Dự Đoán Mức Độ Tổn Thương Phổi Do COVID-19 Từ Hình Ảnh X-Quang

Luận văn thạc sĩ nghiên cứu công nghệ thông tin ứng dụng dự đoán mức độ tổn thương của phổi do covid 19 từ hình ảnh x quang sử, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Trần Thị Việt Trinh
• Người hướng dẫn: TS. Nguyễn Tất Bảo Thiện
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Dự Đoán Mức Độ Tổn Thương Phổi Do COVID-19 Qua Hình Ảnh X-Quang
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục tiêu và phạm vi
• 1.2. Đóng góp của luận văn
• 1.3. Cấu trúc của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Bài toán phân loại đa lớp
• 2.2. Trích chọn đặc trưng
• 2.3. Hướng tiếp cận dựa trên CNN
• 3. CHƯƠNG 3: BỘ DỮ LIỆU VÀ HỆ THỐNG ĐIỂM SỐ
• 3.1. Dataset Brixia và điểm Brixia
• 3.2. Dataset COVIDGR và điểm RALE
• 3.3. Tăng cường dữ liệu
• 4. CHƯƠNG 4: PHƯƠNG PHÁP DÙNG CHO BÀI TOÁN
• 4.1. Kiến trúc mạng CNN
• 4.2. Kiến trúc hệ thống
• 4.3. Kiến trúc VGG16
• 4.4. Kiến trúc RegNet0Y40
• 4.5. Kiến trúc DenseNet121
• 4.6. Kiến trúc MobileNetV3
• 4.7. Kiến trúc EfficientNetB7
• 4.8. Phương pháp Early Stopping
• 4.9. Phương pháp Transfer Learning
• 5. CHƯƠNG 5: KẾT QUẢ THỬ NGHIỆM
• 5.1. Đánh giá hiệu suất
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Dự Đoán Tổn Thương Phổi Do COVID 19 Bằng X Quang

COVID-19 đã đặt ra thách thức lớn cho hệ thống y tế toàn cầu. Việc chẩn đoán nhanh chóng và chính xác là rất quan trọng. Các phương pháp như xét nghiệm RT-PCR, chụp CT, và X-quang phổi được sử dụng. Tuy nhiên, do hạn chế về nguồn lực và sự phổ biến của thiết bị, hình ảnh X-quang trở thành một công cụ chẩn đoán quan trọng, hỗ trợ các bác sĩ lâm sàng đánh giá tình trạng bệnh nhân. Phân tích thủ công hình ảnh X-quang tốn nhiều thời gian và công sức. Việc tích hợp công nghệ và dữ liệu hình ảnh giúp theo dõi tình trạng bệnh nhân hiệu quả hơn và giảm áp lực tài chính cho các quốc gia. Xác định mức độ nghiêm trọng của bệnh (Bình thường, Nhẹ, Trung bình và Nặng) giúp quyết định phương pháp điều trị phù hợp, từ đó giảm lây lan virus và tránh quá tải cho bệnh viện.

1.1. Tầm quan trọng của chẩn đoán nhanh COVID 19

Chẩn đoán nhanh COVID-19 là yếu tố then chốt để kiểm soát dịch bệnh, giúp cách ly và điều trị bệnh nhân kịp thời, ngăn chặn sự lây lan trong cộng đồng. Việc sử dụng hình ảnh X-quang phổi trong chẩn đoán ban đầu giúp các bác sĩ có cái nhìn tổng quan về tình trạng tổn thương phổi của bệnh nhân, từ đó đưa ra quyết định điều trị phù hợp và nhanh chóng. Xét nghiệm RT-PCR vẫn là tiêu chuẩn vàng, nhưng X-quang phổi là công cụ hỗ trợ đắc lực khi nguồn lực hạn chế.

1.2. Hạn chế của phương pháp chẩn đoán truyền thống

Các phương pháp chẩn đoán truyền thống như xét nghiệm RT-PCR và chụp CT có những hạn chế nhất định, bao gồm thời gian chờ đợi kết quả lâu, chi phí cao, và không phải lúc nào cũng có sẵn ở các cơ sở y tế tuyến dưới. Phân tích thủ công hình ảnh X-quang cũng tốn nhiều thời gian và phụ thuộc vào kinh nghiệm của bác sĩ. Những hạn chế này thúc đẩy việc nghiên cứu và phát triển các phương pháp chẩn đoán nhanh chóng, hiệu quả hơn, như sử dụng trí tuệ nhân tạo (AI) để phân tích hình ảnh X-quang phổi.

1.3. Vai trò của X quang phổi trong bối cảnh COVID 19

Trong bối cảnh đại dịch COVID-19, X-quang phổi đóng vai trò quan trọng trong việc sàng lọc, chẩn đoán, và theo dõi tình trạng tổn thương phổi của bệnh nhân. Mặc dù độ nhạy thấp hơn so với CT phổi, X-quang có ưu điểm là dễ tiếp cận, nhanh chóng, chi phí thấp, và ít gây phơi nhiễm phóng xạ cho bệnh nhân. X-quang phổi giúp các bác sĩ đánh giá mức độ nghiêm trọng của bệnh, phân loại bệnh nhân, và quyết định phương án điều trị phù hợp, đặc biệt trong điều kiện nguồn lực hạn chế.

