Hỗ Trợ Chẩn Đoán COVID-19 Dựa Trên Hình Ảnh X-Quang Sử Dụng Machine Learning

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp kỹ thuật phần mềm phân loại covid 19 từ hình ảnh x quang ngực bằng máy học, vận dụng lý thuyết vào thực tế, đề xuất giải pháp cụ thể cho

• Tác giả: Võ Thị Một
• Người hướng dẫn: TS. Nguyễn Tấn Trần Minh Khang
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật phần mềm
• Đề tài: Hỗ Trợ Chẩn Đoán COVID-19 Qua Hình Ảnh X-Quang Bằng Machine Learning
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TONG QUAN DE TAI
• 1.1. Đối tượng và phạm vi nghiên CỨU
• 1.2. Phạm vi nghiÊn CỨU
• 1.3. Ý nghĩa của đề tai
• 1.4. Ý nghĩa khoa hoe
• 1.5. Ý nghĩa thực tiễn
• 1.6. Bố cục khóa luận
• 2. CHƯƠNG 2: CAC NGHIÊN CỨU LIÊN QUAN VA HƯỚNG TIẾP CẬN
• 2.1. Đặc trưng
• 2.2. Rút trích đặc trưng
• 2.3. Kiến trúc mạng học sÂU
• 2.4. Các phương pháp
• 2.4.1. Support vector machines (SVM)
• 2.4.2. Logistic Regression
• 2.5. Các phương pháp biểu diễn đặc trung
• 2.6. Đặc trưng ảnh
• 2.7. Đặc trưng kết cấu Haralick
• 3. CHƯƠNG 3: MO TẢ BO DU LIỆU COVID-19
• 3.1. Cấu trúc bộ dữ liệu
• 3.2. Nguồn thu thập dữ liệu
• 4. CHƯƠNG 4: THUC NGHIEM CAC PHƯƠNG PHAP MAY HOC TREN BO DU LIEU COVID-19
• 4.1. Kiến trúc hệ thống phân loại
• 4.2. Kết quả thực nghiệm
• 5. CHƯƠNG 5: XÂY DUNG UNG DUNG DEMO PHÁT HIỆN COVID-19
• 5.1. Phân tích thiết kế ứng dung dem
• 5.2. Mô tả nghiệp vụ Ứng dụng
• 5.2.1. Cac chức năng chính
• 5.2.2. Thiết kế sơ đỒ use caSe
• 5.2.3. Thiết kế sơ đồ tuần tự
• 5.2.4. Thiết kế sơ đồ hoạt động
• 5.2.5. Thiết kế sơ đồ lớp
• 5.3. Giao diện ứng dụng demo phân loại COVID-19 trên anh X-quang phii
• 6. KẾT LUẬN VA HƯỚNG PHAT TRIEN
• 6.1. Hướng phat triỂn
• DANH MỤC HÌNH
• DANH MỤC BANG
• DANH MỤC TỪ VIET TAT
• TÓM TẮT KHÓA LUẬN
• MỞ ĐẦU

Tóm tắt

I. Tổng Quan Về Hỗ Trợ Chẩn Đoán COVID 19 Qua Hình Ảnh X Quang

COVID-19 đã trở thành một trong những thách thức lớn nhất đối với y tế toàn cầu. Việc chẩn đoán sớm và chính xác là rất quan trọng để kiểm soát dịch bệnh. Hình ảnh X-quang phổi đã được sử dụng như một công cụ hỗ trợ trong việc phát hiện COVID-19. Sự phát triển của machine learning trong y tế đã mở ra những cơ hội mới trong việc phân tích hình ảnh y tế, giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn.

1.1. Định Nghĩa COVID 19 Và Tác Động Của Nó

COVID-19 là một bệnh truyền nhiễm do virus SARS-CoV-2 gây ra, ảnh hưởng đến sức khỏe toàn cầu. Từ khi xuất hiện, dịch bệnh đã lây lan nhanh chóng, dẫn đến hàng triệu ca nhiễm và tử vong. Việc phát hiện sớm bệnh nhân nhiễm COVID-19 là rất cần thiết để giảm thiểu tác động của dịch bệnh.

1.2. Vai Trò Của Hình Ảnh X Quang Trong Chẩn Đoán

Hình ảnh X-quang phổi giúp phát hiện các dấu hiệu của COVID-19 như viêm phổi. Phương pháp này nhanh chóng và dễ thực hiện, nhưng cần có sự hỗ trợ từ công nghệ để nâng cao độ chính xác trong chẩn đoán.

