Kết hợp Mạng Nơ Ron Tích Chập và Mạng Nơ Ron Đồ Thị trong Phân Loại Ảnh Y Khoa

Chuyên khảo y tế phân tích Kết hợp mạng nơ ron tích chập và mạng nơ ron đồ thị trong phân loại ảnh y khoa, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Danh Thao
• Người hướng dẫn: PGS. Nguyễn Việt Linh
• Trường học: Trường Đại Học Công Nghiệp Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Kết Hợp Mạng Nơ Ron Tích Chập Và Mạng Nơ Ron Đồ Thị Trong Phân Loại Ảnh Y Khoa
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN THẠC sĩ
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Cấu tạo của phổi và cơ chế sinh bệnh
• 1.2. Đặc điểm tổn thương phổi do COVID-19 trên hình ảnh
• 2. CHƯƠNG 2: ĐẶC ĐIỂM Y KHOA CỦA ẢNH COVID-19 PHỔI
• 3. CHƯƠNG 3: KỸ THUẬT HỌC SÂU TRONG PHÂN LOẠI ẢNH
• 3.1. Mạng nơ ron tích chập
• 3.2. Mô hình mạng ResNet
• 3.3. Thuật toán k láng giềng gần nhất
• 3.4. Mạng nơ ron đồ thị
• 4. CHƯƠNG 4: MÔ HÌNH KẾT HỢP CB-RES18-G
• 4.1. Kết hợp mô hình CNN và GNN
• 4.2. Xây dựng ma trận kề của đồ thị
• 4.3. Đào tạo mô hình
• 5. CHƯƠNG 5: THỰC NGHIỆM ĐÁNH GIÁ KẾT QUẢ
• 5.1. Tập dữ liệu
• 5.2. Phương tiện và công cụ triển khai
• 5.3. Phương pháp đánh giá hiệu suất mô hình
• 5.4. Phương thức thực hiện
• 5.5. Đánh giá kết quả
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA HỌC VIÊN
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN

Tóm tắt

I. Tổng Quan về Ứng Dụng CNN và GNN trong Ảnh Y Khoa

Trong lĩnh vực xử lý ảnh y khoa, mô hình học sâu (Deep Learning) ngày càng chứng tỏ vai trò quan trọng. Đặc biệt, sự kết hợp giữa Mạng Nơ-ron Tích Chập (CNN) và Mạng Nơ-ron Đồ Thị (GNN) mở ra hướng tiếp cận mới, vượt qua giới hạn của các phương pháp truyền thống. CNN nổi bật trong việc trích xuất đặc trưng từ dữ liệu ảnh, trong khi GNN thể hiện khả năng mô hình hóa các mối quan hệ phức tạp giữa các đối tượng. Việc tích hợp hai kiến trúc này hứa hẹn nâng cao hiệu quả trong các tác vụ như phân loại ảnh y khoa, phân đoạn ảnh y khoa, và chẩn đoán hình ảnh. Nhiều nghiên cứu đã chứng minh tiềm năng to lớn của sự kết hợp này trong việc hỗ trợ bác sĩ đưa ra quyết định chính xác và kịp thời. Ví dụ, việc phát hiện sớm COVID-19 từ ảnh X-quang phổi đã đạt được những thành công đáng kể nhờ ứng dụng các mô hình học sâu kết hợp.

1.1. Vai trò của Mạng Nơ ron Tích chập CNN trong Y học

Mạng Nơ-ron Tích Chập (CNN) đóng vai trò then chốt trong việc tự động trích xuất các đặc trưng quan trọng từ ảnh y tế. Với khả năng học các biểu diễn phân cấp, CNN có thể nhận diện các mẫu phức tạp như cấu trúc giải phẫu, tổn thương, hoặc các dấu hiệu bệnh lý. Ứng dụng CNN trong y tế rất đa dạng, từ việc phát hiện ung thư vú từ ảnh chụp nhũ ảnh đến phân loại các bệnh về mắt từ ảnh đáy mắt. Nhờ vào khả năng xử lý ảnh hiệu quả, CNN đã trở thành công cụ không thể thiếu trong chẩn đoán hình ảnh và hỗ trợ bác sĩ đưa ra quyết định điều trị chính xác hơn. Theo một nghiên cứu, CNN đã đạt độ chính xác tương đương hoặc thậm chí vượt trội so với các chuyên gia trong một số tác vụ nhất định.

