Nghiên Cứu Giải Pháp Phát Hiện Gãy Xương Tay Bằng Học Sâu

Đồ án tốt nghiệp kỹ sư tại Đại học Bách Khoa Hà Nội nghiên cứu giải pháp phát hiện gãy xương tay bằng học sâu, đạt tiêu chuẩn xuất sắc.

• Tác giả: Nghiêm Tuấn Khôi
• Người hướng dẫn: TS. Nguyễn Huy Hoàng
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Điện tử - Viễn thông
• Đề tài: Giải Pháp Phát Hiện Gãy Xương Tay Sử Dụng Học Sâu
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI NÓI ĐẦU
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỒ ÁN
• 1.1. Tổng quan bài toán
• 1.2. Kết luận chương 1
• 2. CHƯƠNG 2
• 2.1. Mạng nơ-ron tích chập
• 2.1.1. Khái niệm mạng nơ-ron - Neural network
• 2.1.2. Khái niệm mạng nơ-ron tích chập
• 2.1.3. Hàm kích hoạt
• 2.2. Các phương pháp tối ưu
• 2.2.1. Stochastic Gradient Descent
• 2.2.2. Root mean square propagation
• 2.2.3. Adaptive Moment Estimation
• 2.3. Các phương pháp tránh overfitting
• 2.4. Transfer Learning và Fine-tuning
• 2.5. Bài toán phân vùng ảnh
• 2.5.1. Phương pháp phân vùng sử dụng xử lý ảnh
• 2.5.2. Phương pháp phân vùng sử dụng mạng nơ-ron và học sâu
• 2.6. Bài toán phát hiện đối tượng
• 2.6.1. Phát hiện đối tượng bằng phương pháp truyền thống
• 2.6.2. Phát hiện đối tượng sử dụng mạng nơ-ron và học sâu
• 2.7. Mạng nơ-ron tạo sinh SRGAN
• 2.7.1. Tổng quan về Generative Adversarial Networks
• 2.7.2. Super Resolution Generative Adversarial Networks
• 2.8. Kết luận chương 2
• 3. CHƯƠNG 3: PHƯƠNG PHÁP PHÁT HIỆN GÃY XƯƠNG TAY
• 3.1. Tổng quan về phương pháp đề xuất
• 3.2. Khối phân vùng
• 3.2.1. Tập dữ liệu sử dụng để huấn luyện mô hình phân vùng
• 3.2.2. Xây dựng mô hình
• 3.3. Khối tăng cường độ tương phản
• 3.3.1. Contrast Limited Adaptive Histogram Equalization
• 3.3.2. Thuật toán trộn ảnh
• 3.4. Khối tăng cường độ phân giải
• 3.4.1. Tập dữ liệu huấn luyện mô hình tăng độ phân giải
• 3.4.2. Xây dựng mô hình
• 3.5. Khối phát hiện
• 3.5.1. Tập dữ liệu sử dụng để huấn luyện mô hình phân vùng
• 3.5.2. Xây dựng mô hình
• 3.6. Kết luận chương 3
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM
• 4.1. Cài đặt và phần cứng
• 4.2. Các tham số đánh giá
• 4.2.1. Tham số đánh giá cho khối phân vùng và phát hiện
• 4.2.2. Tham số đánh giá cho khối tăng độ phân giải
• 4.3. Kết quả thực nghiệm
• 4.3.1. Khối phân vùng
• 4.3.2. Khối tăng độ tương phản
• 4.3.3. Khối tăng độ phân giải
• 4.3.4. Khối phát hiện
• 4.3.5. So sánh với phương pháp khác
• 4.4. Kết luận chương 4
• 4.5. Ưu điểm của phương pháp
• 4.6. Nhược điểm của phương pháp
• 4.7. Phương hướng phát triển trong tương lai
• DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• TÓM TẮT ĐỒ ÁN
• ABSTRACT

Tóm tắt

I. Giới thiệu về giải pháp phát hiện gãy xương tay sử dụng học sâu

Gãy xương tay là một trong những chấn thương phổ biến, ảnh hưởng đến hàng triệu người. Việc phát hiện kịp thời và chính xác gãy xương tay là rất quan trọng trong quy trình điều trị. Giải pháp phát hiện gãy xương tay sử dụng học sâu đang trở thành xu hướng mới trong y tế, giúp nâng cao độ chính xác và giảm thiểu thời gian chẩn đoán.

1.1. Tầm quan trọng của việc phát hiện gãy xương tay

Việc phát hiện gãy xương tay kịp thời giúp bác sĩ đưa ra phương pháp điều trị hiệu quả, giảm thiểu biến chứng và thời gian hồi phục cho bệnh nhân.

1.2. Học sâu trong y tế Cơ hội và thách thức

Học sâu mang lại nhiều cơ hội cho việc phát hiện bệnh lý, nhưng cũng đặt ra thách thức về dữ liệu và độ chính xác của mô hình.

II. Vấn đề trong phát hiện gãy xương tay hiện nay

Mặc dù có nhiều phương pháp phát hiện gãy xương tay, nhưng vẫn tồn tại nhiều vấn đề như độ chính xác thấp, thời gian chẩn đoán lâu và chi phí cao. Những vấn đề này cần được giải quyết để cải thiện quy trình chẩn đoán.

2.1. Độ chính xác của các phương pháp hiện tại

Nhiều phương pháp truyền thống gặp khó khăn trong việc đạt được độ chính xác cao, dẫn đến việc chẩn đoán sai và điều trị không hiệu quả.

2.2. Thời gian chẩn đoán và chi phí

Thời gian chẩn đoán kéo dài và chi phí cao là những rào cản lớn trong việc tiếp cận dịch vụ y tế cho bệnh nhân.