II. Thách Thức Trong Việc Chẩn Đoán COVID 19 Qua Hình Ảnh

Mặc dù hình ảnh X-quang là một công cụ hữu ích, nhưng vẫn tồn tại nhiều thách thức trong việc chẩn đoán COVID-19. Đặc biệt, sự đa dạng trong triệu chứng và hình ảnh bệnh lý có thể gây khó khăn cho bác sĩ trong việc đưa ra chẩn đoán chính xác. Hơn nữa, khối lượng lớn hình ảnh cần phân tích cũng đặt ra áp lực lớn cho hệ thống y tế.

2.1. Độ Chính Xác Của Hình Ảnh X Quang

Độ chính xác của hình ảnh X-quang phụ thuộc vào nhiều yếu tố như chất lượng hình ảnh và kỹ năng của bác sĩ. Việc chẩn đoán sai có thể dẫn đến hậu quả nghiêm trọng cho bệnh nhân.

2.2. Khối Lượng Hình Ảnh Cần Phân Tích

Với số lượng bệnh nhân ngày càng tăng, khối lượng hình ảnh X-quang cần phân tích cũng tăng theo. Điều này đòi hỏi sự hỗ trợ từ công nghệ để giảm tải cho bác sĩ và nâng cao hiệu quả chẩn đoán.

III. Phương Pháp Machine Learning Trong Chẩn Đoán COVID 19

Machine learning đã trở thành một công cụ mạnh mẽ trong việc phân tích hình ảnh y tế. Các mô hình học sâu như VGG16 và Inception-Resnet-V2 đã được áp dụng để rút trích đặc trưng từ hình ảnh X-quang, giúp cải thiện độ chính xác trong việc phát hiện COVID-19. Việc áp dụng các phương pháp này không chỉ giúp tiết kiệm thời gian mà còn nâng cao khả năng phát hiện bệnh.

3.1. Các Mô Hình Machine Learning Phổ Biến

Các mô hình như k-NN, SVM và Logistic Regression đã được thử nghiệm để phân loại hình ảnh X-quang. Mỗi mô hình có những ưu điểm và nhược điểm riêng, và việc lựa chọn mô hình phù hợp là rất quan trọng.

3.2. Quy Trình Rút Trích Đặc Trưng

Quy trình rút trích đặc trưng từ hình ảnh X-quang bao gồm việc sử dụng các kỹ thuật như Haralick và các mô hình học sâu. Điều này giúp cải thiện khả năng phân loại và phát hiện COVID-19 một cách chính xác hơn.

IV. Ứng Dụng Thực Tiễn Của Machine Learning Trong Chẩn Đoán COVID 19

Việc áp dụng machine learning trong chẩn đoán COVID-19 đã cho thấy những kết quả khả quan. Nhiều nghiên cứu đã chỉ ra rằng các mô hình học sâu có thể đạt được độ chính xác cao trong việc phát hiện bệnh từ hình ảnh X-quang. Điều này không chỉ giúp bác sĩ trong việc chẩn đoán mà còn hỗ trợ trong việc sàng lọc bệnh nhân một cách hiệu quả.

4.1. Kết Quả Nghiên Cứu Về Machine Learning

Nhiều nghiên cứu đã chỉ ra rằng việc sử dụng machine learning có thể cải thiện độ chính xác trong chẩn đoán COVID-19. Các mô hình như VGG16 và Inception-Resnet-V2 đã cho thấy hiệu quả cao trong việc phân loại hình ảnh.

4.2. Ứng Dụng Trong Thực Tế

Các ứng dụng hỗ trợ chẩn đoán COVID-19 đã được phát triển, giúp bác sĩ dễ dàng truy cập và phân tích hình ảnh X-quang. Điều này không chỉ tiết kiệm thời gian mà còn nâng cao hiệu quả trong việc phát hiện bệnh.

V. Kết Luận Và Tương Lai Của Chẩn Đoán COVID 19 Qua Hình Ảnh

Chẩn đoán COVID-19 qua hình ảnh X-quang bằng machine learning đang mở ra những hướng đi mới trong y tế. Sự phát triển của công nghệ sẽ tiếp tục hỗ trợ bác sĩ trong việc chẩn đoán và điều trị bệnh. Tương lai của chẩn đoán COVID-19 sẽ phụ thuộc vào việc cải thiện các mô hình machine learning và tích hợp chúng vào quy trình làm việc của các cơ sở y tế.