II. Thách Thức Đánh Giá Mức Độ Nghiêm Trọng Tổn Thương Phổi

Nhiều nghiên cứu đã sử dụng học sâu để phân biệt và xác định COVID-19, nhưng ít chú trọng vào mức độ nghiêm trọng của bệnh. Các thử nghiệm tập trung vào hiệu quả của kỹ thuật học sâu trong chẩn đoán bằng hình ảnh CT và X-quang phổi. Đánh giá tình trạng tổn thương phổi là quan trọng để định rõ phương án điều trị, theo dõi sự phát triển của bệnh và đánh giá rủi ro phát sinh các bệnh khác. Dữ liệu vẫn còn hạn chế và chưa đủ để làm nền tảng cho một đánh giá toàn diện về độ tin cậy của các kỹ thuật này. Nhiều nghiên cứu xoay quanh COVID-19 đã tập trung vào phân loại bệnh thành hai mức: nghiêm trọng và không nghiêm trọng.

2.1. Hạn chế của các nghiên cứu hiện tại về độ nghiêm trọng

Nhiều nghiên cứu về COVID-19 tập trung vào việc phát hiện bệnh, nhưng ít chú trọng đến việc đánh giá mức độ nghiêm trọng của bệnh. Điều này gây khó khăn trong việc đưa ra quyết định điều trị phù hợp cho từng bệnh nhân, đặc biệt là trong bối cảnh nguồn lực y tế hạn chế. Việc phân loại bệnh nhân thành các mức độ nghiêm trọng khác nhau giúp các bác sĩ ưu tiên điều trị cho những trường hợp nặng hơn và tối ưu hóa việc sử dụng tài nguyên.

2.2. Sự cần thiết của dữ liệu toàn diện và đáng tin cậy

Để đánh giá chính xác độ tin cậy của các kỹ thuật dự đoán mức độ tổn thương phổi và khả năng ứng dụng chúng trong thực tiễn y tế, cần có dữ liệu toàn diện và đáng tin cậy. Dữ liệu này bao gồm hình ảnh X-quang của nhiều bệnh nhân ở các giai đoạn bệnh khác nhau, cùng với thông tin lâm sàng chi tiết về tình trạng sức khỏe, tiền sử bệnh, và kết quả điều trị. Việc thu thập và chia sẻ dữ liệu này là rất quan trọng để thúc đẩy nghiên cứu và phát triển các phương pháp chẩn đoán và điều trị COVID-19 hiệu quả hơn.

2.3. Đánh giá chủ quan của bác sĩ và điểm số tổn thương

Đánh giá của bác sĩ thường được coi là tiêu chuẩn để xác định mức độ nghiêm trọng ở phổi. Tuy nhiên, các nghiên cứu đã chỉ ra một số nhược điểm của phương pháp này, như việc chỉ tiên lượng số điểm tổn thương để dự đoán mức độ tổn thương hoặc dựa vào hình ảnh CT hoặc CXR để dự đoán mức độ tổn thương phổi. Điều này gây ra việc tốn thời gian cho việc hướng dẫn chú thích cho những tổn thương phổi, do đó phương pháp tính điểm mức độ nghiêm trọng không hiệu quả.

III. Phương Pháp Ứng Dụng AI Dự Đoán Tổn Thương Phổi Từ X Quang

Nghiên cứu này phân loại tổn thương phổi thành bốn nhóm: không tổn thương, tổn thương nhẹ, tổn thương vừa và tổn thương nặng. Các y bác sĩ lâm sàng có thể xử lý hiệu quả cho các trường hợp bệnh phổi nghiêm trọng do COVID-19 với phương pháp này, ngoài việc tiết kiệm thời gian. Hình ảnh CXR được chọn làm phương tiện chẩn đoán vì nó dễ tiếp cận, thời gian nhanh và chi phí tương đối rẻ. Tại nhiều cơ sở y tế, hình ảnh CXR vẫn được coi là một công cụ mang tính hữu ích cao để xác định tình trạng nghiêm trọng của COVID-19 và hỗ trợ kiểm soát về tình hình sức khỏe.

3.1. Lựa chọn hình ảnh X quang phổi làm phương tiện chẩn đoán

Hình ảnh X-quang được lựa chọn làm phương tiện chẩn đoán chính trong nghiên cứu này vì tính khả dụng, tốc độ, và chi phí thấp. Trong khi chụp CT cho hình ảnh chi tiết hơn, X-quang phổi là phương pháp phù hợp hơn cho việc sàng lọc và theo dõi bệnh nhân COVID-19 trong điều kiện nguồn lực hạn chế. Nó cung cấp thông tin quan trọng về tình trạng tổn thương phổi, giúp bác sĩ đưa ra quyết định điều trị ban đầu và theo dõi diễn biến bệnh.

3.2. Phân loại tổn thương phổi thành bốn mức độ

Việc phân loại tổn thương phổi thành bốn mức độ khác nhau (không tổn thương, nhẹ, vừa, và nặng) giúp các bác sĩ có cái nhìn rõ ràng hơn về tình trạng bệnh nhân và đưa ra quyết định điều trị phù hợp. Phân loại này dựa trên các đặc điểm hình ảnh cụ thể trên X-quang phổi, như mức độ mờ lan tỏa, đông đặc phổi, và tràn dịch màng phổi. Nó cung cấp một khung tham chiếu chung cho việc đánh giá và theo dõi bệnh nhân COVID-19.