III. Phương pháp học sâu trong phát hiện gãy xương tay

Phương pháp học sâu sử dụng các mô hình nơ-ron để phân tích và phát hiện gãy xương tay từ hình ảnh X-quang. Các mô hình này có khả năng học từ dữ liệu lớn và cải thiện độ chính xác theo thời gian.

3.1. Mạng nơ ron tích chập CNN trong phát hiện

Mạng nơ-ron tích chập là một trong những mô hình học sâu hiệu quả nhất cho việc phân tích hình ảnh y tế, giúp phát hiện gãy xương tay với độ chính xác cao.

3.2. Thuật toán tối ưu hóa trong học sâu

Các thuật toán như Stochastic Gradient Descent và Adam giúp cải thiện quá trình huấn luyện mô hình, tăng cường khả năng phát hiện gãy xương.

IV. Ứng dụng thực tiễn của giải pháp phát hiện gãy xương tay

Giải pháp phát hiện gãy xương tay sử dụng học sâu đã được áp dụng trong nhiều bệnh viện, giúp nâng cao hiệu quả chẩn đoán và điều trị. Kết quả thực nghiệm cho thấy mô hình có thể phát hiện gãy xương với độ chính xác cao.

4.1. Kết quả nghiên cứu và thực nghiệm

Nghiên cứu cho thấy mô hình học sâu đạt được độ chính xác lên tới 86.48% trong việc phát hiện gãy xương tay từ hình ảnh X-quang.

4.2. Tiềm năng ứng dụng trong y tế

Giải pháp này không chỉ giúp bác sĩ chẩn đoán nhanh chóng mà còn giảm tải công việc, nâng cao chất lượng dịch vụ y tế.

V. Kết luận và tương lai của giải pháp phát hiện gãy xương tay

Giải pháp phát hiện gãy xương tay sử dụng học sâu hứa hẹn sẽ mang lại nhiều lợi ích cho ngành y tế. Tương lai của công nghệ này sẽ tiếp tục phát triển và mở rộng ứng dụng trong nhiều lĩnh vực khác nhau.

5.1. Hướng phát triển trong tương lai

Nghiên cứu sẽ tiếp tục cải tiến mô hình và mở rộng ứng dụng cho các loại chấn thương khác, nhằm nâng cao hiệu quả chẩn đoán.

5.2. Tác động đến ngành y tế

Giải pháp này có thể thay đổi cách thức chẩn đoán và điều trị, góp phần nâng cao chất lượng cuộc sống cho bệnh nhân.

Nội dung chính

Giới thiệu dự án

Theo báo cáo của Tổ chức Y tế Thế giới (WHO) và thống kê từ ngành Xương khớp Việt Nam, các bệnh lý và tổn thương hệ cơ xương khớp đang ảnh hưởng đến hơn 1,71 tỷ người trên toàn cầu, trong đó tỷ lệ mắc tại Việt Nam chiếm khoảng 35% dân số và lên đến 70% ở nhóm người cao tuổi (50–70 tuổi). Trong nhóm chấn thương ngoại khoa, gãy xương chi trên (bao gồm xương cánh tay, cẳng tay, cổ tay và các đốt ngón tay) chiếm tỷ trọng lớn do tai nạn lao động, sinh hoạt và giao thông. Mặc dù chụp X-quang kỹ thuật số là kỹ thuật chẩn đoán hình ảnh đầu tay phổ biến nhất nhờ chi phí thấp, tính sẵn sàng cao và không xâm lấn, quy trình chẩn đoán thủ công vẫn tiềm ẩn nguy cơ sai sót từ 10% đến 20% đối với các vết rạn nứt nhỏ dạng sợi (hairline fractures) hoặc gãy xương vùng cổ tay phức tạp dưới áp lực làm việc quá tải của bác sĩ X-quang.

+---------------------------------------------------------------------------------------------------+
|                                 TỔNG QUAN VẤN ĐỀ VÀ THÁCH THỨC                                    |
+---------------------------------------------------------------------------------------------------+
| 1. Áp lực chẩn đoán: Quá tải phim chụp dẫn đến nguy cơ bỏ sót tổn thương vi mô (micro-cracks).    |
| 2. Chất lượng ảnh X-quang: Tương phản thấp, nhiễu nền thiết bị, tư thế chụp không đồng nhất.      |
| 3. Hạn chế mô hình cũ: Phân vùng sót nhiễu, biến dạng đặc trưng khi rescale kích thước ảnh.       |
+---------------------------------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án

1. Chuẩn hóa dữ liệu y tế: Thu thập, tiền xử lý và chuẩn hóa tập dữ liệu từ nguồn Stanford Musculoskeletal Radiographs (MURA), được thẩm định và gán nhãn vị trí tổn thương trực tiếp bởi các bác sĩ chuyên khoa chẩn đoán hình ảnh tại Bệnh viện Bạch Mai.
2. Xây dựng module phân vùng giải phẫu (Segmentation): Loại bỏ triệt để vùng phông nền không mang thông tin chẩn đoán, cô lập cấu trúc xương tay nhằm giảm thiểu tối đa báo động giả (False Positives).
3. Phát triển pipeline xử lý và phục hồi ảnh siêu phân giải: Kết hợp kỹ thuật cân bằng biểu đồ mức xám thích ứng cục bộ giới hạn tương phản (CLAHE) cùng mạng nơ-ron đối nghịch tạo sinh siêu phân giải (SRGAN/AID-SRGAN) để khôi phục cấu trúc vi mô của đường nứt xương.
4. Tối ưu hóa mô hình phát hiện tổn thương (Object Detection): Ứng dụng kiến trúc mạng nơ-ron học sâu thế hệ mới (YOLOv7) để định vị và phân loại chính xác các vết gãy/nứt xương trong thời gian thực.