1.2. Ưu điểm của Mạng Nơ ron Đồ Thị GNN trong phân tích ảnh

Mạng Nơ-ron Đồ Thị (GNN) cung cấp một phương pháp độc đáo để phân tích ảnh y khoa bằng cách mô hình hóa các mối quan hệ giữa các vùng hoặc đối tượng trong ảnh. Thay vì chỉ tập trung vào các pixel riêng lẻ, GNN có thể tận dụng thông tin về cấu trúc và sự tương tác giữa các thành phần khác nhau. Ví dụ, trong phân tích ảnh não, GNN có thể mô hình hóa kết nối giữa các vùng não khác nhau và sử dụng thông tin này để dự đoán các bệnh về thần kinh. Khả năng xử lý dữ liệu có cấu trúc đồ thị giúp GNN vượt trội trong việc hiểu ngữ cảnh và đưa ra các quyết định chính xác hơn so với các phương pháp truyền thống.

II. Thách Thức trong Phân Loại Ảnh Y Khoa bằng Deep Learning

Mặc dù học sâu (Deep Learning) đã đạt được nhiều thành công trong phân loại ảnh y khoa, vẫn còn tồn tại nhiều thách thức cần giải quyết. Một trong những vấn đề lớn nhất là sự thiếu hụt dữ liệu huấn luyện được gắn nhãn chính xác. Dữ liệu ảnh y khoa thường khan hiếm và việc thu thập, gán nhãn đòi hỏi nhiều thời gian, công sức từ các chuyên gia. Bên cạnh đó, sự đa dạng về thiết bị chụp, giao thức chụp, và đặc điểm bệnh lý của từng bệnh nhân cũng tạo ra sự biến động lớn trong dữ liệu, gây khó khăn cho việc xây dựng các mô hình tổng quát. Ngoài ra, tính minh bạch của các mô hình học sâu cũng là một mối quan tâm, đặc biệt trong lĩnh vực y tế, nơi việc giải thích các quyết định của mô hình là rất quan trọng.

2.1. Vấn đề thiếu dữ liệu và giải pháp tăng cường dữ liệu

Sự khan hiếm của dữ liệu ảnh y khoa được gắn nhãn là một rào cản lớn đối với việc huấn luyện các mô hình học sâu hiệu quả. Để giải quyết vấn đề này, các kỹ thuật tăng cường dữ liệu như xoay, lật, thay đổi độ sáng, và áp dụng nhiễu thường được sử dụng để tạo ra các mẫu dữ liệu mới từ dữ liệu hiện có. Tuy nhiên, cần cẩn trọng khi áp dụng các kỹ thuật này, đặc biệt trong ảnh y tế, để tránh tạo ra các biến đổi không thực tế có thể ảnh hưởng đến hiệu suất của mô hình. Các phương pháp Transfer Learning, sử dụng các mô hình đã được huấn luyện trên các bộ dữ liệu lớn khác (ví dụ: ImageNet), cũng có thể giúp cải thiện hiệu suất khi dữ liệu hạn chế.

2.2. Xử lý sự biến động và nhiễu trong ảnh y tế

Ảnh y tế thường chứa nhiều nhiễu và biến động do sự khác biệt về thiết bị chụp, giao thức chụp, và đặc điểm bệnh lý của từng bệnh nhân. Việc xử lý các nhiễu và biến động này là rất quan trọng để đảm bảo tính ổn định và độ tin cậy của các mô hình phân loại ảnh. Các kỹ thuật tiền xử lý ảnh như chuẩn hóa cường độ, lọc nhiễu, và cân bằng histogram thường được sử dụng để giảm thiểu ảnh hưởng của các yếu tố này. Việc lựa chọn các kiến trúc mạng học sâu phù hợp, có khả năng chống chịu với nhiễu và biến động, cũng là một yếu tố quan trọng.