3.3. Sử dụng thuật toán học máy để phân tích ảnh X quang

Thuật toán học máy, đặc biệt là mạng nơ-ron tích chập (CNN), được sử dụng để tự động phân tích hình ảnh X-quang và dự đoán mức độ tổn thương phổi. Các thuật toán này được huấn luyện trên một tập dữ liệu lớn các hình ảnh X-quang đã được gán nhãn bởi các chuyên gia, cho phép chúng học cách nhận diện các đặc điểm hình ảnh liên quan đến từng mức độ tổn thương phổi. Việc sử dụng AI giúp giảm tải cho các bác sĩ, tăng tốc quá trình chẩn đoán, và cải thiện độ chính xác.

IV. Ứng Dụng Dataset Mô Hình CNN và Đánh Giá Hiệu Quả

Luận văn đặt ra các mục tiêu quan trọng: Nghiên cứu về mô hình học máy sử dụng hình ảnh CXR để dự đoán mức độ tổn thương phổi do COVID-19. Tìm hiểu về hệ thống điểm số hoặc điểm chuẩn để đánh giá về các mức độ có thể tổn thương phổi. Đánh giá về hiệu suất của các mô hình dự đoán bằng cách sử dụng dữ liệu thực tế từ các bệnh nhân COVID-19. Tạo ra một Dataset lớn, đa dạng và đáng tin cậy phân loại hình ảnh CXR thành bốn mức độ nghiêm trọng khác nhau.

4.1. Mục tiêu xây dựng Dataset lớn và đa dạng

Mục tiêu chính là xây dựng một Dataset lớn, đa dạng, và đáng tin cậy để huấn luyện, kiểm tra các mô hình học máy. Dataset này bao gồm hình ảnh X-quang đã được phân loại thành bốn mức độ nghiêm trọng khác nhau (Bình thường, Nhẹ, Trung bình và Nặng), được thu thập từ nhiều nguồn dữ liệu công khai. Sự đa dạng của Dataset đảm bảo rằng mô hình có thể khái quát hóa tốt và hoạt động hiệu quả trên nhiều loại hình ảnh X-quang khác nhau.

4.2. So sánh các kiến trúc mô hình CNN khác nhau

Nghiên cứu đánh giá và so sánh hiệu suất của các kiến trúc mô hình CNN khác nhau, bao gồm VGG16, RegNet0Y40, DenseNet121, MobileNetV3 và EfficientNetB7, trên Dataset đề xuất. Mục tiêu là xác định mô hình nào có độ chính xác cao nhất và khả năng tương thích tốt nhất với Dataset mới. Kết quả so sánh này cung cấp thông tin quan trọng để lựa chọn mô hình phù hợp cho các ứng dụng thực tế.

4.3. Phương pháp đánh giá hiệu suất và độ tin cậy

Để đảm bảo tính tổng quát và đánh giá chính xác hiệu suất của mô hình trong việc phân loại mức độ tổn thương phổi do COVID-19, mô hình hiệu quả nhất sẽ được sửa đổi và đánh giá thông qua thực nghiệm sử dụng kỹ thuật cross-validation. Kỹ thuật này giúp đánh giá độ tin cậy của mô hình và đảm bảo rằng nó không bị overfitting (học thuộc lòng) dữ liệu huấn luyện.

V. Kết Quả Đánh Giá Hiệu Suất Mô Hình Dự Đoán Tổn Thương

Luận văn đã sử dụng hai Dataset được công khai để đánh giá các mức độ có thể tổn thương ở phổi do COVID-19: Dataset BrixiA và Dataset COVIDGR. COVIDGR bao gồm các nhãn mức độ nghiêm trọng dựa trên chỉ số RALE được điều chỉnh để định lượng COVID-19, Dataset Brixia cung cấp các điểm số Brixia cũng như các hình ảnh tương ứng. Để tạo ra một Dataset mới, đa dạng hơn cho việc phân loại mức độ có thể tổn thương ở phổi, chúng tôi đã sử dụng nhiều phương pháp tăng cường và cân bằng dữ liệu.

5.1. Sử dụng Dataset Brixia và COVIDGR cho đánh giá

Dataset Brixia và COVIDGR được sử dụng làm nguồn dữ liệu chính cho việc đánh giá và so sánh hiệu suất của các mô hình học máy. Dataset Brixia cung cấp điểm số và hình ảnh X-quang, trong khi Dataset COVIDGR chứa nhãn mức độ nghiêm trọng dựa trên chỉ số RALE. Việc sử dụng cả hai Dataset giúp đảm bảo tính toàn diện và khách quan của quá trình đánh giá.

5.2. Kỹ thuật tăng cường và cân bằng dữ liệu

Để cải thiện tính đa dạng và độ tin cậy của Dataset, các kỹ thuật tăng cường dữ liệu (data augmentation) và cân bằng dữ liệu (data balancing) đã được áp dụng. Tăng cường dữ liệu bao gồm các phép biến đổi hình ảnh như xoay, lật, zoom, và thay đổi độ sáng. Cân bằng dữ liệu giúp giải quyết vấn đề mất cân bằng lớp (class imbalance), trong đó số lượng hình ảnh ở một số mức độ nghiêm trọng ít hơn so với các mức độ khác.

5.3. So sánh hiệu suất các mô hình trên Dataset mới

Hiệu suất của các mô hình học máy khác nhau, bao gồm VGG16, RegNet0Y40, DenseNet121, MobileNetV3 và EfficientNetB7, được so sánh trên Dataset mới được tạo ra. Các chỉ số đánh giá hiệu suất bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), và diện tích dưới đường cong ROC (AUC). Kết quả so sánh này giúp xác định mô hình nào có khả năng dự đoán mức độ tổn thương phổi tốt nhất.