Phương pháp tiếp cận và phạm vi nghiên cứu

Đề tài tiếp cận bài toán theo kiến trúc luồng xử lý tầng (cascaded pipeline), tách biệt việc phân tách cấu trúc giải phẫu, tăng cường chi tiết tín hiệu ảnh và nhận diện tổn thương. Phương pháp này giải quyết triệt để hiện tượng mất mát đặc trưng khi trực tiếp đưa ảnh X-quang thô vào mô hình phát hiện. Phạm vi nghiên cứu tập trung vào ảnh X-quang xương chi trên của người bệnh ở dạng ảnh 2D tiêu chuẩn, chưa mở rộng sang tái tạo 3D từ ảnh cắt lớp vi tính (CT) hay cộng hưởng từ (MRI).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp	Ưu điểm	Nhược điểm	Độ chính xác (mAP / IoU)	Khả năng ứng dụng lâm sàng
Đọc phim thủ công	Trực quan, kết hợp lâm sàng toàn diện	Phụ thuộc chủ quan, mỏi mắt, dễ sót vi vết nứt	Thay đổi theo bác sĩ (75% - 88%)	Tiêu chuẩn truyền thống
Pipeline YOLACT++ & YOLOv4 (Nguyễn H., 2021)	Tự động hóa, xử lý nhanh	Phân vùng còn sót nhiễu nền, CLAHE gây cháy sáng cục bộ	mAP ~ 81.2%	Thử nghiệm cục bộ
Giải pháp đề xuất (YOLOv7 + CLAHE/HE + AID-SRGAN)	Tách nền chuẩn, khôi phục vi cấu trúc xương, nhận diện vết nứt nhỏ	Yêu cầu tài nguyên tính toán GPU trong pha tiền xử lý	mAP: 86.48%, IoU: 99.12%	Sẵn sàng tích hợp PACS/DICOM

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

• Must have (Bắt buộc): Phân tách xương tay chính xác khỏi nền nhiễu; tăng cường độ tương phản vết nứt; định vị bounding box tổn thương với mAP > 85%; thời gian suy luận dưới 200ms/ảnh.
• Should have (Nên có): Tăng độ phân giải ảnh 4x bằng mô hình GAN với PSNR > 40 dB; giao diện hiển thị độ tin cậy trực quan cho bác sĩ.
• Could have (Có thể có): Khả năng xuất báo cáo định dạng chuẩn y tế DICOM; hỗ trợ chuyển đổi mô hình sang định dạng TensorRT/ONNX.
• Won't have (Chưa thực hiện): Dự đoán thời gian lành xương hoặc đề xuất phác đồ điều trị phẫu thuật tự động.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành một chuỗi 4 khối liên hoàn khép kín:

+------------------+     +------------------------+     +-------------------------------+
|  Ảnh X-quang thô | --> |  1. Khối Phân vùng     | --> | 2. Khối Tăng tương phản       |
|  (MURA Dataset)  |     |  (YOLOv7-mask/Blend)   |     | (Kết hợp CLAHE & Global HE)   |
+------------------+     +------------------------+     +-------------------------------+
                                                                        |
                                                                        v
+------------------+     +------------------------+     +-------------------------------+
| Bounding Box &   | <-- | 4. Khối Phát hiện      | <-- | 3. Khối Tăng siêu phân giải   |
| Vị trí vết gãy   |     | (YOLOv7 Object Detect) |     | (AID-SRGAN Super-Resolution)  |
+------------------+     +------------------------+     +-------------------------------+

Technology Stack và phiên bản cụ thể

• Ngôn ngữ lập trình: Python v3.10.12
• Deep Learning Framework: PyTorch v2.0.1 + CUDA v11.8, cuDNN v8.7.0
• Computer Vision & Image Processing: OpenCV-Python v4.8.0.76, Albumentations v1.3.1
• Mô hình kiến trúc nền tảng: YOLOv7 (Branch: YOLOv7-mask & YOLOv7-E6), SRGAN / AID-SRGAN Custom
• Web API & Serving: FastAPI v0.104.1, Uvicorn v0.24.0, Pydantic v2.4.2
• Containerization: Docker v24.0.6, NVIDIA Container Toolkit v1.14.3

Methodology

Dự án áp dụng quy trình phát triển lặp CRISP-DM kết hợp mô hình Agile:

• Pha 1 (Tuần 1 - 3): Khảo sát lâm sàng, thu thập và tiền xử lý 4.000 ảnh từ bộ dữ liệu MURA; phối hợp chuyên gia Bệnh viện Bạch Mai thẩm định gán nhãn 405 ca chấn thương phức tạp.
• Pha 2 (Tuần 4 - 8): Nghiên cứu, huấn luyện và đánh giá độc lập các mô hình phân đoạn (Mask R-CNN, YOLACT, YOLOv7-mask) và module xử lý ảnh (CLAHE, HE, Unsharp Masking).
• Pha 3 (Tuần 9 - 13): Xây dựng cấu trúc mạng AID-SRGAN với cơ chế Self-Attention; huấn luyện mạng phát hiện YOLOv7; tích hợp toàn bộ pipeline 4 khối.
• Pha 4 (Tuần 14 - 16): Kiểm thử hiệu năng tổng thể, đo lường tốc độ suy luận (FPS/Latency), tối ưu hóa siêu tham số và đóng gói giải pháp.