III. Phương Pháp Kết Hợp CNN và GNN để Phân Loại Ảnh

Có nhiều cách để kết hợp CNN và GNN trong phân loại ảnh y khoa, tùy thuộc vào mục tiêu và đặc điểm của từng bài toán. Một phương pháp phổ biến là sử dụng CNN để trích xuất các đặc trưng từ ảnh, sau đó sử dụng GNN để mô hình hóa các mối quan hệ giữa các đặc trưng này. Ví dụ, CNN có thể được sử dụng để phát hiện các tổn thương trong ảnh X-quang phổi, sau đó GNN có thể được sử dụng để phân loại các tổn thương này dựa trên vị trí, kích thước, và hình dạng của chúng. Một số nghiên cứu khác tập trung vào việc tích hợp GNN vào kiến trúc CNN để tạo ra các mô hình end-to-end có khả năng học các đặc trưng và mối quan hệ đồng thời.

3.1. Sử dụng CNN để trích xuất đặc trưng GNN để phân loại

Phương pháp này sử dụng CNN như một bộ trích xuất đặc trưng mạnh mẽ, biến đổi ảnh y tế thành một tập hợp các vector đặc trưng. Sau đó, GNN sẽ tận dụng các vector này để xây dựng một đồ thị, trong đó các nút đại diện cho các vùng hoặc đối tượng trong ảnh, và các cạnh thể hiện mối quan hệ giữa chúng. GNN sẽ học cách phân loại các nút hoặc đồ thị dựa trên thông tin về các đặc trưng và mối quan hệ này. Cách tiếp cận này đặc biệt hiệu quả khi cần phân tích cấu trúc và mối liên hệ giữa các thành phần khác nhau trong ảnh.

3.2. Tích hợp GNN vào kiến trúc CNN

Một hướng tiếp cận khác là tích hợp trực tiếp GNN vào kiến trúc CNN, tạo ra một mô hình duy nhất có khả năng học cả các đặc trưng cục bộ (như CNN) và các mối quan hệ toàn cục (như GNN). Các lớp GNN có thể được chèn vào giữa các lớp CNN để cho phép mô hình học cách tận dụng thông tin về cấu trúc và sự tương tác giữa các đặc trưng. Cách tiếp cận này có thể giúp cải thiện hiệu suất của mô hình, đặc biệt trong các bài toán phức tạp đòi hỏi khả năng hiểu ngữ cảnh sâu sắc.

3.3. Xây dựng đồ thị từ đặc trưng của CNN

Mô hình đề xuất CB-Res18-G sử dụng đầu ra của mạng ResNet18 (một biến thể của CNN) để xây dựng đồ thị. Các đặc trưng này được sử dụng làm thuộc tính của các nút trên đồ thị, và mối quan hệ giữa các nút được xác định dựa trên khoảng cách giữa các đặc trưng. Ma trận kề của đồ thị được xây dựng dựa trên thuật toán k láng giềng gần nhất (KNN), kết nối mỗi nút với k nút gần nhất trong không gian đặc trưng. Việc này giúp mô hình GNN có thể tận dụng thông tin về sự tương đồng giữa các vùng khác nhau trong ảnh để cải thiện khả năng phân loại.

IV. Ứng Dụng Mô Hình Kết Hợp trong Chẩn Đoán COVID 19

Trong bối cảnh đại dịch COVID-19, việc phát triển các công cụ chẩn đoán hình ảnh nhanh chóng và chính xác là rất quan trọng. Các mô hình kết hợp CNN và GNN đã chứng minh tiềm năng to lớn trong việc phát hiện COVID-19 từ ảnh X-quang phổi và ảnh siêu âm phổi. CNN có thể được sử dụng để phát hiện các dấu hiệu tổn thương phổi do COVID-19, chẳng hạn như đông đặc, mờ kính, và dày thành phế quản. Sau đó, GNN có thể được sử dụng để phân loại các tổn thương này dựa trên vị trí, kích thước, và hình dạng của chúng, cũng như mối quan hệ của chúng với các cấu trúc phổi khác.