VI. Kết Luận Triển Vọng Phát Triển Ứng Dụng AI Chẩn Đoán Phổi

Luận văn đã phác thảo các phương pháp được sử dụng để phân loại, ghi nhãn và tiêu chuẩn hóa Dataset, kèm theo giải thích về các kỹ thuật tăng cường để tạo ra một Dataset mới phân loại hình ảnh CXR thành bốn mức độ của sự nghiêm trọng. Đánh giá và so sánh hiệu suất của năm mô hình hiện đại trên Dataset đề xuất giúp làm sáng tỏ điểm mạnh và điểm yếu của từng mô hình. Luận văn đã được biên soạn thành một bài báo khoa học với tiêu đề “Predicting COVID-19 pneumonia severity from Chest X-Ray images using Convolutional Neural Network”.

6.1. Tóm tắt đóng góp của luận văn

Luận văn này đóng góp vào lĩnh vực chẩn đoán hình ảnh bằng cách trình bày một phương pháp sử dụng AI để dự đoán mức độ tổn thương phổi do COVID-19 từ hình ảnh X-quang. Luận văn cũng xây dựng một Dataset mới và đánh giá hiệu suất của nhiều mô hình học máy khác nhau. Kết quả nghiên cứu có thể giúp các bác sĩ đưa ra quyết định điều trị nhanh chóng và chính xác hơn.

6.2. Hướng phát triển và nghiên cứu trong tương lai

Trong tương lai, nghiên cứu có thể tập trung vào việc cải thiện độ chính xác của các mô hình học máy bằng cách sử dụng các kỹ thuật tiên tiến hơn, như học sâu có khả năng diễn giải (explainable AI). Ngoài ra, việc tích hợp thông tin lâm sàng vào mô hình có thể giúp cải thiện độ chính xác và độ tin cậy của kết quả dự đoán. Nghiên cứu cũng có thể mở rộng sang việc dự đoán các biến chứng và kết quả điều trị của bệnh nhân COVID-19.

6.3. Ứng dụng thực tế trong y tế và cộng đồng

Kết quả nghiên cứu có tiềm năng ứng dụng rộng rãi trong y tế và cộng đồng. Mô hình dự đoán mức độ tổn thương phổi có thể được tích hợp vào các phần mềm chẩn đoán hình ảnh để hỗ trợ các bác sĩ trong việc đánh giá và quản lý bệnh nhân COVID-19. Nó cũng có thể được sử dụng để sàng lọc bệnh nhân COVID-19 ở các khu vực có nguồn lực hạn chế, giúp ưu tiên điều trị cho những trường hợp nặng hơn.

Nội dung chính

Tổng quan nghiên cứu

COVID-19, do virus SARS-CoV-2 gây ra, đã trở thành đại dịch toàn cầu với hơn 760 triệu ca nhiễm và hơn 6,8 triệu ca tử vong tính đến tháng 9 năm 2023 theo WHO. Triệu chứng phổ biến nhất là tổn thương phổi, gây khó thở và suy hô hấp nghiêm trọng. Việc đánh giá mức độ tổn thương phổi đóng vai trò quan trọng trong việc quyết định phương án điều trị và quản lý bệnh nhân. Tuy nhiên, các phương pháp chẩn đoán truyền thống như RT-PCR và chụp CT thường không phổ biến tại nhiều trung tâm y tế do chi phí và thời gian thực hiện cao. Hình ảnh X-quang ngực (CXR) trở thành công cụ chẩn đoán hiệu quả, dễ tiếp cận và chi phí thấp hơn, hỗ trợ bác sĩ trong việc đánh giá mức độ tổn thương phổi do COVID-19.

Mục tiêu nghiên cứu là phát triển mô hình học máy dựa trên mạng nơ-ron tích chập (CNN) để tự động phân loại mức độ tổn thương phổi thành bốn cấp độ: bình thường, nhẹ, trung bình và nặng, từ hình ảnh CXR. Nghiên cứu sử dụng dữ liệu thu thập từ các bộ dữ liệu công khai Brixia và COVIDGR, kết hợp và tăng cường dữ liệu để tạo ra một tập dữ liệu đa dạng và cân bằng gồm 9.294 hình ảnh. Phạm vi nghiên cứu tập trung vào việc xây dựng và đánh giá hiệu suất của năm kiến trúc CNN hiện đại trên tập dữ liệu này, nhằm hỗ trợ chẩn đoán nhanh và chính xác tại các cơ sở y tế có nguồn lực hạn chế. Kết quả nghiên cứu có ý nghĩa lớn trong việc giảm tải cho hệ thống y tế, tối ưu hóa chi phí và nâng cao hiệu quả điều trị bệnh nhân COVID-19.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: lý thuyết học sâu (Deep Learning) và bài toán phân loại đa lớp trong học máy. Mạng nơ-ron tích chập (CNN) được chọn làm nền tảng do khả năng tự động trích xuất đặc trưng từ hình ảnh, giảm thiểu sự phụ thuộc vào kiến thức chuyên môn và tăng hiệu quả xử lý dữ liệu hình ảnh phức tạp. Các khái niệm chính bao gồm:

• Phân loại đa lớp (Multi-class Classification): Phân chia dữ liệu thành nhiều lớp khác nhau dựa trên đặc điểm nhận dạng, trong đó bài toán phân loại mức độ tổn thương phổi gồm 4 lớp.
• Trích chọn đặc trưng tự động: CNN tự động học các đặc trưng quan trọng từ hình ảnh CXR như hình dạng, kích thước và cấu trúc tổn thương.
• Hệ thống điểm số Brixia và RALE: Các hệ thống điểm số này được sử dụng để đánh giá mức độ tổn thương phổi dựa trên hình ảnh CXR, làm cơ sở gán nhãn cho dữ liệu.
• Phương pháp tăng cường dữ liệu (Data Augmentation): Bao gồm xoay, lật, phóng to, thu nhỏ hình ảnh nhằm cân bằng số lượng mẫu giữa các lớp và tăng tính đa dạng cho tập dữ liệu.
• Transfer Learning và Fine-tuning: Sử dụng các mô hình CNN đã được huấn luyện trước trên tập dữ liệu lớn để tăng hiệu quả và giảm thời gian đào tạo trên tập dữ liệu COVID-19 cụ thể.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm hai bộ dữ liệu công khai: Brixia (4.695 hình ảnh) và COVIDGR (852 hình ảnh), được kết hợp và chuẩn hóa thành tập dữ liệu mới gồm 9.294 hình ảnh CXR, chia đều cho 4 lớp tổn thương phổi. Dữ liệu được xử lý qua các bước tiền xử lý, chuẩn hóa định dạng ảnh, tăng cường dữ liệu và cân bằng nhãn.

Nghiên cứu áp dụng năm kiến trúc CNN hiện đại: VGG16, RegNet0Y40, DenseNet121, MobileNetV3 và EfficientNetB7. Các mô hình được huấn luyện sử dụng kỹ thuật transfer learning với pre-trained weights trên ImageNet, sau đó fine-tuning trên tập dữ liệu COVID-19. Phương pháp Early Stopping được áp dụng với tham số patience=5 để ngăn ngừa overfitting.

Quá trình nghiên cứu được thực hiện theo timeline gồm: thu thập và chuẩn bị dữ liệu, xây dựng và huấn luyện mô hình, đánh giá hiệu suất bằng các chỉ số accuracy, precision, recall, specificity và F1-score, cuối cùng là kiểm định bằng kỹ thuật cross-validation 5-fold và 10-fold để đảm bảo tính ổn định và tổng quát của mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất mô hình EfficientNetB7 vượt trội: Mô hình đạt độ chính xác trung bình 75,58% và độ đặc hiệu 91,86% trên tập dữ liệu 6.498 hình ảnh huấn luyện, cao hơn so với các mô hình VGG16, RegNet0Y40, DenseNet121 và MobileNetV3.
2. Khả năng phân loại tổn thương nhẹ (MILD) tốt nhất: EfficientNetB7 phân loại chính xác tổn thương phổi nhẹ với tỷ lệ cao hơn các mô hình khác, giảm thiểu sai sót phân loại nhầm sang lớp bình thường hoặc nặng.
3. Kết quả cross-validation ổn định: Qua 5-fold và 10-fold cross-validation, mô hình EfficientNetB7 duy trì độ đặc hiệu lên đến 92,89% và độ chính xác khoảng 75%, chứng tỏ tính ổn định và khả năng tổng quát hóa tốt trên dữ liệu chưa từng thấy.
4. Thời gian huấn luyện và dự đoán hợp lý: Mặc dù EfficientNetB7 có số lượng tham số lớn, thời gian huấn luyện và dự đoán không chênh lệch đáng kể so với các mô hình khác, đảm bảo khả năng ứng dụng thực tế.

Thảo luận kết quả

Hiệu suất vượt trội của EfficientNetB7 có thể giải thích bởi kiến trúc tối ưu, khả năng trích xuất đặc trưng sâu và kỹ thuật fine-tuning hiệu quả trên tập dữ liệu đa dạng và cân bằng. Việc tăng cường dữ liệu và cân bằng nhãn đã giúp mô hình tránh được hiện tượng overfitting và cải thiện khả năng nhận diện các mức độ tổn thương khác nhau.

So với các nghiên cứu trước đây tập trung phân loại nhị phân (nghiêm trọng và không nghiêm trọng), nghiên cứu này mở rộng phân loại thành bốn cấp độ, cung cấp thông tin chi tiết hơn cho bác sĩ trong việc quyết định phương án điều trị. Kết quả cũng phù hợp với các nghiên cứu sử dụng CNN trong phân loại hình ảnh y tế, đồng thời khắc phục hạn chế về dữ liệu nhỏ và mất cân bằng nhãn.

Biểu đồ ma trận nhầm lẫn và biểu đồ so sánh hiệu suất các mô hình minh họa rõ ràng sự ưu việt của EfficientNetB7 trong việc phân loại chính xác các lớp tổn thương, đặc biệt là lớp nhẹ và trung bình, vốn thường bị nhầm lẫn trong các mô hình khác. Điều này có ý nghĩa quan trọng trong thực tế lâm sàng, giúp phát hiện sớm và theo dõi sát sao bệnh nhân.

Đề xuất và khuyến nghị

1. Triển khai mô hình EfficientNetB7 tại các cơ sở y tế: Áp dụng mô hình để hỗ trợ bác sĩ trong việc phân loại mức độ tổn thương phổi từ hình ảnh CXR, giúp rút ngắn thời gian chẩn đoán và nâng cao độ chính xác. Thời gian thực hiện: 6-12 tháng; chủ thể: bệnh viện, trung tâm y tế.
2. Phát triển hệ thống giám sát sức khỏe phổi tự động: Xây dựng hệ thống theo dõi tình trạng phổi bệnh nhân COVID-19 theo thời gian thực dựa trên mô hình CNN, hỗ trợ quản lý và điều trị cá nhân hóa. Thời gian: 12-18 tháng; chủ thể: các tổ chức nghiên cứu và công ty công nghệ y tế.
3. Mở rộng tập dữ liệu và cập nhật mô hình: Thu thập thêm dữ liệu hình ảnh từ nhiều nguồn khác nhau để tăng tính đa dạng và cải thiện độ chính xác mô hình, đồng thời cập nhật mô hình định kỳ. Thời gian: liên tục; chủ thể: cộng đồng nghiên cứu và bệnh viện.
4. Đào tạo và nâng cao năng lực cho nhân viên y tế: Tổ chức các khóa đào tạo về ứng dụng AI trong chẩn đoán hình ảnh, giúp nhân viên y tế hiểu và sử dụng hiệu quả công nghệ mới. Thời gian: 6 tháng; chủ thể: các cơ sở y tế và trường đại học.