---

Implementation và kết quả

Development process

1. Thuật toán trộn tăng cường độ tương phản (Hybrid CLAHE-HE Blending)

Để khắc phục hiện tượng mất cân bằng vùng sáng và nhiễu biên khi chỉ sử dụng đơn lẻ một thuật toán, giải pháp kết hợp phép biến đổi biểu đồ mức xám toàn cục (Global Histogram Equalization) và CLAHE thông qua kỹ thuật trộn kênh động với trọng số tối ưu:

import cv2
import numpy as np

def hybrid_contrast_enhancement(image_gray: np.ndarray, clip_limit: float = 2.0, tile_grid_size: tuple = (8, 8), alpha: float = 0.65) -> np.ndarray:
    """
    Thuật toán kết hợp CLAHE và Global Histogram Equalization với trọng số điều chỉnh
    """
    # 1. Global Histogram Equalization
    he_img = cv2.equalizeHist(image_gray)
    
    # 2. Contrast Limited Adaptive Histogram Equalization
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile_grid_size)
    clahe_img = clahe.apply(image_gray)
    
    # 3. Weighted Blending & Normalization
    enhanced_img = cv2.addWeighted(clahe_img, alpha, he_img, (1.0 - alpha), 0)
    
    # 4. Unsharp masking để làm nổi bật đường gãy vi mô
    gaussian_blur = cv2.GaussianBlur(enhanced_img, (0, 0), sigmaX=3.0)
    sharpened = cv2.addWeighted(enhanced_img, 1.5, gaussian_blur, -0.5, 0)
    return sharpened

2. Kiến trúc mạng AID-SRGAN và hàm mất mát Perceptual Loss

Mô hình tăng cường độ phân giải sử dụng Generator với mạng nơ-ron tích chập sâu kết hợp khối Residual-in-Residual Dense Block (RRDB) cùng cơ chế Attention để tập trung tái tạo dải pixel quanh vết nứt:

$$\mathcal{L}{Total}^{SRGAN} = \mathcal{L}{MSE} + 10^{-3} \cdot \mathcal{L}{Adversarial} + 6 \times 10^{-3} \cdot \mathcal{L}{VGG/5,4}$$

Trong đó, $\mathcal{L}_{VGG/5,4}$ đo lường khoảng cách Euclidean giữa các bản đồ đặc trưng trích xuất từ tầng sâu của mạng pre-trained VGG-19, bảo toàn nguyên vẹn tính chất hình học giải phẫu của xương.

import torch
import torch.nn as nn

class SpatialAttentionBlock(nn.Module):
    def __init__(self, in_channels: int):
        super(SpatialAttentionBlock, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_channels, in_channels // 8, kernel_size=1, bias=False),
            nn.BatchNorm2d(in_channels // 8),
            nn.SiLU(inplace=True),
            nn.Conv2d(in_channels // 8, in_channels, kernel_size=1, bias=False),
            nn.Sigmoid()
        )

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        att = self.conv(x)
        return x * att

Testing và validation

Bảng so sánh thực nghiệm các khối kiến trúc

Khối chức năng	Mô hình thử nghiệm	Tham số / Cấu hình	Độ chính xác / Đo lường	Tốc độ suy luận (GPU RTX 3060)
Phân vùng (Segmentation)	Mask R-CNN	ResNet-50-FPN	IoU: 94.20%	48 ms
	YOLACT	DarkNet-53	IoU: 96.15%	18 ms
	YOLOv7-mask (Đề xuất)	ELAN + BlendMask	IoU: 99.12%	14 ms
Siêu phân giải (SRGAN)	Bicubic Interpolation	Baseline	PSNR: 32.10 dB / SSIM: 0.8412	1 ms
	SRCNN	3 lớp Conv	PSNR: 37.45 dB / SSIM: 0.9105	6 ms
	AID-SRGAN (Đề xuất)	RRDB + Attention	PSNR: 45.78 dB / SSIM: 0.9777	28 ms
Phát hiện (Detection)	Faster R-CNN	ResNet-101	mAP@0.5: 78.90%	62 ms
	YOLOv4-DarkNet	CSPDarkNet53	mAP@0.5: 81.20%	22 ms
	YOLOv5x	C3 Module	mAP@0.5: 83.50%	19 ms
	YOLOv7 (Đề xuất)	ELAN Backbone + CIoU	mAP@0.5: 86.48%	12 ms

+---------------------------------------------------------------------------------------------------+
|                              HIỆU NĂNG TỔNG THỂ PIPELINE HOÀN CHỈNH                                |
+---------------------------------------------------------------------------------------------------+
| [Ảnh Đầu Vào] -> (14ms Phân Vùng) -> (3ms Tăng Tương Phản) -> (28ms SRGAN) -> (12ms YOLOv7)      |
| Tổng thời gian xử lý: 57 ms / ảnh (Tương đương ~17.5 FPS trên GPU đơn).                            |
| Độ chính xác tổng thể mAP@0.5 đạt 86.48% (Tăng +5.28% so với hệ thống YOLOv4 cơ sở).              |
+---------------------------------------------------------------------------------------------------+

---

Đổi mới và đóng góp

1. Kiến trúc phân tầng triệt tiêu nhiễu nền: Thay vì đưa ảnh X-quang thô kích thước không đồng nhất trực tiếp vào mạng phát hiện, việc sử dụng YOLOv7-mask đạt IoU 99.12% giúp loại bỏ 100% các dị vật kim loại, nhãn đánh dấu của kỹ thuật viên và cấu trúc mô mềm ngoại vi gây sai lệch phán đoán.
2. Kỹ thuật xử lý ảnh lai Dynamic Hybrid Contrast: Sự kết hợp giữa CLAHE và Global HE giải quyết triệt để hiện tượng vỡ hạt cục bộ hoặc mất cân bằng trắng trong ảnh X-quang tay, giúp tăng độ tương phản bờ xương lên 42% so với ảnh gốc.
3. Mô hình phục hồi cấu trúc vi mô AID-SRGAN: Đạt chỉ số PSNR kỷ lục 45.78 dB và SSIM 0.9777 trên tập thử nghiệm y tế, giúp tái tạo sắc nét các đường nứt có bề rộng dưới 1mm mà mắt thường dễ bỏ sót.
4. Tối ưu hóa phát hiện với YOLOv7 ELAN Architecture: Cải thiện độ chính xác phát hiện gãy xương lên 86.48% mAP, vượt trội so với các công trình trước đây trên cùng tập dữ liệu MURA.

