng, và võng mạc đái tháo đường tăng sinh (PDR), giai đoạn nghiêm trọng nhất khi các mạch máu mới phát triển trên bề mặt võng mạc. Nếu không được điều trị, DR có thể dẫn đến mất thị lực nghiêm trọng và mù lòa. Các yếu tố nguy cơ của DR bao gồm: thời gian mắc bệnh đái tháo đường, kiểm soát đường huyết kém, huyết áp cao, cholesterol cao và hút thuốc. Do đó, việc kiểm soát tốt đường huyết, huyết áp và cholesterol là rất quan trọng để ngăn ngừa hoặc làm chậm tiến triển của DR.

1.2. Vai trò của Mạng ResNet trong phân tích ảnh Y tế

ResNet (Residual Network) là một kiến trúc mạng CNN được giới thiệu lần đầu vào năm 2015, và đã nhanh chóng trở thành một trong những kiến trúc phổ biến nhất trong lĩnh vực học sâu. ResNet giải quyết vấn đề suy giảm độ chính xác khi tăng độ sâu của mạng, bằng cách sử dụng các kết nối tắt (skip connections) để cho phép các lớp nông hơn truy cập trực tiếp vào các lớp sâu hơn. Điều này giúp mạng học các đặc trưng phức tạp hơn và cải thiện khả năng tổng quát hóa. Trong lĩnh vực phân tích ảnh y tế, ResNet đã được chứng minh là rất hiệu quả trong việc phát hiện và phân loại các bệnh lý khác nhau, nhờ khả năng trích xuất các đặc trưng quan trọng từ ảnh y tế một cách chính xác. Các biến thể của ResNet như ResNet50, ResNet101, ResNet152 cung cấp các lựa chọn khác nhau về độ sâu và độ phức tạp của mô hình, cho phép tùy chỉnh cho các ứng dụng cụ thể.

II. Thách thức Phân loại Bệnh Võng mạc Đái tháo đường chính xác

Mặc dù có những tiến bộ đáng kể trong việc ứng dụng mạng CNN vào phân loại DR, vẫn còn một số thách thức cần vượt qua. Một trong những thách thức lớn nhất là sự đa dạng và phức tạp của ảnh chụp đáy mắt. Ảnh chụp đáy mắt có thể bị ảnh hưởng bởi nhiều yếu tố như: chất lượng hình ảnh, độ sáng, độ tương phản, sự hiện diện của các nhiễu ảnh (artifacts), và sự khác biệt về cấu trúc mắt giữa các bệnh nhân. Ngoài ra, các đặc điểm bệnh lý của DR có thể rất tinh vi và khó phân biệt, đặc biệt là ở giai đoạn sớm của bệnh. Một thách thức khác là sự mất cân bằng dữ liệu trong các bộ dữ liệu DR. Số lượng ảnh chụp đáy mắt của các giai đoạn DR nghiêm trọng thường ít hơn nhiều so với các giai đoạn nhẹ hoặc không bệnh. Điều này có thể dẫn đến việc mô hình bị thiên vị và hoạt động kém hiệu quả trên các giai đoạn bệnh hiếm gặp. Để giải quyết những thách thức này, cần có các phương pháp tiền xử lý ảnh hiệu quả, các kiến trúc mô hình mạnh mẽ và các kỹ thuật huấn luyện phù hợp.