Đối tượng nên tham khảo luận văn

1. Bác sĩ và chuyên gia y tế: Nâng cao khả năng chẩn đoán và phân loại mức độ tổn thương phổi do COVID-19, hỗ trợ quyết định điều trị chính xác và kịp thời.
2. Nhà nghiên cứu và phát triển AI trong y tế: Tham khảo phương pháp xây dựng và đánh giá mô hình CNN, kỹ thuật tăng cường dữ liệu và transfer learning trong lĩnh vực y tế.
3. Quản lý bệnh viện và trung tâm y tế: Áp dụng mô hình để tối ưu hóa quy trình chẩn đoán, giảm tải cho hệ thống y tế và nâng cao hiệu quả quản lý bệnh nhân.
4. Sinh viên và học viên ngành công nghệ thông tin, y sinh: Học tập về ứng dụng học sâu trong phân tích hình ảnh y tế, phát triển kỹ năng nghiên cứu và triển khai mô hình thực tế.

Câu hỏi thường gặp

1. Mô hình CNN có thể áp dụng cho các bệnh phổi khác không?
   Có, kiến trúc CNN và phương pháp huấn luyện có thể được điều chỉnh để phân loại các bệnh phổi khác như viêm phổi, lao phổi, dựa trên dữ liệu hình ảnh phù hợp.

2. Tại sao chọn hình ảnh X-quang thay vì CT?
   Hình ảnh X-quang dễ tiếp cận, chi phí thấp và thời gian thực hiện nhanh hơn CT, phù hợp với nhiều cơ sở y tế có nguồn lực hạn chế.

3. Làm thế nào để xử lý sự mất cân bằng dữ liệu trong tập huấn luyện?
   Sử dụng kỹ thuật tăng cường dữ liệu như xoay, lật, phóng to, thu nhỏ để cân bằng số lượng mẫu giữa các lớp, giúp mô hình học hiệu quả hơn.

4. Mô hình có thể hoạt động tốt trên dữ liệu thực tế không?
   Qua đánh giá cross-validation và thử nghiệm trên tập dữ liệu đa dạng, mô hình cho thấy khả năng tổng quát hóa tốt, phù hợp ứng dụng thực tế.

5. Thời gian huấn luyện và dự đoán của mô hình có phù hợp với môi trường bệnh viện?
   Thời gian huấn luyện có thể kéo dài nhưng chỉ thực hiện một lần; thời gian dự đoán nhanh, phù hợp để hỗ trợ chẩn đoán tức thì tại bệnh viện.

Kết luận

• Đã xây dựng thành công tập dữ liệu đa dạng gồm 9.294 hình ảnh CXR phân loại bốn mức độ tổn thương phổi do COVID-19.
• Đánh giá năm mô hình CNN hiện đại, trong đó EfficientNetB7 đạt hiệu suất cao nhất với độ chính xác 75% và độ đặc hiệu 92,89%.
• Áp dụng kỹ thuật tăng cường dữ liệu và transfer learning giúp cải thiện đáng kể hiệu quả phân loại và khả năng tổng quát hóa của mô hình.
• Mô hình có tiềm năng ứng dụng thực tế trong hỗ trợ chẩn đoán và quản lý bệnh nhân COVID-19 tại các cơ sở y tế.
• Hướng phát triển tiếp theo là mở rộng dữ liệu, phát triển hệ thống giám sát sức khỏe phổi tự động và đào tạo nhân lực y tế về ứng dụng AI.

Luận văn khuyến khích các nhà nghiên cứu và chuyên gia y tế tiếp tục phát triển và ứng dụng các mô hình học sâu trong lĩnh vực y tế, góp phần nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về NC liên quan đến dé tài LV, bao gồm cả NC trong va ngoài nước. Ngoài ra, chương nay đưa ra mục đích và phạm vi NC của LV. Chương 2: Trình bày kiến thức lý thuyết về bệnh COVID-19, các PP lây truyền và cơ sở lý thuyết để phân loại bệnh. Ngoài ra, quá trình thực hiện việc trích xuất ra các đặc trưng từ dữ liệu hình ảnh được giải thích trong chương này.

Chương này cũng giới thiệu một hướng tiếp cận dựa trên CNN. Chương 3: Các Dataset mà chúng tôi đã sử dụng trong LV được giới thiệu và HT điểm số được sử dụng dé đánh giá mức độ tổn thương ở phổi do nhiễm COVID-19 đã được trình bày. Ngoài ra, chương này đưa ra Dataset mới dé đánh giá khả năng ton thương ở phôi do nhiễm COVID-19. Chương 4: Giải quyết van dé phân loại mức độ tôn thương phối do COVID-19 và xây dựng Model dự đoán.