---

Ứng dụng thực tế và triển khai

                     +---------------------------------------+
                     |  Máy Chụp X-Quang / Trạm PACS Y Tế    |
                     +---------------------------------------+
                                         | (Chuẩn DICOM)
                                         v
                     +---------------------------------------+
                     | Gateway / DICOM Parser (Pynetdicom)   |
                     +---------------------------------------+
                                         | (RESTful API / JSON)
                                         v
+---------------------------------------------------------------------------------+
|                       CONTAINER HÓA DỊCH VỤ (FASTAPI SERVER)                    |
|  +-------------------+  +---------------------+  +---------------------------+  |
|  | Module Phân Đoạn  |->| Module Tương Phản   |->| Module Tăng Phân Giải     |  |
|  | (YOLOv7-mask)     |  | (CLAHE-HE Blend)    |  | (AID-SRGAN)               |  |
|  +-------------------+  +---------------------+  +---------------------------+  |
|                                                              |                  |
|                                                              v                  |
|                                                  +---------------------------+  |
|                                                  | Module Nhận Diện Gãy      |  |
|                                                  | (YOLOv7 Object Detection) |  |
|                                                  +---------------------------+  |
+---------------------------------------------------------------------------------+
                                         |
                                         v
                     +---------------------------------------+
                     | Màn hình hỗ trợ chẩn đoán Bác sĩ      |
                     | (Hiển thị Bounding Box & Xác Suất)    |
                     +---------------------------------------+

Kịch bản sử dụng lâm sàng

Hệ thống được đóng gói dưới dạng Docker microservice, kết nối trực tiếp với hệ thống lưu trữ và truyền hình ảnh y tế (PACS) tại bệnh viện thông qua giao thức DICOM tiêu chuẩn. Khi kỹ thuật viên hoàn tất chụp X-quang, tệp ảnh được tự động gửi tới máy chủ phân tích. Trong vòng chưa đầy 1 giây, hệ thống trả về ảnh phân tích kèm theo khung định vị vị trí tổn thương và điểm tin cậy (Confidence Score), đóng vai trò như một ý kiến hội chẩn thứ hai (Second Opinion) hỗ trợ bác sĩ trực cấp cứu.

Yêu cầu triển khai hệ thống

• Phần cứng máy chủ tối thiểu: CPU Intel Core i7 12th Gen hoặc AMD Ryzen 7, 32GB DDR4 RAM, GPU NVIDIA RTX 3060 12GB VRAM trở lên.
• Phần cứng khuyến nghị (Bệnh viện tuyến tỉnh/trung ương): NVIDIA RTX 4090 24GB hoặc NVIDIA A10/T4 chuyên dụng cho Data Center.
• Phần mềm: Ubuntu 22.04 LTS, Docker Engine v24.0+, NVIDIA Drivers >= 525.60.

---

Hạn chế và hướng phát triển

• Hạn chế hiện tại: Tập dữ liệu huấn luyện phát hiện gãy xương chi tiết gồm 405 ảnh được thẩm định chuyên sâu là con số còn khiêm tốn; mô hình mới tập trung trên ảnh X-quang chi trên 2D đơn góc chụp, chưa hỗ trợ chuỗi ảnh đối chiếu đa tư thế (AP/Lateral views).
• Hướng phát triển tương lai:
  1. Tích hợp cấu trúc mạng Vision Transformer (ViT) và mô hình đa phương thức (Multimodal Large Language Models) để tự động sinh báo cáo chẩn đoán hình ảnh bằng văn bản.
  2. Mở rộng tập dữ liệu sang các nhóm xương phức tạp khác như xương chậu, cột sống và xương sọ.
  3. Ứng dụng kỹ thuật Federated Learning để liên kết huấn luyện mô hình giữa nhiều bệnh viện mà không làm lộ lọt dữ liệu bệnh án riêng tư.

---

Đối tượng hưởng lợi

+------------------+-----------------------------------------------------------------------------------+
| Nhóm đối tượng   | Lợi ích định lượng cụ thể                                                         |
+------------------+-----------------------------------------------------------------------------------+
| Sinh viên & NCKH | Nguồn tài liệu tham khảo chuẩn mực về Deep Learning ứng dụng trong xử lý ảnh y tế.|
| Lập trình viên AI| Pipeline mẫu hoàn chỉnh kết hợp Segmentation, GAN và Object Detection bằng PyTorch.|
| Cơ sở y tế       | Giảm 40% thời gian hội chẩn sơ bộ, giảm tỷ lệ bỏ sót ca chấn thương rạn xương ngầm|
| Chuyên gia y tế  | Công cụ trợ lý số tin cậy, giảm tải áp lực tâm lý trong các ca trực cấp cứu đêm.  |
+------------------+-----------------------------------------------------------------------------------+

---

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai giải pháp trong thực tế là gì?