5.1. Hướng Phát Triển Trong Nghiên Cứu

Nghiên cứu trong lĩnh vực machine learning và hình ảnh y tế sẽ tiếp tục phát triển. Việc cải thiện độ chính xác và khả năng phát hiện bệnh sẽ là mục tiêu hàng đầu trong tương lai.

5.2. Tích Hợp Công Nghệ Vào Quy Trình Y Tế

Việc tích hợp machine learning vào quy trình chẩn đoán sẽ giúp nâng cao hiệu quả và giảm tải cho bác sĩ. Điều này sẽ tạo ra một hệ thống chẩn đoán thông minh hơn, hỗ trợ tốt hơn cho bệnh nhân.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Đại dịch COVID-19 do chủng vi-rút SARS-CoV-2 gây ra bùng phát từ tháng 12 năm 2019 tại Vũ Hán (Trung Quốc) và nhanh chóng lan rộng toàn cầu, dẫn đến các cuộc khủng hoảng nghiêm trọng về y tế, xã hội và kinh tế. Tính đến thời điểm đầu năm 2021, thế giới đã ghi nhận hơn 84 triệu ca nhiễm và gần 2 triệu trường hợp tử vong trên 218 quốc gia và vùng lãnh thổ. Tại Việt Nam, ca bệnh đầu tiên được ghi nhận vào ngày 23 tháng 01 năm 2020 tại Bệnh viện Chợ Rẫy (TP. Hồ Chí Minh). Vi-rút tấn công chủ yếu vào hệ hô hấp, làm tổn thương phổi và có thể gây suy hô hấp cấp tính tiến triển (ARDS). Bên cạnh kỹ thuật xét nghiệm khẳng định căn nguyên bằng real-time RT-PCR, việc sàng lọc tổn thương phổi qua chẩn đoán hình ảnh như chụp cắt lớp vi tính (CT) và X-quang ngực đóng vai trò then chốt trong phân loại lâm sàng ban đầu. Tuy nhiên, lượng bệnh nhân tăng nhanh tạo ra áp lực lớn lên đội ngũ bác sĩ chẩn đoán hình ảnh, đòi hỏi các giải pháp tự động hóa hỗ trợ sàng lọc sơ bộ.

Khóa luận xác định hai mục tiêu và nhiệm vụ nghiên cứu cụ thể:

1. Thực hiện khảo sát, đánh giá thực nghiệm các phương pháp máy học và các kỹ thuật rút trích đặc trưng hình ảnh cho bài toán phân loại ba trạng thái bệnh lý trên ảnh X-quang phổi: COVID-19, viêm phổi thông thường (Pneumonia) và bình thường (Normal).
2. Xây dựng một ứng dụng phần mềm demo trên nền tảng web nhằm trực quan hóa kết quả phân loại, hỗ trợ bác sĩ trong quá trình sàng lọc lâm sàng và quản lý thông tin chẩn đoán hình ảnh.

Đối tượng nghiên cứu của đề tài là các hình ảnh chụp X-quang ngực được thu thập và chọn lọc từ các kho dữ liệu y khoa mở trên Kaggle và các nghiên cứu khoa học công bố trước đó, đã qua kiểm định nhãn bởi các chuyên gia y tế. Phạm vi nghiên cứu tập trung vào việc thử nghiệm, so sánh độ chính xác của các mô hình học máy truyền thống kết hợp trích xuất đặc trưng từ mạng nơ-ron tích chập (CNN) trên tập dữ liệu tổng hợp ở quy mô thực nghiệm phòng thí nghiệm. Toàn bộ nghiên cứu và triển khai được thực hiện tại phòng E10.8, Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh trong khoảng thời gian từ tháng 09 năm 2020 đến tháng 02 năm 2021.