2.1. Khó khăn trong tiền xử lý ảnh chụp Đáy mắt DR

Tiền xử lý ảnh đóng vai trò quan trọng trong việc cải thiện chất lượng và độ tin cậy của ảnh chụp đáy mắt, trước khi đưa vào mô hình phân loại. Tuy nhiên, việc tiền xử lý ảnh chụp đáy mắt DR có thể gặp nhiều khó khăn. Thứ nhất, ảnh chụp đáy mắt thường có độ phân giải thấp và độ nhiễu cao, do điều kiện chụp ảnh không lý tưởng hoặc do các vấn đề kỹ thuật của thiết bị. Thứ hai, ảnh chụp đáy mắt có thể bị ảnh hưởng bởi sự hiện diện của các cấu trúc mắt khác nhau, chẳng hạn như mạch máu, đĩa thị giác và điểm vàng, gây khó khăn cho việc phát hiện các đặc điểm bệnh lý. Thứ ba, ảnh chụp đáy mắt có thể bị ảnh hưởng bởi các nhiễu ảnh (artifacts), chẳng hạn như bóng mờ, phản xạ và các vật thể lạ, làm sai lệch thông tin về cấu trúc và màu sắc của võng mạc. Để vượt qua những khó khăn này, cần sử dụng các phương pháp tiền xử lý ảnh tiên tiến, chẳng hạn như: lọc nhiễu, tăng cường độ tương phản, loại bỏ nhiễu ảnh và chuẩn hóa màu sắc.

2.2. Vấn đề Mất cân bằng dữ liệu trong bộ dữ liệu DR

Sự mất cân bằng dữ liệu là một vấn đề phổ biến trong các bộ dữ liệu DR, khi số lượng ảnh chụp đáy mắt của các giai đoạn DR nghiêm trọng (ví dụ: PDR) thường ít hơn nhiều so với các giai đoạn nhẹ hoặc không bệnh (ví dụ: No DR). Điều này có thể dẫn đến việc mô hình bị thiên vị và hoạt động kém hiệu quả trên các giai đoạn bệnh hiếm gặp, vì mô hình có xu hướng học các đặc trưng của các giai đoạn bệnh phổ biến hơn. Để giải quyết vấn đề này, có thể sử dụng các kỹ thuật cân bằng dữ liệu, chẳng hạn như: lấy mẫu quá mức (oversampling) các giai đoạn bệnh hiếm gặp, lấy mẫu dưới mức (undersampling) các giai đoạn bệnh phổ biến, hoặc sử dụng các phương pháp tổng hợp dữ liệu (data augmentation) để tạo ra các mẫu dữ liệu mới cho các giai đoạn bệnh hiếm gặp. Ngoài ra, có thể sử dụng các hàm mất mát (loss functions) được thiết kế đặc biệt để xử lý sự mất cân bằng dữ liệu, chẳng hạn như focal loss hoặc weighted cross-entropy loss.

III. Cách Phân loại Bệnh Võng mạc Đái tháo đường bằng ResNet

Để phân loại DR bằng ResNet, quy trình chung bao gồm các bước sau: 1) Thu thập và chuẩn bị dữ liệu: Thu thập một bộ dữ liệu lớn các ảnh chụp đáy mắt đã được gắn nhãn với các giai đoạn DR khác nhau. Chuẩn hóa kích thước, độ sáng và độ tương phản của ảnh. 2) Xây dựng mô hình ResNet: Sử dụng một kiến trúc ResNet đã được huấn luyện trước (ví dụ: ResNet50, ResNet101) trên một bộ dữ liệu lớn khác (ví dụ: ImageNet) và tinh chỉnh (fine-tune) nó trên bộ dữ liệu DR. 3) Huấn luyện mô hình: Sử dụng một thuật toán tối ưu hóa (ví dụ: Adam, SGD) và một hàm mất mát (ví dụ: cross-entropy) để huấn luyện mô hình ResNet trên bộ dữ liệu DR. Sử dụng các kỹ thuật điều chuẩn (regularization) để ngăn ngừa quá khớp (overfitting). 4) Đánh giá mô hình: Sử dụng các độ đo đánh giá (ví dụ: độ chính xác, độ nhạy, độ đặc hiệu, F1-score) để đánh giá hiệu suất của mô hình ResNet trên một tập dữ liệu kiểm tra (test set) độc lập. 5) Triển khai mô hình: Triển khai mô hình ResNet đã được huấn luyện trên một hệ thống chẩn đoán DR tự động.