Chương 5: Thử nghiệm được tiến hành, cùng với đó là phân tích các kết quả của Model dựa trên các dữ liệu hình ảnh đã thu thập và đáng tin cậy được đề xuất trong chương này. Chương 6: Nói về ưu và nhược điểm của vấn đề hiện tại và đưa ra các đề xuất và cải tiễn cho tương lai của lĩnh vực NC trong LV này. Bệnh Covid-19 Virus corona chủng mới (SARS-CoV-2) gây ra bệnh COVID-19. Căn bệnh được phát hiện lần đầu ở Trung Quốc vào tháng 12 của năm 2019.

Vì virus lây lan nhanh chóng nên việc kiêm soát và ngăn chặn sự lây lan trở nên vô cùng khó khăn. WHO phải tuyên bố COVID-19 trở thành dai dịch của toàn cầu vào năm 2020 khi nó gia tăng nhanh chóng. Điều này đã đánh dấu một sự thay đổi to lớn trong công tác quản lý sức khỏe, buộc các quốc gia phải thiết lập các quy định mới dé ứng phó với tình huống, chang hạn như thiết lập các HT kiểm soát nhiễm trùng [1], [2]. Theo dữ liệu mới nhất từ WHO [3], vào tháng 9 năm 2023, có khoảng 760 triệu trường hợp COVID-19 được xác nhận trên toàn cầu, với hơn 6 triệu 800 ngàn ca tử vong.

COVID-19 có nhiều triệu chứng, từ những triệu chứng thông thường như sốt, ho khan va khó thở đến những triệu chứng ít phô biến hơn như mat khứu giác và vị giác. Tuy nhiên, nhiễm trùng phối là triệu chứng phổ biến nhất và quan trọng nhất của loại virus này. Bài toán phân loại da lớp Trong lĩnh vực học máy, bài toán phân lớp là bước đầu tiên trong quá trình giải quyết nhiều van dé phân loại dựa trên dữ liệu. Mục tiêu cua bai toán là chia các điểm dữ liệu thành các lớp hoặc nhãn khác nhau dựa trên các đặc điểm của chúng.

Vì Model phải xem xét nhiều khả năng và xác định lớp phù hợp nhất cho từng trường hợp, nên bài toán phân loại đa lớp thường gặp khó khăn hơn so với phân loại nhị phân. Chúng bao gồm phân loại các văn bản theo nhiều chủ đề, phân loại hình ảnh theo nhiều loại đối tượng và phân loại bệnh lý theo lĩnh vực y tế. Xây dựng Model phân loại đa lớp thường bao gồm đánh giá hiệu suất của Model, thu thập dữ liệu đào tạo và tối ưu hóa nó dé dam bảo kha năng phân loại tốt nhất cho nhiều lớp. Trong bài toán phân loại đa lớp, cụ thé là phân loại ton thương của phổi thành 4 mức độ trong LV này, khó khăn chủ yêu chủ yếu xuất phát từ sự đa dạng và phức tạp của ton thương phổi, cũng như sự chênh lệch giữa các hình ảnh của những mức độ nghiêm 12 trọng khác nhau.

Dưới đây là một số khía cạnh khó khăn mà chúng tôi đã phải đối mặt trong quá trình giải quyết bài toán này: - Da dang của tốn thương phối: Tén thương phổi có thé bao gồm nhiều loại, từ viêm phổi nhẹ đến các van đề nghiêm trọng như viêm phổi nặng, tôn thương do bệnh phổi tắc nghẽn mạn tính (COPD), hay thậm chí là sự hiện diện của các khối u. Điều này tạo ra sự đa dạng lớn trong dữ liệu, đặt ra thách thức trong việc đặc trưng và phân loại chúng. - _ Chênh lệch về số lượng mẫu giữa các lớp: Trong thực tế, có thé xuất hiện sự mắt cân bang về số lượng mẫu giữa các mức độ ton thương khác nhau. Một số mức độ có thé có số lượng hình anh ít hơn, điều này có thé làm tăng nguy cơ mô hình tập trung vào phân loại các mức độ có số lượng mẫu lớn hơn.

- _ Hiệu suất tùy theo phương tiện hình ảnh: Hiệu suất của mô hình có thé phụ thuộc lớn vào chất lượng và đặc tính kỹ thuật của phương tiện hình ảnh. Nếu hình ảnh không đủ độ phân giải hoặc không chuẩn, có thể ảnh hưởng đến khả năng của mô hình trong việc phân loại chính xác. Dé giải quyết các van đề trên, LV này làm rõ các PP áp dụng dé tinh chỉnh dữ liệu cũng như giải quyết van đề về mat cần bằng các lớp (chương 3) và cải thiện hiệu suất cho các Model (chương 4). Trích chọn đặc trưng Trong lĩnh vực y tế, một phần quan trọng của quá trình xây dựng Model học máy là lựa chọn đặc trưng dé tiến hành phân loại ra các mức độ có thé tổn thương ở phôi do COVID-19.

Mục tiêu là xác định các đặc điểm từ chụp CXR của phối có thé giúp đánh giá mức độ ton thương của bệnh. Trong quá trình này, các PP trích chọn đặc trưng trở nên quan trọng dé hỗ trợ chan đoán va cải thiện về hiệu suất trong phân loại. Đơn giản là lay các đặc điểm cơ bản, chăng hạn như kích thước của các khu vực tôn thương, tỷ lệ so với diện tích toàn bộ phối hoặc mật độ pixel trong khu vực quan tâm. Sử dụng các Model học sâu như CNN để tự động trích chọn đặc trưng từ hình ảnh là một PP hiện đại hơn.