Cơ sở lý thuyết và phương pháp tiếp cận

Đề tài tiếp cận bài toán phân loại hình ảnh đa lớp (Multi-class Classification) có giám sát (Supervised Learning), xử lý bài toán gán nhãn 3 lớp không cân bằng (Imbalanced Classification) gồm: COVID-19, PNEUMONIA và NORMAL. Các khung lý thuyết và mô hình kỹ thuật được tác giả sử dụng bao gồm:

• Phương pháp phân lớp dữ liệu: Khóa luận khảo sát 3 thuật toán học máy phổ biến:
  • k-Nearest Neighbors (k-NN): Thuật toán phân lớp dạng "lười học" (lazy learning), phân loại mẫu mới dựa trên sự tương đồng khoảng cách với $k$ điểm láng giềng gần nhất. Tác giả khảo sát hai hàm khoảng cách: Khoảng cách Cosine và khoảng cách Minkowski (với các trường hợp $p=1$ tương ứng Manhattan, $p=2$ tương ứng Euclidean).
  • Support Vector Machines (SVM): Xây dựng siêu phẳng (hyperplane) tối ưu trong không gian nhiều chiều nhằm tối đa hóa khoảng cách biên (margin) giữa các lớp dữ liệu.
  • Logistic Regression: Thuật toán phân loại sử dụng hàm sigmoid biến đổi kết hợp tuyến tính thành giá trị xác suất từ 0 đến 1, áp dụng chiến lược đa lớp One-vs-Rest hoặc One-vs-One.
• Phương pháp biểu diễn và rút trích đặc trưng hình ảnh:
  • Đặc trưng ảnh trực tiếp (Raw Feature Vector): Chuyển đổi dữ liệu ảnh thành vector phẳng từ biểu diễn thu nhỏ của ma trận điểm ảnh.
  • Đặc trưng kết cấu Haralick: Trích xuất từ Ma trận đồng xuất hiện mức xám (Gray-Level Co-occurrence Matrix - GLCM) sau khi lượng tử hóa mức xám của ảnh. Tác giả sử dụng giá trị trung bình của 4 đặc trưng kết cấu tiêu biểu: Năng lượng (Energy), Độ tương phản (Contrast), Độ đồng nhất (Homogeneity) và Độ tương quan (Correlation).
  • Đặc trưng học sâu từ mạng CNN tiền huấn luyện (Deep Transfer Learning Features): Sử dụng các tầng tích chập của mô hình VGG16 (16 lớp, kernel $3\times3$) và Inception-ResNet-V2 (164 lớp, kích thước đầu vào $299\times299$, kết hợp khối Inception với liên kết residual) đã được huấn luyện trên tập ImageNet 1.000 lớp để làm bộ rút trích đặc trưng.

Nguồn dữ liệu được tổng hợp từ 4 tập dữ liệu công khai trên Kaggle: COVID-19 Radiography Database, Covid-19 Image Dataset, COVID-19 Patients Lungs X Ray Images 10000 và COVID19 High quality images.

Thiết kế và triển khai hệ thống phần mềm demo

Để hiện thực hóa kết quả nghiên cứu thành công cụ hỗ trợ thực tế, tác giả đã tiến hành phân tích và phát triển một ứng dụng demo theo quy trình kỹ thuật phần mềm hoàn chỉnh:

• Kiến trúc hệ thống và công nghệ: Hệ thống được xây dựng theo mô hình phân tầng Client-Server. Phía Backend sử dụng ngôn ngữ Python và framework Flask để tiếp nhận yêu cầu, xử lý tiền xử lý ảnh và chạy mô hình phân loại đã được lưu vết. Phía Frontend xây dựng giao diện người dùng bằng thư viện ReactJS với luồng dữ liệu một chiều (Unidirectional Data Flow), hỗ trợ hiển thị danh sách và xử lý ảnh tương tác trực quan.
• Thiết kế mô hình hóa UML:
  • Biểu đồ Use Case: Phân định các tác vụ chính gồm Đăng nhập, Quản lý hồ sơ bệnh nhân (Xem danh sách, Thêm mới bệnh nhân), Tải lên ảnh X-quang, Thực hiện chẩn đoán tự động và Hiệu chỉnh/xem chi tiết ảnh.
  • Biểu đồ Tuần tự (Sequence Diagram) và Hoạt động (Activity Diagram): Đặc tả chi tiết luồng xử lý dữ liệu từ giao diện đến server khi thêm bệnh nhân mới và khi hệ thống trả về kết quả dự đoán nhãn bệnh từ mô hình học máy.
  • Biểu đồ Lớp (Class Diagram): Thiết kế các thực thể cốt lõi bao gồm lớp Patient (lưu trữ mã bệnh nhân, họ tên, tuổi, giới tính, thông tin liên hệ) và lớp Test (lưu mã xét nghiệm, đường dẫn ảnh X-quang, ngày chụp, kết quả dự đoán và ghi chú của bác sĩ).
• Các phân hệ chức năng giao diện:
  • Màn hình danh sách bệnh nhân: Cung cấp công cụ tìm kiếm, lọc theo các trường thông tin hành chính và trạng thái bệnh án.
  • Màn hình thêm mới bệnh nhân: Cho phép nhập thông tin nhân khẩu học và đính kèm tệp tin hình ảnh X-quang cần phân tích.
  • Màn hình hiển thị chế độ xem ảnh (View mode): Tích hợp thanh công cụ tương tác chuyên dụng cho ảnh y khoa (thu phóng, xoay ảnh, đảo ngược mức xám, đo khoảng cách, chú thích trực tiếp trên ảnh).
  • Màn hình hiển thị kết quả chẩn đoán: Trình bày thông tin bệnh nhân kèm nhãn dự đoán của mô hình (COVID-19, NORMAL, PNEUMONIA), hỗ trợ bác sĩ đối chiếu trước khi đưa ra kết luận lâm sàng cuối cùng.