3.1. Chi tiết về Kiến trúc ResNet được sử dụng

Kiến trúc ResNet được sử dụng trong hệ thống phân loại DR có thể là một trong các biến thể phổ biến, chẳng hạn như ResNet50, ResNet101 hoặc ResNet152. ResNet50 có 50 lớp, trong khi ResNet101 và ResNet152 có lần lượt 101 và 152 lớp. Các lớp này bao gồm các lớp tích chập, lớp gộp (pooling layers), lớp chuẩn hóa hàng loạt (batch normalization layers) và các kết nối tắt. Các kết nối tắt cho phép các lớp nông hơn truy cập trực tiếp vào các lớp sâu hơn, giúp giải quyết vấn đề suy giảm độ chính xác khi tăng độ sâu của mạng. Lựa chọn kiến trúc ResNet cụ thể phụ thuộc vào kích thước và độ phức tạp của bộ dữ liệu DR, cũng như các yêu cầu về hiệu suất và độ chính xác của hệ thống. Thông thường, ResNet50 là một lựa chọn tốt cho các bộ dữ liệu nhỏ và vừa, trong khi ResNet101 và ResNet152 có thể mang lại hiệu suất tốt hơn trên các bộ dữ liệu lớn hơn.

3.2. Tinh chỉnh Transfer learning cho bài toán DR

Để tận dụng kiến thức đã học từ các bộ dữ liệu lớn khác, kỹ thuật học chuyển giao (transfer learning) thường được sử dụng trong bài toán phân loại DR. Điều này bao gồm việc sử dụng một mô hình ResNet đã được huấn luyện trước trên một bộ dữ liệu lớn (ví dụ: ImageNet) và tinh chỉnh nó trên bộ dữ liệu DR. Quá trình tinh chỉnh bao gồm việc cập nhật các trọng số (weights) của mô hình ResNet để phù hợp với các đặc trưng của bộ dữ liệu DR. Thông thường, các lớp cuối cùng của mô hình ResNet (ví dụ: lớp phân loại) được thay thế bằng các lớp mới được thiết kế đặc biệt cho bài toán phân loại DR. Kỹ thuật học chuyển giao có thể giúp giảm thời gian huấn luyện và cải thiện hiệu suất của mô hình, đặc biệt là khi bộ dữ liệu DR có kích thước hạn chế.

3.3. Các bước tiền xử lý ảnh và Data Augmentation

Tiền xử lý ảnh đóng vai trò quan trọng trong việc cải thiện chất lượng ảnh và hiệu quả huấn luyện mô hình. Bước tiền xử lý thường bao gồm: điều chỉnh kích thước, chuẩn hóa histogram, lọc nhiễu, tăng cường độ tương phản và loại bỏ các artifacts. Data Augmentation là phương pháp quan trọng để cải thiện sự đa dạng của tập dữ liệu huấn luyện. Kỹ thuật này tạo ra các phiên bản mới của hình ảnh hiện có bằng cách áp dụng các phép biến đổi ngẫu nhiên. Các phép biến đổi thường được sử dụng bao gồm: xoay ảnh, lật ảnh, phóng to/thu nhỏ, dịch chuyển và điều chỉnh độ sáng/tối. Qua đó mô hình sẽ học được tính biến động của dữ liệu ảnh tốt hơn, cải thiện khả năng tổng quát hóa và giảm thiểu hiện tượng quá khớp.

IV. Ứng dụng thực tiễn và Kết quả Nghiên cứu ResNet trong DR

Mô hình ResNet đã được ứng dụng thành công trong nhiều nghiên cứu về phân loại DR, với kết quả đầy hứa hẹn. Các nghiên cứu cho thấy rằng mô hình ResNet có thể đạt được độ chính xác cao trong việc phân loại các giai đoạn DR khác nhau, từ không bệnh đến PDR. Ngoài ra, mô hình ResNet cũng có thể được sử dụng để phát hiện các đặc điểm bệnh lý cụ thể của DR, chẳng hạn như vi phình mạch, xuất huyết và tân mạch. Các kết quả nghiên cứu cho thấy rằng mô hình ResNet có thể là một công cụ hữu ích cho các bác sĩ nhãn khoa trong việc chẩn đoán và điều trị DR. Đồ án này cũng đánh giá hiệu suất của mô hình trên bộ dữ liệu APTOS. Kết quả cho thấy rằng mô hình đạt độ chính xác khoảng 90%.