4.1. Phân loại bệnh nhân COVID 19 bằng ảnh X quang phổi

Ảnh X-quang phổi là một công cụ chẩn đoán phổ biến và dễ tiếp cận, đặc biệt trong các tình huống khẩn cấp. Các mô hình kết hợp CNN và GNN có thể được sử dụng để phân loại bệnh nhân thành các nhóm khác nhau, chẳng hạn như bệnh nhân COVID-19, bệnh nhân viêm phổi do các nguyên nhân khác, và bệnh nhân khỏe mạnh. Điều này giúp các bác sĩ ưu tiên các trường hợp khẩn cấp và đưa ra quyết định điều trị phù hợp.

4.2. Đánh giá mức độ nghiêm trọng của bệnh từ ảnh siêu âm phổi

Ảnh siêu âm phổi là một công cụ chẩn đoán không xâm lấn và có thể được thực hiện tại giường bệnh. Các mô hình kết hợp CNN và GNN có thể được sử dụng để đánh giá mức độ nghiêm trọng của bệnh COVID-19 dựa trên các dấu hiệu siêu âm, chẳng hạn như số lượng đường B, độ dày của đường màng phổi, và sự hiện diện của đông đặc phổi. Thông tin này có thể giúp các bác sĩ đưa ra quyết định về việc nhập viện, điều trị oxy, hoặc thở máy.

4.3. Kết quả thực nghiệm với mô hình CB Res18 G

Luận văn đã thực hiện thực nghiệm với mô hình CB-Res18-G, một mô hình kết hợp giữa CNN (ResNet18) và GNN, trên cả bộ dữ liệu ảnh siêu âm phổi và ảnh X-quang phổi. Kết quả cho thấy mô hình CB-Res18-G đạt được độ chính xác cao hơn so với mô hình ResNet18 đơn lẻ trong việc phân loại bệnh nhân COVID-19. Điều này chứng minh tiềm năng của việc kết hợp CNN và GNN trong chẩn đoán hình ảnh y khoa.

V. So Sánh Hiệu Suất và Đánh Giá Ưu Nhược Điểm Mô Hình

Việc so sánh hiệu suất giữa các mô hình khác nhau là rất quan trọng để đánh giá tính hiệu quả của việc kết hợp CNN và GNN. Các chỉ số đánh giá thường được sử dụng bao gồm độ chính xác (Accuracy), độ nhạy (Sensitivity), độ đặc hiệu (Specificity), và diện tích dưới đường cong ROC (AUC-ROC). Ngoài ra, cần xem xét các yếu tố khác như thời gian huấn luyện, khả năng giải thích, và tính ổn định của mô hình. Mỗi phương pháp kết hợp CNN và GNN đều có những ưu nhược điểm riêng, và việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của từng bài toán cụ thể.

5.1. Các chỉ số đánh giá hiệu suất phân loại ảnh y khoa

Các chỉ số như độ chính xác (Accuracy), độ nhạy (Sensitivity), độ đặc hiệu (Specificity), và AUC-ROC được sử dụng rộng rãi để đánh giá hiệu suất của các mô hình phân loại ảnh y khoa. Độ chính xác cho biết tỷ lệ các mẫu được phân loại đúng. Độ nhạy cho biết khả năng phát hiện đúng các trường hợp dương tính. Độ đặc hiệu cho biết khả năng phát hiện đúng các trường hợp âm tính. AUC-ROC là một chỉ số tổng quan, đánh giá khả năng phân biệt giữa các lớp khác nhau của mô hình.

5.2. Ưu điểm và hạn chế của mô hình kết hợp CNN và GNN

Mô hình kết hợp CNN và GNN có nhiều ưu điểm so với các mô hình đơn lẻ. GNN có thể tận dụng thông tin về cấu trúc và mối quan hệ giữa các thành phần trong ảnh, giúp cải thiện khả năng hiểu ngữ cảnh. Tuy nhiên, mô hình kết hợp cũng có một số hạn chế, chẳng hạn như độ phức tạp cao hơn, yêu cầu nhiều tài nguyên tính toán hơn, và khó giải thích hơn. Việc lựa chọn kiến trúc GNN phù hợp và tối ưu hóa các tham số của mô hình là rất quan trọng để đạt được hiệu suất tốt nhất.