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Chương này phân tích bối cảnh bùng phát của đại dịch COVID-19 trên thế giới và tại Việt Nam, mô tả đặc điểm sinh học của họ vi-rút Corona và các triệu chứng lâm sàng thường gặp. Tác giả trình bày quy trình chẩn đoán cận lâm sàng theo hướng dẫn của WHO và Bộ Y tế, phân tích vai trò của ảnh X-quang ngực trong phát hiện tổn thương kính mờ hoặc đông đặc phổi. Chương 1 đồng thời xác định tính cấp thiết, mục tiêu, đối tượng, phạm vi nghiên cứu, ý nghĩa khoa học và thực tiễn của đề tài.

Chương 2. Các nghiên cứu liên quan và hướng tiếp cận

Chương 2 hệ thống hóa cơ sở lý thuyết về bài toán phân lớp học máy, phân biệt các dạng bài toán (nhị phân, đa lớp, đa nhãn, dữ liệu mất cân bằng) và các cơ chế học (Lazy Learner vs Eager Learner). Tác giả trình bày chi tiết cấu trúc mạng nơ-ron tích chập (CNN) gồm các tầng Convolution, Pooling, Activation (ReLU) và Fully Connected. Chương này cũng phân tích cơ sở toán học của các thuật toán phân lớp k-NN, SVM, Logistic Regression, phương pháp trích xuất đặc trưng kết cấu Haralick từ ma trận GLCM và kiến trúc hai mạng học sâu VGG16, Inception-ResNet-V2.

Chương 3. Mô tả bộ dữ liệu COVID-19

Chương 3 trình bày chi tiết quá trình thu thập, tiền xử lý và gán nhãn dữ liệu từ 4 nguồn mở trên Kaggle. Dữ liệu sau khi làm sạch được phân thành 3 nhóm bệnh lý rõ ràng.

Nhãn phân loại	Số lượng ảnh	Mô tả tình trạng bệnh lý
NORMAL	1.517	Phổi bình thường, không có dấu hiệu viêm nhiễm hay tổn thương dạng kính mờ.
PNEUMONIA	1.467	Viêm phổi thông thường do vi khuẩn, vi-rút khác hoặc nấm; có dịch mủ tại túi khí.
COVID-19	439	Nhiễm SARS-CoV-2; tổn thương viêm phổi hai bên, đám mờ dạng kính lan tỏa ngoại vi.
Tổng cộng	3.423	Tập dữ liệu hoàn chỉnh phục vụ huấn luyện và kiểm thử

Chương 4. Thực nghiệm các phương pháp máy học trên bộ dữ liệu COVID-19

Chương này thiết lập kiến trúc hệ thống phân loại tổng thể và xác định các thang đo đánh giá mô hình: Độ chính xác (Accuracy), Độ nhạy (Recall), Độ chuẩn xác (Precision), Điểm F1-score và Ma trận nhầm lẫn (Confusion Matrix). Tác giả tiến hành thử nghiệm kết hợp chéo giữa các phương pháp trích xuất đặc trưng (Raw vector, Haralick, VGG16, Inception-ResNet-V2) và các thuật toán phân loại (k-NN với khoảng cách Cosine/Minkowski, SVM, Logistic Regression). Kết quả cho thấy các đặc trưng trích xuất từ mô hình học sâu Inception-ResNet-V2 và VGG16 mang lại hiệu suất vượt trội so với các đặc trưng kết cấu truyền thống.