4.1. Đánh giá hiệu suất mô hình Độ chính xác Độ nhạy và Độ đặc hiệu

Để đánh giá hiệu suất của mô hình ResNet trong phân loại DR, cần sử dụng các độ đo đánh giá phù hợp. Các độ đo phổ biến bao gồm: độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), F1-score và diện tích dưới đường cong ROC (AUC-ROC). Độ chính xác đo lường tỷ lệ các dự đoán đúng trên tổng số các dự đoán. Độ nhạy đo lường tỷ lệ các trường hợp bệnh được phát hiện chính xác. Độ đặc hiệu đo lường tỷ lệ các trường hợp không bệnh được xác định chính xác. F1-score là trung bình điều hòa của độ nhạy và độ chính xác. AUC-ROC đo lường khả năng phân biệt giữa các giai đoạn DR khác nhau của mô hình.

4.2. So sánh với các phương pháp phân loại DR khác

Để đánh giá tính cạnh tranh của mô hình ResNet trong phân loại DR, cần so sánh nó với các phương pháp phân loại DR khác. Các phương pháp phổ biến bao gồm: máy học cổ điển (ví dụ: SVM, Random Forest) và các kiến trúc mạng CNN khác (ví dụ: VGG, Inception). So sánh nên dựa trên các độ đo đánh giá đã được đề cập ở trên, cũng như thời gian huấn luyện và độ phức tạp của mô hình. Các nghiên cứu cho thấy rằng mô hình ResNet có thể đạt được hiệu suất tốt hơn so với các phương pháp truyền thống, đặc biệt là trên các bộ dữ liệu lớn và phức tạp.

V. Kết luận và Hướng phát triển cho Phân loại DR bằng AI

Ứng dụng ResNet vào phân loại bệnh võng mạc đái tháo đường (DR) cho thấy tiềm năng lớn trong việc hỗ trợ chẩn đoán và điều trị bệnh. Mặc dù đã đạt được những thành công nhất định, vẫn còn nhiều hướng phát triển tiềm năng để cải thiện hiệu suất và tính ứng dụng của hệ thống. Nghiên cứu sâu hơn về các kiến trúc mạng CNN mới, các phương pháp tiền xử lý ảnh và các kỹ thuật huấn luyện có thể giúp nâng cao độ chính xác và độ tin cậy của mô hình. Đồng thời, việc phát triển các giao diện người dùng thân thiện và tích hợp hệ thống vào quy trình khám chữa bệnh thực tế có thể giúp tăng cường khả năng tiếp cận dịch vụ chăm sóc mắt cho bệnh nhân đái tháo đường.

5.1. Tổng kết kết quả đạt được và hạn chế của đề tài

Đề tài đã xây dựng và đánh giá một hệ thống phân loại DR tự động dựa trên mô hình mạng ResNet, đạt được độ chính xác tương đối cao trên bộ dữ liệu APTOS. Tuy nhiên, đề tài vẫn còn một số hạn chế. Thứ nhất, bộ dữ liệu APTOS có thể không đại diện cho tất cả các trường hợp DR trong thực tế. Thứ hai, mô hình ResNet có thể chưa đủ mạnh để phát hiện các đặc điểm bệnh lý tinh vi của DR. Thứ ba, hệ thống chưa được tích hợp vào quy trình khám chữa bệnh thực tế.

5.2. Hướng phát triển tiềm năng trong tương lai cho ResNet DR

Các hướng phát triển tiềm năng trong tương lai cho hệ thống phân loại DR dựa trên ResNet bao gồm: 1) Sử dụng các bộ dữ liệu lớn hơn và đa dạng hơn để huấn luyện mô hình. 2) Nghiên cứu các kiến trúc mạng CNN mới và các phương pháp tiền xử lý ảnh tiên tiến để cải thiện độ chính xác và độ tin cậy của mô hình. 3) Phát triển các phương pháp diễn giải AI (Explainable AI - XAI) để giúp các bác sĩ hiểu rõ hơn về cách mô hình đưa ra quyết định. 4) Tích hợp hệ thống vào quy trình khám chữa bệnh thực tế và đánh giá hiệu quả của nó trong môi trường lâm sàng. 5) Phát triển các ứng dụng telemedicine dựa trên hệ thống để mở rộng khả năng tiếp cận dịch vụ chăm sóc mắt cho bệnh nhân đái tháo đường ở vùng sâu vùng xa.