Hệ thống yêu cầu máy chủ trang bị GPU tối thiểu NVIDIA RTX 3060 (12GB VRAM) hoặc thẻ tính toán chuyên dụng NVIDIA T4 để đảm bảo thời gian suy luận toàn bộ 4 khối dưới 100ms/ảnh. Đối với môi trường máy trạm không có GPU, mô hình có thể chạy trên CPU (Intel Xeon/Core i7) thông qua việc lượng tử hóa trọng số INT8 (OpenVINO / ONNX Runtime) với độ trễ khoảng 450ms–600ms/ảnh, hoàn toàn chấp nhận được trong tác vụ chẩn đoán không khẩn cấp.

2. Mô hình xử lý thế nào đối với các ca gãy xương phức tạp hoặc có dị vật kim loại can thiệp?

Khối phân vùng YOLOv7-mask đã được huấn luyện đặc thù để nhận biết và tách biệt chính xác biên xương sinh học khỏi các vật thể nhân tạo như đinh nẹp xương, vòng tay, hoặc tấm cố định kim loại. Do đó, dị vật không bị đưa vào khối tăng cường tương phản, loại trừ triệt để nguy cơ tạo ra các tín hiệu giả gây nhầm lẫn cho khối phát hiện.

3. Giải pháp tích hợp vào hệ thống quản lý bệnh viện (HIS/PACS) hiện có như thế nào?

Hệ thống cung cấp sẵn module tiếp nhận file DICOM (dựa trên thư viện Pynetdicom), đóng vai trò như một DICOM Node nhận ảnh từ máy chụp, sau đó phân tích và xuất ngược trở lại hệ thống PACS một tệp ảnh thứ cấp có đánh dấu vị trí tổn thương (Secondary Capture DICOM) hoặc tệp đối tượng đồ họa chuẩn (DICOM Presentation State).

4. Quy trình cập nhật và tinh chỉnh mô hình định kỳ (Maintenance & Fine-tuning) diễn ra ra sao?

Các ca chẩn đoán sai (False Positive / False Negative) được bác sĩ lâm sàng phản hồi thông qua giao diện Web sẽ được lưu trữ tự động vào Data Lake. Định kỳ hàng quý, dữ liệu mới sẽ được gắn nhãn bổ sung và đưa vào quy trình Active Learning để tái huấn luyện tinh chỉnh (Fine-tuning) mô hình, đảm bảo độ chính xác liên tục tăng trưởng theo thời gian.

5. Chi phí đầu tư và thời gian thu hồi vốn (ROI) cho một cơ sở y tế ước tính như thế nào?

Chi phí triển khai một trạm máy chủ AI xử lý ảnh X-quang dao động từ 70 - 120 triệu VNĐ chi phí phần cứng ban đầu. Với năng lực hỗ trợ rà soát 150–300 ca chụp mỗi ngày, hệ thống giúp cơ sở y tế tiết kiệm hàng trăm giờ lao động của chuyên gia, hạn chế tối đa chi phí đền bù hoặc xử lý biến chứng do chẩn đoán sót, đem lại thời gian hoàn vốn đầu tư ước tính trong vòng 6–9 tháng.

---

Kết luận

Đồ án tốt nghiệp "Nghiên cứu và phát triển giải pháp phát hiện gãy xương tay sử dụng học sâu" của tác giả Nghiêm Tuấn Khôi đã xây dựng thành công một hệ sinh thái AI hoàn chỉnh, kết hợp nhuần nhuyễn giữa thị giác máy tính truyền thống, mạng nơ-ron tạo sinh và các kiến trúc học sâu tiên tiến nhất hiện nay. Với việc đạt được độ chính xác phân vùng 99.12% IoU, chất lượng ảnh siêu phân giải đạt PSNR 45.78 dB / SSIM 0.9777 và độ chính xác phát hiện tổn thương đạt 86.48% mAP, giải pháp không chỉ chứng minh tính đúng đắn về mặt khoa học mà còn mở ra tiềm năng thương mại hóa và ứng dụng thực tiễn to lớn tại các cơ sở khám chữa bệnh. Đây là bước đệm vững chắc thúc đẩy tiến trình chuyển đổi số và ứng dụng trí tuệ nhân tạo vào ngành y tế hiện đại.

Trích đoạn nội dung tài liệu

Chương 1 đã chứng minh được tầm quan trọng của việc phát hiện sớm gãy xương, giới thiệu về phương pháp tiếp cận. Từ đó tóm tắt mục tiêu của đồ án tốt nghiệp. Chương 3 2 là nội dung chi tiết về cơ sở lý thuyết mà đồ án này sử dụng để xây dựng hệ thống phát hiện gãy xương. CƠ SỞ LÝ THUYẾT Chương 2 trình bày các lý thuyết cơ bản được sử dụng trong đồ án bao gồm: Khái niệm mạng nơ-ron tích chập CNN và các bài toán phân vùng ảnh, phát hiện đối tượng và mạng nơ-ron tạo sinh SRGAN.1 Mạng nơ-ron tích chập 2.1 Khái niệm mạng nơ-ron - Neural network 2.1 Cấu trúc cơ bản của mạng nơ-ron Neural Network hay mạng nơ-ron [14] là một mô hình học máy được thiết kế dựa trên cách hoạt động của hệ thần kinh sinh học trong não người.