Dựa trên tập dữ liệu lớn của hình ảnh CXR đã được gán nhãn, 13 CNN tự động tìm ra các đặc điểm quan trọng trong quá trình đào tạo. Model có thê tự động xác định các đặc điểm quan trọng như hình dang, kích thước, cấu trúc tổn thương và nhiều đặc điểm khác. Các PP trích chọn các đặc trưng của hình ảnh tự động như CNN đã có tiễn bộ đáng ké trong việc phân loại mức độ tổn thương phổi do COVID-19. Hướng tiếp cận dựa trên CNN Các thuật toán học máy truyền thống, mạng nơ-ron sâu (DNN), hoặc CNN là một trong nhiều cách dé giải quyết bài toán phân loại đa lớp về mức độ tổn thương của phổi do COVID-19.

Nhưng việc sử dụng CNN có nhiều lý do hợp lý: CNN có thê tự động xác định các đặc trưng quan trọng đến từ các hình ảnh, giúp giảm thời gian trích chọn đặc trưng thủ công và tối ưu hóa việc xử lý dữ liệu hình ảnh phức tạp. CNN được thiết kế đề hiểu biểu đồ và cấu trúc hình ảnh và xử lý các dữ liệu hình ảnh. Điều này là cần thiết cho phân loại tôn thương phôi dựa trên hình ảnh CXR. CNN có thê hoàn thành tốt nhiều nhiệm vụ phân loại ảnh.

CNN có thê giúp phân loại ton thương phôi một cách chính xác hơn. Quá trình phân loại có thê được tự động hóa băng ƠNN, giảm sự phụ thuộc vào kiến thức chuyên gia và nguồn nhân lực. Điều này đặc biệt quan trọng khi tài nguyên y tế có hạn và dịch bệnh COVID-19 đang diễn ra. CNN thích ứng với dữ liệu mới và có thê nhiều tài nguyên và HT sẽ được sử dụng.

Điều này giúp Model có thể được áp dụng một cách rộng rãi trong nhiều BV và cơ sở chăm sóc sức khỏe khác nhau. Với CNN, NC và phát triển các Model cải tiến dé phân loại tốn thương phối có thé diễn ra. Điều này thúc đây việc phát triển và xây dựng các công cụ dé hỗ trợ quyết định mạnh mẽ và hiệu quả dé chân đoán và theo đõi COVID-19. Bài toán phân loại mức độ tôn thương của phổi do COVID-19 dựa trên CNN trong LV này bao gôm các bước quan trọng sau: 14 = Chuẩn bị dữ liệu: Thu thập tập hình ảnh CXR phổi, với các nhãn cho mức độ tôn thương, chang hạn như bình thường, nhẹ, trung bình hoặc nặng.

Dam bao rằng dữ liệu cân bằng và đủ lớn dé đào tao Model. = _ Trích xuất đặc trưng: sử dụng CNN để tự động học các đặc trưng quan trọng từ các bức ảnh, có thé được đào tạo từ đầu hoặc Model đã được đảo tạo trước dé thực hiện một nhiệm vụ liên quan, chăng hạn như phân loại ảnh. = Lap Model: Thiết kế một kiến trúc Model CNN phù hợp với bài toán phân loại mức độ ton thương. Kiến trúc này bao gồm các lớp tích chập, gdp và kết nói đầy đủ, cuối cùng dẫn đến lớp đầu ra có số lượng phân lớp tương ứng.

= Đào tao: Dao tao Model CNN dé hoc cách phân loại hình anh theo các mức độ tôn thương khác nhau bằng cách sử dụng tập dữ liệu đã chuẩn bị. = Kiểm định và tinh chỉnh: Sử dụng tập dit liệu kiểm định riêng biệt, đánh giá hiệu suất của Model và thay đối các tham số Model nêu cần thiết. Điều này có thé bao gồm điều chỉnh số lớp, tỷ lệ học tập hoặc thiết lập siêu tham só. = Kiểm tra và triển khai: Cuối cùng, dé đảm bảo tính toàn diện, đánh giá hiệu suất của Model trên tập dữ liệu kiểm tra độc lập.

Sau đó, Model có thể được triển khai dé hỗ trợ chân đoán và phân loại tổn thương phối do COVID-19. PP này đã được chứng minh là hiệu quả trong nhiều ứng dụng phân loại hình ảnh vì nó sử dụng sức mạnh của CNN dé tự động học cách trích xuất đặc trưng từ hình ảnh. Đề đảm bảo kết quả đáng tin cậy, dữ liệu phải được chuẩn bi đúng cách và Model phải được kiêm tra kỹ lưỡng. BO DU LIEU VA HỆ THONG DIEM SO Trong quá trình tìm kiếm các Dataset phù hợp dé phân loại mức độ tổn thương phổi do COVID-19 bằng cách sử dụng hình ảnh CXR, công việc thu thập cũng như áp dụng các nguồn di liệu phù hợp với mục tiêu của các thí nghiệm có thé gặp khó khăn do sự biến đôi về tính san có va khả năng tiếp cận.

Hai bộ dit liệu chính là Brixia và COVIDGR được sử dụng đề thực hiện phân loại mức độ tổn thương phổi do COVID-19 thành các cấp độ khác nhau bằng cách sử dụng hình ảnh CXR. Một công cu quan trọng dé chan đoán và theo đõi các bệnh hô hấp, bao gồm ca COVID-19, là HT điểm số được sử dụng dé đánh giá mức độ của các tôn thương cho phổi.