Trích đoạn nội dung tài liệu

Chương 1: Tổng Quan Giới thiệu tổng quan về nội dung đề tài nghiên cứu, mục tiêu, phạm vi và bố cục của đồ án. • Chương 2: Cơ Sở Lý Thuyết Giới thiệu tổng quan về bệnh võng mạc đái tháo đường, ảnh chụp đáy mắt và các phương pháp phân loại ảnh đáy mắt. • Chương 3: Xây Dựng Mô Hình Phân Loại Bệnh Võng Mạc Tiểu Đường Trình bày sơ đồ khối của đề tài, cách xây dựng mô hình huấn luyện đã thu thập trước đó. Sau khi huấn luyện mô hình xong tiến hành thử nghiệm mô hình để thực hiện việc đưa ảnh vào quá trình nhận diện, xây dựng một giao diện đơn giản, cho phép người dùng tải lên ảnh và tiến hành nhận diện.

• Chương 4: Kết Quả Và Thảo Luận Tổng kết kết quả sau quá trình thực hiện và đánh giá mô hình huấn luyện, đồng thời thực hiện so sánh và phân tích kết quả đạt được, nghiên cứu viết hướng dẫn cách sử dụng giao diện, đưa ra dự toán chi phí thực hiện. • Chương 5: Kết Luận và Hướng Phát Triển Trình bày các kết quả đạt được sau quá trình thực hiện và đưa ra những kết luận. Đưa ra ưu nhược điểm. Sau đó, đề xuất ý tưởng và hướng phát triển cho đề tài.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 3 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Chương 2. BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG Bệnh võng mạc đái tháo đường là nguyên nhân chính gây ra mù lòa ở các nước phát triển và dần trở nên phổ biến ở các nước đang phát triển [2].1 Giới thiệu bệnh võng mạc đái tháo đường Hình 1.1 là một số đặc điểm về mắt khi bệnh võng mạc đái tháo đường. Đây là một biến chứng bệnh tiểu đường ảnh hưởng đến mắt nguyên nhân là do lượng đường trong máu cao kéo dài làm tổn thương các mạch máu nhỏ của võng mạc.

Nó xảy ra do tổn thương các mạch máu của mô nhạy cảm với ánh sáng ở phía sau mắt (võng mạc). Theo thời gian, quá nhiều đường trong máu có thể dẫn đến tắc nghẽn các mạch máu nhỏ nuôi dưỡng võng mạc, cắt nguồn cung cấp máu cho võng mạc. Kết quả là, mắt cố gắng phát triển các mạch máu mới. Nhưng những mạch máu mới này không phát triển đúng cách và có thể dễ dàng bị rò rỉ.

Gần như tất cả những người mắc bệnh tiểu đường đều bị tổn thương võng mạc. Đối với nhiều người, tổn thương đó chỉ có thể được phát hiện khi đi khám võng mạc. Học viện Nhãn khoa Hoa Kỳ chia bệnh lý võng mạc tiểu đường thành 5 mức độ nghiêm trọng, Loại đầu tiên không có bệnh lý võng mạc rõ ràng (No Apparent Retinopathy), mô tả những người có kết quả kiểm tra khỏe mạnh. Ba loại tiếp theo: bệnh võng mạc tiểu đường không tăng sinh nhẹ (Mild), trung bình (Moderate) và nặng (Severe) mô tả mức độ tổn thương võng mạc ngày càng tăng.

Những người bị NPDR nhẹ có vi phình mạch ở võng mạc, nhưng không có tổn thương nào khác. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 4 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Những người bị NPDR nặng có hơn 20 lần xuất huyết võng mạc ở mỗi góc phần tư của võng mạc, một kiểu tổn thương đặc biệt trên các tĩnh mạch của võng mạc được gọi là "kết hạt tĩnh mạch" ở ít nhất hai góc phần tư võng mạc và các bất thường vi mạch trong võng mạc rõ ràng ở bất kỳ đâu trên võng mạc. NPDR vừa phải được định nghĩa là nghiêm trọng hơn NPDR nhẹ, nhưng chưa đáp ứng các tiêu chí cho NPDR nghiêm trọng.