5.3. Phân tích ma trận nhầm lẫn và đường cong ROC

Phân tích ma trận nhầm lẫn giúp hiểu rõ hơn về các loại lỗi mà mô hình mắc phải, chẳng hạn như các lớp bị nhầm lẫn với nhau. Đường cong ROC cho phép đánh giá khả năng phân biệt giữa các lớp khác nhau của mô hình. Bằng cách phân tích ma trận nhầm lẫn và đường cong ROC, có thể xác định các điểm yếu của mô hình và tìm cách cải thiện chúng.

VI. Kết Luận và Hướng Nghiên Cứu Phát Triển Tương Lai

Sự kết hợp giữa CNN và GNN mở ra một hướng đi đầy triển vọng trong phân loại ảnh y khoa. Mặc dù còn nhiều thách thức cần vượt qua, các kết quả nghiên cứu ban đầu đã chứng minh tiềm năng to lớn của phương pháp này trong việc cải thiện độ chính xác và hiệu quả của các công cụ chẩn đoán hình ảnh. Trong tương lai, các nghiên cứu có thể tập trung vào việc phát triển các kiến trúc GNN mới, tích hợp GNN với các phương pháp học sâu khác, và ứng dụng các mô hình kết hợp trong nhiều lĩnh vực khác nhau của y học.

6.1. Tóm tắt kết quả và đóng góp của nghiên cứu

Nghiên cứu này đã trình bày một phương pháp kết hợp giữa CNN và GNN để phân loại ảnh y khoa, cụ thể là trong bài toán phân loại bệnh nhân COVID-19 từ ảnh siêu âm phổi và ảnh X-quang phổi. Kết quả thực nghiệm cho thấy mô hình kết hợp đạt được hiệu suất cao hơn so với mô hình CNN đơn lẻ, chứng minh tiềm năng của việc tận dụng thông tin về cấu trúc và mối quan hệ trong ảnh y tế.

6.2. Các hướng nghiên cứu tiếp theo

Trong tương lai, các nghiên cứu có thể tập trung vào việc phát triển các kiến trúc GNN mới, tích hợp GNN với các phương pháp học sâu khác (ví dụ: mô hình chú ý, mạng biến áp), và ứng dụng các mô hình kết hợp trong nhiều lĩnh vực khác nhau của y học, chẳng hạn như phát hiện ung thư, chẩn đoán bệnh tim mạch, và phân tích ảnh não. Việc thu thập và gán nhãn dữ liệu y tế lớn cũng là một yếu tố quan trọng để thúc đẩy sự phát triển của các mô hình học sâu trong lĩnh vực này.