Chương 5. Xây dựng ứng dụng demo phát hiện COVID-19

Chương 5 trình bày toàn bộ quá trình phân tích thiết kế phần mềm và xây dựng giao diện ứng dụng web demo. Nội dung bao gồm việc mô tả ca sử dụng (use case), thiết kế lược đồ cơ sở dữ liệu và xây dựng các lớp xử lý đối tượng (Patient, Test). Tác giả công bố các giao diện màn hình thực tế của ứng dụng gồm: trang quản lý danh sách bệnh nhân, form tiếp nhận thông tin kèm tải ảnh X-quang, khu vực thao tác tương tác chỉnh sửa ảnh X-quang và khung hiển thị kết quả phân loại tự động.

Chương 6. Kết luận và hướng phát triển

Chương tổng kết các kết quả đạt được về mặt khảo sát học máy và xây dựng phần mềm demo. Đồng thời, tác giả nêu rõ các hạn chế tồn tại của nghiên cứu và đề xuất các định hướng nghiên cứu tiếp theo để nâng cao độ tin cậy và khả năng triển khai thực tế.

Kết quả và đóng góp

• Kết quả thực nghiệm: Đề tài đã xây dựng thành công bộ dữ liệu tổng hợp gồm 3.423 ảnh X-quang ngực chuẩn hóa từ 4 nguồn khác nhau. Quá trình thực nghiệm đã chứng minh tính hiệu quả của phương pháp Transfer Learning (sử dụng VGG16 và Inception-ResNet-V2 làm bộ trích chọn đặc trưng) khi kết hợp với các bộ phân lớp học máy (SVM, Logistic Regression, k-NN) trên bài toán phân loại đa lớp ảnh y khoa.
• Sản phẩm ứng dụng: Xây dựng hoàn chỉnh một ứng dụng web demo tích hợp mô hình máy học với Backend Flask và Frontend ReactJS, cung cấp đầy đủ các chức năng quản trị bệnh nhân, tải ảnh, phân tích tự động và hỗ trợ các công cụ xem/chú thích ảnh X-quang.
• Đóng góp học thuật: Nghiên cứu đã cung cấp bức tranh so sánh toàn diện giữa đặc trưng truyền thống (Haralick/GLCM, Raw pixel) và đặc trưng học sâu đối với bài toán X-quang COVID-19. Công trình đã có bài báo khoa học được chấp nhận và báo cáo tại Hội thảo Quốc gia lần thứ XXIII (theo đánh giá của Cán bộ phản biện).

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế của nghiên cứu:
  • Sự mất cân bằng dữ liệu: Số lượng mẫu nhãn COVID-19 (439 ảnh) còn chênh lệch đáng kể so với nhãn NORMAL (1.517 ảnh) và PNEUMONIA (1.467 ảnh) do tính chất khan hiếm dữ liệu thực tế tại thời điểm nghiên cứu.
  • Rào cản pháp lý và bản quyền: Nhiều nguồn dữ liệu y tế không được công bố công khai vì lý do bảo mật thông tin bệnh nhân, dẫn đến dữ liệu thu thập được chủ yếu từ các nguồn mở rời rạc, có hiện tượng trùng lặp giữa các kho ảnh.
  • Giới hạn ứng dụng: Mô hình chỉ dừng lại ở mức độ thử nghiệm hỗ trợ sàng lọc lâm sàng, chưa thể thay thế cho các kết luận chẩn đoán xác định của bác sĩ chuyên khoa.
• Hướng phát triển tiếp theo:
  • Mở rộng thu thập và cân bằng bộ dữ liệu với số lượng mẫu COVID-19 lớn hơn khi có các nguồn dữ liệu lâm sàng mới.
  • Thử nghiệm fine-tuning trực tiếp các kiến trúc mạng học sâu hiện đại thay vì chỉ sử dụng làm bộ trích xuất đặc trưng cố định.
  • Nâng cấp ứng dụng demo thành phiên bản hỗ trợ trên thiết bị di động và máy tính bảng nhằm tăng tính cơ động cho nhân viên y tế tại các khu vực sàng lọc dã chiến.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho sinh viên, học viên ngành Kỹ thuật Phần mềm, Khoa học Máy tính, Trí tuệ Nhân tạo và Tin học Y sinh đang nghiên cứu bài toán xử lý ảnh y khoa (Medical Image Processing). Đặc biệt, chương mô tả kỹ thuật trích xuất đặc trưng Haralick/GLCM (Chương 2), cấu trúc bộ dữ liệu tổng hợp (Chương 3) và quy trình thiết kế phần mềm y tế bằng Flask và ReactJS (Chương 5) cung cấp các chỉ dẫn cụ thể cho các đề tài phát triển hệ thống hỗ trợ chẩn đoán hình ảnh (CAD).