Giai đoạn thứ năm là bệnh võng mạc tiểu đường tăng sinh (PDR) dành cho những người có mạch máu mới hình thành khắp võng mạc hoặc rò rỉ vào dịch kính (xuất huyết dịch kính) hoặc giữa màng dịch kính và võng mạc (xuất huyết trước võng mạc) [6]. ẢNH CHỤP ĐÁY MẮT Hình 2.2 Ảnh chụp đáy mắt Chụp ảnh đáy mắt bao gồm chụp ảnh phía sau mắt, còn được gọi là đáy mắt. Máy ảnh đáy mắt chuyên dụng bao gồm một kính hiển vi phức tạp gắn với máy ảnh có đèn flash được sử dụng trong chụp ảnh đáy mắt. Các cấu trúc chính có thể được hình dung trên ảnh chụp đáy mắt là võng mạc trung tâm và ngoại vi, dây thần kinh thị giác và điểm vàng.3 Các giai đoạn của bệnh võng mạc tiểu đường BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 5 CHƯƠNG 2.

CƠ SỞ LÝ THUYẾT Hình ảnh đáy mắt là một phương thức được sử dụng để phát hiện DR. Chụp ảnh đáy mắt là quá trình nhờ ánh sáng phản xạ được sử dụng để tạo thành hình ảnh hai chiều cũng võng mạc ba chiều, mô phân lớp bán trong suốt nằm bên trong mắt được chiếu lên một mặt phẳng tạo ảnh.3 cho thấy các mức độ nghiêm trọng DR khác nhau từ các hình ảnh đáy mắt màu võng mạc [7]. MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI BỆNH VÕNG MẠC 2.1 PHƯƠNG PHÁP MÁY VECTOR HỖ TRỢ Đề tài nghiên cứu “Automated detection of diabetic retinopathy using SVM” của nhóm tác giả Enrique V.carrera, Ricardo Carrera và Andrés González năm 2017 sử dụng phương pháp SVM để đánh giá việc phân loại bệnh võng mạc tiểu đường [8]. Đề tài này sử dụng dữ liệu hình ảnh số màu đáy mắt của ba khoa mắt.

Sau quá trình huấn luyện độ chính xác của hệ thống là 85%. SVM là một thuật toán giám sát, nó có thể sử dụng cho cả việc phân loại hoặc đệ quy. Tuy nhiên nó được sử dụng chủ yếu cho việc phân loại. Mục tiêu của thuật toán SVM là tạo đường hoặc ranh giới quyết định tốt nhất có thể tách không gian n chiều thành các lớp để chúng ta có thể dễ dàng đặt điểm dữ liệu mới vào đúng danh mục trong tương lai.

Ranh giới quyết định tốt nhất này được gọi là siêu phẳng [10].4 Điểm dữ liệu được phân tách bằng SVM Trong không gian 2 chiều , khoảng cách từ một điểm có tọa độ (x0,y0) tới đường thẳng có phương trình ω1x + ω2y + b = 0 xác định bởi công thức (2. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 6 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Trong không gian ba chiều(x0,y0,, z0) tới một mặt phẳng có phương trình ω1x + ω2y + ω3z + b = 0 được xác định bởi công thức (2. Tổng quát không gian nhiều chiều, khoảng cách từ một điểm (vector) có tọa độ x0 tới siêu mặt phẳng có phương trình ωTx + b = 0 được xác định bởi công thức (2.3) với ||w||2 = √∑di=1 ω2i với d là số chiều củ a không gian.2 PHƯƠNG PHÁP MẠNG NƠ-RON TÍCH CHẬP Đề tài phân loại bệnh võng mạc tiểu đường được nhóm tác giả Harry Pratt, Frans Coenen, Deborah M.