6.3. Ứng dụng trí tuệ nhân tạo trong y học

Việc ứng dụng trí tuệ nhân tạo (AI) trong y học hứa hẹn mang lại những thay đổi lớn trong cách chúng ta chẩn đoán, điều trị và phòng ngừa bệnh tật. Các mô hình học sâu có thể giúp các bác sĩ đưa ra quyết định chính xác hơn, giảm thiểu sai sót, và cải thiện hiệu quả của quá trình điều trị. Tuy nhiên, cần đảm bảo rằng các mô hình này được phát triển và sử dụng một cách có đạo đức và trách nhiệm, với sự giám sát chặt chẽ của các chuyên gia y tế.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh đại dịch COVID-19 lan rộng toàn cầu, việc phát triển các phương pháp chẩn đoán nhanh và chính xác trở nên cấp thiết. Theo báo cáo của ngành y tế, COVID-19 gây tổn thương phổi nghiêm trọng, đòi hỏi các kỹ thuật chẩn đoán hình ảnh như siêu âm phổi và X-quang phổi được ứng dụng rộng rãi. Tuy nhiên, việc phân loại chính xác các hình ảnh y khoa để phân biệt bệnh nhân COVID-19 với các bệnh viêm phổi khác vẫn còn nhiều thách thức. Mục tiêu nghiên cứu của luận văn là xây dựng và phát triển một mô hình kết hợp mạng nơ ron tích chập (CNN) và mạng nơ ron đồ thị (GNN) nhằm nâng cao hiệu quả phân loại ảnh y khoa, đặc biệt là trong phát hiện COVID-19. Nghiên cứu tập trung trên dữ liệu hình ảnh siêu âm và X-quang phổi thu thập trong khoảng thời gian gần đây tại một số địa phương, với phạm vi áp dụng hướng tới hỗ trợ chẩn đoán lâm sàng. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác phân loại, giảm thiểu thời gian chẩn đoán và hạn chế nguy cơ lây nhiễm chéo trong quá trình tiếp xúc bệnh nhân, góp phần nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính trong lĩnh vực học sâu: mạng nơ ron tích chập (CNN) và mạng nơ ron đồ thị (GNN). CNN là mô hình học sâu phổ biến trong nhận dạng hình ảnh, sử dụng các lớp tích chập và pooling để trích xuất đặc trưng từ dữ liệu ảnh, với các hàm kích hoạt như ReLU và Softmax giúp mô hình học phi tuyến hiệu quả. Mạng ResNet-18 được chọn làm kiến trúc CNN cơ bản nhờ khả năng xử lý sâu và tránh hiện tượng mất mát gradient thông qua các kết nối tắt (skip connections). GNN, đặc biệt là mạng tích chập đồ thị (Graph Convolutional Network - GCN), được sử dụng để xử lý dữ liệu có cấu trúc đồ thị, cho phép mô hình học các mối quan hệ phức tạp giữa các nút dữ liệu. Các khái niệm chính bao gồm ma trận kề, thuật toán k láng giềng gần nhất (KNN) để xây dựng đồ thị từ đặc trưng ảnh, và các phép toán tích chập trên đồ thị. Việc kết hợp CNN và GNN nhằm tận dụng ưu điểm trích xuất đặc trưng mạnh mẽ của CNN và khả năng mô hình hóa quan hệ phức tạp của GNN.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm hai bộ dữ liệu hình ảnh y khoa: ảnh siêu âm phổi và ảnh X-quang phổi của bệnh nhân COVID-19, bệnh nhân viêm phổi do vi khuẩn và người bình thường. Cỡ mẫu khoảng vài nghìn ảnh được thu thập và xử lý. Phương pháp chọn mẫu dựa trên tiêu chí đại diện cho các nhóm bệnh và đảm bảo cân bằng dữ liệu. Nghiên cứu triển khai hai mô hình: mô hình CNN cơ bản (ResNet-18) và mô hình kết hợp CNN-GNN (CB-Res18-G). Đặc trưng đầu ra của CNN được sử dụng để xây dựng ma trận kề cho GNN, trong đó các nút đại diện cho các đặc trưng ảnh và các cạnh được xác định dựa trên thuật toán KNN với khoảng cách Euclide. Quá trình huấn luyện sử dụng kỹ thuật học có giám sát, với các tham số được tối ưu hóa qua các epoch. Phân tích hiệu suất mô hình dựa trên các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu và đường cong ROC. Timeline nghiên cứu kéo dài từ tháng 4 đến tháng 9 năm 2023, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, huấn luyện và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phân loại tăng đáng kể khi kết hợp CNN và GNN: Mô hình CB-Res18-G đạt độ chính xác trên tập dữ liệu siêu âm phổi là khoảng 92%, cao hơn 7% so với mô hình ResNet-18 cơ bản. Trên tập dữ liệu X-quang, độ chính xác của mô hình kết hợp đạt khoảng 90%, vượt trội hơn 6% so với mô hình CNN đơn lẻ.

2. Cải thiện khả năng phân biệt các lớp bệnh: Mô hình kết hợp cho thấy độ nhạy trong phát hiện bệnh nhân COVID-19 đạt 94%, trong khi mô hình CNN chỉ đạt 87%. Độ đặc hiệu cũng được nâng lên, giúp giảm thiểu sai sót trong chẩn đoán phân biệt với các bệnh viêm phổi khác.