Câu hỏi thường gặp

1. Bộ dữ liệu của khóa luận gồm bao nhiêu ảnh và được phân bố như thế nào? Bộ dữ liệu gồm 3.423 ảnh X-quang ngực, được tổng hợp từ 4 nguồn công khai trên Kaggle. Dữ liệu phân bố thành 3 nhãn: 1.517 ảnh NORMAL (người bình thường), 1.467 ảnh PNEUMONIA (viêm phổi thông thường) và 439 ảnh COVID-19.

2. Tác giả đã thử nghiệm những phương pháp trích xuất đặc trưng nào? Khóa luận thử nghiệm 3 nhóm đặc trưng: vector đặc trưng thu nhỏ trực tiếp từ ảnh gốc (Raw features), 4 đặc trưng kết cấu Haralick tính từ ma trận đồng xuất hiện mức xám GLCM (Energy, Contrast, Homogeneity, Correlation), và vector đặc trưng trích xuất từ các tầng ẩn của mô hình học sâu tiền huấn luyện VGG16 và Inception-ResNet-V2.

3. Những thuật toán học máy nào được dùng để phân loại và độ đo đánh giá gồm những gì? Tác giả sử dụng 3 thuật toán phân loại: k-Nearest Neighbors (k-NN với hàm khoảng cách Cosine và Minkowski), Support Vector Machines (SVM) và Logistic Regression. Các thang đo đánh giá gồm có: Accuracy, Precision, Recall, F1-score và Confusion Matrix.

4. Ứng dụng demo được xây dựng bằng công nghệ gì và gồm những chức năng chính nào? Ứng dụng demo được xây dựng dưới dạng website, sử dụng Backend bằng framework Flask (Python) và Frontend bằng ReactJS. Các chức năng chính gồm: Quản lý danh sách bệnh nhân, Thêm mới bệnh nhân kèm ảnh X-quang, Chế độ xem và tương tác với ảnh y khoa (thu phóng, chỉnh độ sáng, đo đạc, chú thích), và Hiển thị kết quả chẩn đoán bệnh tự động.

5. Khóa luận đạt kết quả đánh giá như thế nào từ hội đồng chấm? Khóa luận được thực hiện bởi sinh viên Võ Thị Một, dưới sự hướng dẫn của TS. Nguyễn Tấn Trần Minh Khang, nhận điểm đánh giá 9.5/10 từ Cán bộ phản biện ThS. Đỗ Thị Thanh Tuyền, đồng thời kết quả nghiên cứu đã được công bố tại Hội thảo Quốc gia lần thứ XXIII.

Kết luận

Khóa luận tốt nghiệp của sinh viên Võ Thị Một đã hoàn thành việc khảo sát thực nghiệm các kỹ thuật rút trích đặc trưng và thuật toán máy học trên bộ dữ liệu 3.423 ảnh X-quang ngực nhằm phân loại bệnh nhân COVID-19, viêm phổi và bình thường. Công trình đã chứng minh tính ưu việt của việc kết hợp đặc trưng học sâu với các bộ phân lớp truyền thống trong phân loại ảnh y khoa, đồng thời hiện thực hóa thành công một ứng dụng web demo bằng Flask và ReactJS phục vụ quản trị và hỗ trợ chẩn đoán lâm sàng. Đây là nghiên cứu có cấu trúc chặt chẽ, kết hợp hài hòa giữa cơ sở khoa học máy tính và kỹ thuật công nghệ phần mềm ứng dụng trong y tế.