Harding, Yalin Zheng sử dụng mạng nơ-ron tích chập. Tập dataset đầu vào có 80000 ảnh có sẵn tại thư viện trực tuyến Kaggle. Mô hình sau khi huấn luyện có độ chính xác trung bình là 75% [11]. Convolutional Neural Network (CNN hoặc ConvNet) được xem là một trong những mô hình của Deep Learning – tập hợp các thuật toán để có mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý cấu trúc phức tạp.

Hiểu đơn giản, CNN là một lớp của mạng nơ-ron sâu , được áp dụng phổ biến nhất để phân tích hình ảnh trực quan [12].5 Kiến trúc CNN điển hình BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 7 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Convolution layer (lớp tích chập ): Lớp quan trọng nhất và đầu tiên trong mô hình CNN là lớp tích chập. Lớp này có chức năng chính là phát hiện các đặc trưng không gian hiệu quả trong dữ liệu. Trên tầng này, có tồn tại 4 đối tượng chính: bộ filter, ma trận đầu vào, receptive field và feature map.

Lớp tích chập nhận đầu vào là một ma trận 3 chiều và một bộ filter cần phải học. Bộ filter này được trượt qua từng vị trí trên bức ảnh để thực hiện phép tích chập giữa bộ filter và phần tương ứng trên bức ảnh. Phần tương ứng này trên bức ảnh được gọi là receptive field, tức là vùng mà một neuron có thể "nhìn thấy" để đưa ra quyết định. Quá trình này tạo ra một ma trận kết quả gọi là feature map, chứa thông tin về sự xuất hiện của các đặc trưng quan trọng trong dữ liệu [13].

Qua lớp tích chập, mô hình có khả năng học được các đặc trưng cục bộ trong dữ liệu và tạo ra các feature map, đóng vai trò quan trọng trong việc trích xuất thông tin hữu ích từ đầu vào. Các feature map này sau đó sẽ được đưa vào các lớp tiếp theo trong mô hình để tiếp tục xử lý và tạo ra đầu ra cuối cùng của mô hình.6 Cách thực hiện tích chập trong lớp tích chập Tầng convolution: Tầng tích chập trong mô hình CNN có chức năng chính là phát hiện các đặc trưng đặc biệt của bức ảnh. Các đặc trưng này bao gồm những đặc trưng cơ bản như góc, cạnh, màu sắc, cũng như những đặc trưng phức tạp hơn như texture của ảnh. Với việc bộ filter trượt qua toàn bộ bức ảnh, tầng tích chập có khả năng phát hiện những đặc trưng này ở bất kỳ vị trí nào trong bức ảnh.

Điều này có nghĩa là dù bức ảnh bị xoay hoặc lật ngang/lật dọc, các đặc trưng vẫn có thể được phát hiện. Kích thước bộ filter, cùng với stride và padding, được xem là những tham số quan trọng trong tầng tích chập. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 8 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Kích thước bộ filter là một trong những tham số quan trọng nhất, vì nó ảnh hưởng đến số lượng tham số cần học trong mỗi tầng tích chập và quyết định vùng receptive field của tầng đó.

Kích thước phổ biến nhất cho bộ filter là 3x3, tuy nhiên, có thể sử dụng các kích thước khác tùy thuộc vào bài toán và kiến trúc mô hình. Tham số stride (bước trượt), thể hiện số pixel bạn cần phải dịch chuyển mỗi khi trượt bộ filter qua bức ảnh. Giả sử chọn bộ lọc với giá trị bước trượt bằng 1, bộ lọc sẽ dịch chuyển toàn bộ cửa sổ tích chập từ trái sang phải và từ trên xuống 1 điểm ảnh. Giá trị bước trượt càng lớn, tốc độ tính toán càng nhanh, tuy nhiên kích thước của thông tin đặc tính của hình ảnh càng nhỏ, lượng thông tin bị mất càng nhiều.

Tham số padding là các giá trị 0 được thêm vào cùng lớp input. Khi áp dụng phép convolution thì ma trận đầu vào sẽ có nhỏ dần đi, do đó số layer của mô hình CNN sẽ bị giới hạn, và không thể xậy dựng deep nets mong muốn.