Mô hình này bao gồm các đơn vị tính toán cơ bản là nơ-ron, được tổ chức thành các lớp để thực hiện các tác vụ học và dự đoán dựa trên dữ liệu đầu vào. Bằng việc điều chỉnh trọng số kết nối giữa các nơ-ron, mạng nơ-ron sẽ thu được khả năng học đáng kể, từ đó giúp nó nắm bắt cách tạo ra các biểu đồ và mô hình phức tạp dựa trên thông tin đầu vào. Mạng nơ-ron thông thường có ba lớp: • Input layer - Lớp đầu vào: Là lớp nhận dữ liệu đầu vào cho mô hình. Số lượng nơ-ron trong lớp này tương đương với số lượng đặc trưng trong dữ liệu (ví dụ: số pixel trong hình ảnh).

• Hidden layer - Lớp ẩn: Đầu ra từ lớp đầu vào được truyền đến lớp ẩn. Mô hình có thể chứa nhiều lớp ẩn tùy thuộc vào độ phức tạp và yêu cầu của dữ liệu. Mỗi lớp ẩn có thể có số lượng nơ-ron khác nhau, thường lớn hơn số lượng đặc trưng. Đầu ra từ mỗi lớp được tính bằng phép nhân ma trận của đầu ra của lớp trước đó với các trọng số có thể học được của lớp đó và sau đó bằng phép cộng các độ lệch (bias), sau đó áp dụng các hàm kích hoạt làm cho mạng trở nên phi tuyến tính (ví dụ: ReLU, Sigmoid).

• Output layer - Lớp đầu ra: Đầu ra từ lớp ẩn sau đó được đưa vào một hàm kích hoạt như sigmoid hoặc softmax để chuyển đổi đầu ra của mỗi lớp thành điểm xác suất của mỗi lớp. Dữ liệu được đưa vào mô hình và đầu ra từ mỗi lớp thu được từ bước trên được gọi là feed-forward, sau đó đo lường chênh lệch giữa dự đoán và thực tế bằng cách sử dụng hàm mất mát, một số hàm mất mát phổ biến là cross entropy, categorical cross entropy, v. Quá trình backpropagation bắt đầu sau khi tính toán lỗi. Mục tiêu là điều chỉnh trọng số và độ lệch trong mạng để giảm thiểu lỗi.

Đạo hàm của hàm mất mát được lan truyền ngược qua mạng để cập nhật trọng số, về cơ bản được sử dụng để giảm thiểu mất 5 mát.1 mô tả một mạng nơ-ron cơ bản với 4 nơ-ron lớp đầu vào, 2 lớp ẩn, mỗi lớp 6 nơ-ron và hai nơ-ron ở lớp đầu ra. Input Layer Hidden Layer Hidden Layer Output Layer ² Hình 2.1 Mạng nơ-ron cơ bản 2.2 Quá trình lan truyền thuận và lan truyền ngược Quá trình lan truyền thuận: Khi một dữ liệu đầu vào được đưa vào mạng nơ-ron, quá trình lan truyền thuận xảy ra, nơi thông tin được lan truyền qua từng lớp mạng một cách tuần tự, từ lớp đầu tiên đến lớp cuối cùng. Mỗi lớp tính toán và chuyển tiếp thông tin đến lớp tiếp theo bằng cách sử dụng hàm kích hoạt và các trọng số đã học. Điều này cho phép mạng nơ-ron học các đặc trưng phức tạp và biểu diễn thông tin của dữ liệu đầu vào một cách hiệu quả.

Sau khi quá trình lan truyền thuận hoàn tất và dự đoán được tạo ra, quá trình lan truyền ngược bắt đầu. Quá trình lan truyền ngược: Quá trình lan truyền ngược là giai đoạn trong huấn luyện của mạng nơ-ron khi mô hình điều chỉnh trọng số và độ lệch để giảm thiểu lỗi giữa nhãn dự đoán và nhãn thực tế của dữ liệu huấn luyện. Đạo hàm của hàm mất mát được tính toán và lan truyền ngược từ lớp đầu ra đến lớp đầu vào để đo lường độ lỗi của từng trọng số. Trọng số và độ lệch được cập nhật dựa trên đạo hàm và một thuật toán tối ưu hóa như "Gradient Descent" và các biến thể của nó là "Stochastic Gradient Descent" (SGD), "Momentum", "Adaptive moment estimation (Adam)", và nhiều phương pháp tối ưu khác sẽ được đề cập ở phần sau.

Gradient Descent tính toán gradient của hàm mất mát theo các trọng số và điều chỉnh các trọng số sao cho hàm mất mát giảm dần. Quá trình lan truyền ngược là cơ sở của quá trình học của mạng nơ-ron, giúp mô hình hiểu và thích ứng với dữ liệu huấn luyện. 6 Cả hai giai đoạn lan truyền thuận và lan truyền ngược đóng vai trò then chốt trong quá trình huấn luyện mạng nơ-ron và giúp mô hình học các biểu diễn phức tạp của dữ liệu. Sự kết hợp giữa hai quá trình này tạo nên một hệ thống mạng nơ-ron mạnh mẽ và hiệu quả, mang lại những thành tựu đáng kể trong nhiều lĩnh vực ứng dụng, bao gồm cả thị giác máy tính, xử lý ngôn ngữ tự nhiên, và nhiều bài toán phức tạp khác.2 Khái niệm mạng nơ-ron tích chập Mạng nơ-ron tích chập - Convolutional Neural Network [15] viết tắt là CNN là một loại mạng nơ-ron đặc biệt được thiết kế đặc trưng cho việc xử lý hình ảnh và thị giác máy tính.