Trích đoạn nội dung tài liệu

MỞ ĐẦU COVID-19 [1] đã gây ra hơn 90 triệu ca lây nhiễm và gần 2 triệu người chết trên toàn thé giới!. Đồng thời trở thành đại dịch toàn cầu gây ra những ảnh hưởng, thiệt hại về sức khỏe con người, các hệ lụy về kinh tế xã hội cho nhân loại. Tổ chức y tế thế giới WHO cảnh báo mức độ nguy hiểm của COVID-19 đạt mức báo động, là môi doe dọa của hau hét các quôc gia trên thê giới. COVID-19 được định nghĩa là một bệnh đường hô hấp cấp tính ở người được phát hiện vào năm 2019, gây ra bởi vi-rút SARS-CoV-2 [2] chưa từng được xác định trong quá khứ.

Coronavirus là một họ virus lớn gây bệnh ở bệnh nhân từ cảm lạnh thông thường đến các hội chứng hô hấp tiến triển như MiddleEast Resporatory Syndrone (MERS-COV) và Severe AcuteRespiratory Syndrone (SARS-COVS). Thế giới dang bi ảnh hưởng, nhiều người chết, nhiều quốc gia tuyên bố tình trạng khan cấp. Hau hết những người bị nhiễm COVID -19 đều có các triệu chứng về đường hô hấp từ nhẹ đến trung bình. Một số trường hợp khác có triệu chứng bệnh khi đã mắc bệnh viêm phôi từ trước.

Một giải pháp hữu hiệu được đề xuất giúp các bác sĩ có thé sàng lọc lâm sàng các trường hợp nhiễm bệnh là chân đoán bệnh thông qua sàng lọc ảnh chụp X- quang. Có nhiều nghiên cứu phát hiện COVID -19 trên ảnh X-quang với kết quả cao. Tuy nhiên hầu hết được thực nghiệm trên bộ dữ liệu khá nhỏ. Điều này đã thúc đây tôi thu thập các bộ dữ liệu chụp X-quang ngực với mong muốn tăng tính đa dạng dữ liệu và độ chính xác cho quá trình dự đoán kết quả phân loại hình ảnh trên các nguồn khác nhau.

Bộ dữ liệu có tổng số ảnh là 3423, trong đó có 1517 ảnh nhãn NORMAL, 1467 anh PNEUMONIA và 439 ảnh COVID-19. ! Theo thống kê của Worldometers.info, tinh đến 8 giờ ngày 13-1 (giờ Việt Nam), thé giới ghi nhận 91.471 ca nhiễm virus SARS-CoV-2, trong đó có 1.622 ca tử vong va hơn 65,8 triệu ca đã hoàn toàn bình phục. TONG QUAN DE TÀI 1. Đặt van đề Boi cảnh xuất hiện dịch bệnh COVID-19 Đại dịch COVID-19 [1] là một đại dịch bệnh truyền nhiễm với tác nhân là virus SARS-CoV-2, đang diễn ra trên phạm vi toàn cầu và được phát hiện lần đầu tiên tại thành phố Vũ Hán, tỉnh Hồ Bắc, Trung Quốc vào tháng 12/2019.

Ở Việt Nam ghi nhận trường hợp nhiễm COVID-19 đầu tiên vào ngày 23 tháng 1 năm 2020, gồm hai bệnh nhân người Trung Quốc được nhập viện tại bệnh viện Chợ Ray, thành phố Hồ Chí Minh. Theo số liệu thống kê, đến ngày 2 thang 1 năm 2021, tổng số ca nhiễm COVID-19 trên toàn cầu là hơn 84 triệu ca, trong đó có hon 1,8 triệu người thiệt mạng. Dịch bệnh đến nay xuất hiện và lây lan ở 218 quốc gia và vùng lãnh thổ. Các nước cũng ghi nhận hơn 59 triệu bệnh nhân được điều trị khỏi, số ca nguy kịch hiện là hơn 22 triệu ca và hơn 106 ngìn ca đang điều trị tích cực.

Thế gidi CÓ tới 120 quốc gia và vùng lãnh thé ghi nhận ca COVID-19 mới [2]; 83 quốc gia/vùng lãnh thé có các ca tử vong vì dai dịch. a > 1,000,000 500,001 — 1,000,000 50,001 — 500,000 5,001 — 50,000 1 — 5,0000 No Reported Data Not Applicable Hình 1.1 Hiện trạng COVID-19 đang lan rộng trên toàn thế giới (Coronavirus Disease (COVID-19) Situation Reports, [1] 1-9 ¡0-99 [EElioo-29o J trén 300 Hình 1.