Đặc điểm quan trọng của CNN là khả năng tự học các đặc trưng từ dữ liệu mà không cần sự can thiệp thủ công. Hình ảnh kỹ thuật số được mã hóa thành các giá trị nhị phân tương ứng với mảng các giá trị pixel trước khi đưa vào mạng CNN xử lý. Mạng nơ-ron tích chập bổ sung thêm so với mạng nơ-ron thông thường ở hai khái niệm chính: tích chập (convolution) và cơ chế chia sẻ trọng số (weight sharing).1 Tích chập - Convolution Tích chập là một phép toán số học cơ bản trong xử lý tín hiệu và hình ảnh. Trong mạng CNN, việc sử dụng phép toán tích chập giúp xác định các đặc trưng (features) của hình ảnh một cách hiệu quả.

Đặc trưng này có thể là các cạnh, đường cong, hoặc các đặc điểm quan trọng khác của hình ảnh. Khi thực hiện phép toán tích chập trên một hình ảnh, ta sử dụng một hoặc nhiều bộ lọc (filter) nhỏ có kích thước hữu hạn. Mỗi bộ lọc này thực hiện việc trượt qua toàn bộ hình ảnh và tính tích chập với từng phần nhỏ của hình ảnh, tạo ra một bản đồ đặc trưng (feature maps) mới chứa thông tin về các đặc trưng của hình ảnh.2 Mạng thần kinh tích chập - Convolutional Neural Network Kiến trúc của mạng thần kinh tích chập 2.2 (Convolutional Neural Network - CNN) [15] bao gồm các lớp được xếp chồng lên nhau để hình thành một chuỗi các lớp xử lý dữ liệu. Một kiến trúc CNN cơ bản gồm có: • Convolutional layer - Lớp tích chập: Lớp tích chập là lớp chính của mạng CNN, có nhiệm vụ trích xuất các đặc trưng từ ảnh đầu vào.

Trong lớp này, các bộ lọc (filter) có kích thước nhỏ sẽ trượt qua toàn bộ ảnh đầu vào để tính tích chập. Mỗi lần di chuyển, bộ lọc thực hiện phép tích chập với các giá trị pixel tương ứng trên ảnh. Bộ lọc này có thể được xem như một cửa sổ trượt qua ảnh để phát hiện các đặc trưng như cạnh, góc, hoặc texture. Mỗi bộ lọc tạo ra một bản đồ đặc trưng.

Tổng số bộ lọc trong một lớp tích chập xác định số lượng bản đồ đặc trưng tạo ra. Các bản đồ này chứa thông tin về các đặc trưng cụ thể của ảnh. • Activation layer - Lớp kích hoạt: Sau khi tích chập, Lớp kích hoạt sử dụng hàm 7 kích hoạt để giới hạn giá trị của các nơ-ron trong một khoảng nhất định và thêm tính phi tuyến cho mô hình. Hàm kích hoạt thường là các hàm phi tuyến, như ReLU (Rectified Linear Activation), Sigmoid, hoặc Tanh.

Hàm ReLU là một trong những lựa chọn phổ biến do tính đơn giản và khả năng giải quyết vấn đề biến mất gradient. Lớp kích hoạt giúp mô hình CNN trở nên phi tuyến và có khả năng học được các biểu diễn phức tạp từ dữ liệu hình ảnh, làm cho mô hình có khả năng tự học các đặc trưng quan trọng. • Pooling layer - Lớp tổng hợp: Lớp tổng hợp có nhiệm vụ lấy mẫu xuống làm giảm kích thước của các bản đồ đặc trưng được từ lớp tích chập bằng cách chọn giá trị đại diện từ các vùng nhỏ trong bản đồ. Điều này giúp giảm số lượng tham số và tính toán trong mạng, đồng thời giữ lại các thông tin quan trọng, giúp tăng tốc quá trình huấn luyện và giảm nguy cơ overfitting.

Lớp tổng hợp thường sử dụng phép toán như tổng hợp theo giá trị cực đại (max pooling) hoặc tổng hợp theo giá trị trung bình (average pooling).3, bộ lọc kích thước 2 × 2 trượt trên ma trận đầu vào trong mỗi bước nhảy (s = 2) và chia nó thành những vùng khác nhau. Mỗi ô trong ma trận đầu ra lấy giá trị trung bình hoặc lớn nhất của vùng tương ứng.2 Kiến trúc mạng nơ-ron tích chập 8 Hình 2.3 Ví dụ về lớp pooling Fully Connected layer - Lớp kết nối đầy đủ: Sau khi sử dụng các lớp tích chập và tổng hợp, các bản đồ đặc trưng đã được giảm kích thước và thu gọn thông tin. Để đưa thông tin bản đồ đặc trưng vào lớp kết nối đầy đủ, ta cần làm phẳng bản đồ đặc trưng thành một véc tơ 1 chiều, quá trình này gọi là "flatten". Sau khi đã hoàn thành bước "flatten", vectơ dữ liệu 1 chiều sẽ được đưa vào lớp kết nối đầy đủ.

Trong lớp này, mỗi nơ-ron kết nối với tất cả các nơ-ron trong lớp trước đó. Điều này tạo ra một mô hình có khả năng học được các mối quan hệ phức tạp và tổ hợp của đặc trưng từ các lớp trước đó. Output layer - Lớp đầu ra: Lớp đầu ra thể hiện kết quả cuối cùng của mạng, chẳng hạn như xác suất của các lớp đối tượng cần phân loại. Các hàm kích hoạt thường được sử dụng ở lớp này phụ thuộc vào bài toán, trong đồ án sử dụng hàm softmax cho bài toán phân loại nhiều lớp.3 Cơ chế chia sẻ trọng số - Weight sharing Weight sharing trong mạng nơ-ron tích chập (CNN) 2.2 là một kỹ thuật quan trọng giúp giảm lượng tham số cần được học trong quá trình huấn luyện mô hình và cũng giúp tăng khả năng tổng quát hóa của mô hình.