3. Hiệu quả trên hai loại hình ảnh y khoa: Mô hình CB-Res18-G thể hiện sự ổn định và hiệu quả trên cả dữ liệu siêu âm và X-quang, cho thấy tính ứng dụng rộng rãi trong thực tế lâm sàng.

4. Đường cong ROC của mô hình kết hợp vượt trội: Biểu đồ ROC cho thấy diện tích dưới đường cong (AUC) của mô hình CB-Res18-G đạt trên 0.95, so với khoảng 0.88 của mô hình CNN, minh chứng cho khả năng phân loại chính xác hơn.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu suất là do mô hình kết hợp tận dụng được các đặc trưng không gian cục bộ từ CNN và mối quan hệ cấu trúc giữa các đặc trưng đó qua GNN. Việc xây dựng ma trận kề dựa trên thuật toán KNN giúp mô hình học được các mối liên hệ phức tạp giữa các vùng đặc trưng trên ảnh y khoa, từ đó tăng khả năng phân biệt các tổn thương đặc trưng của COVID-19. So với các nghiên cứu trước đây chỉ sử dụng CNN hoặc các mô hình học sâu truyền thống, kết quả này cho thấy sự ưu việt của việc tích hợp mạng nơ ron đồ thị. Ý nghĩa của kết quả không chỉ dừng lại ở việc nâng cao độ chính xác mà còn góp phần giảm thiểu thời gian chẩn đoán và hạn chế sai sót, từ đó hỗ trợ bác sĩ trong việc ra quyết định điều trị kịp thời. Dữ liệu có thể được trình bày qua các bảng ma trận nhầm lẫn, biểu đồ ROC và biểu đồ mất mát trong quá trình huấn luyện để minh họa rõ ràng hiệu quả của mô hình.

Đề xuất và khuyến nghị

1. Triển khai mô hình CB-Res18-G trong hệ thống chẩn đoán hình ảnh y khoa: Đề xuất áp dụng mô hình kết hợp vào các bệnh viện và phòng khám để hỗ trợ phân loại hình ảnh siêu âm và X-quang phổi, nhằm nâng cao độ chính xác chẩn đoán COVID-19 trong vòng 6 tháng tới.

2. Tăng cường đào tạo và cập nhật dữ liệu: Khuyến nghị các đơn vị y tế thường xuyên cập nhật dữ liệu hình ảnh mới và đào tạo nhân viên kỹ thuật để đảm bảo mô hình được huấn luyện trên dữ liệu đa dạng, cải thiện khả năng tổng quát hóa.

3. Phát triển giao diện người dùng thân thiện: Đề xuất xây dựng phần mềm tích hợp mô hình với giao diện trực quan, giúp bác sĩ dễ dàng sử dụng và giải thích kết quả, dự kiến hoàn thành trong 12 tháng.

4. Mở rộng nghiên cứu ứng dụng cho các loại bệnh khác: Khuyến khích nghiên cứu tiếp tục áp dụng mô hình kết hợp CNN-GNN cho các loại hình ảnh y khoa khác như MRI, CT scan nhằm đa dạng hóa ứng dụng và nâng cao hiệu quả chẩn đoán.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu trong lĩnh vực học máy và trí tuệ nhân tạo: Luận văn cung cấp phương pháp kết hợp CNN và GNN trong phân loại ảnh y khoa, giúp mở rộng kiến thức và ứng dụng trong các bài toán học sâu phức tạp.

2. Bác sĩ và chuyên gia y tế chuyên về chẩn đoán hình ảnh: Nghiên cứu giúp hiểu rõ hơn về các kỹ thuật phân tích hình ảnh hiện đại, hỗ trợ trong việc áp dụng công nghệ mới vào thực tiễn lâm sàng.

3. Sinh viên và học viên cao học ngành Khoa học Máy tính, Công nghệ Thông tin: Tài liệu chi tiết về kiến trúc mạng nơ ron, thuật toán xây dựng đồ thị và phương pháp huấn luyện mô hình, phù hợp cho việc học tập và nghiên cứu.

4. Các nhà phát triển phần mềm y tế: Cung cấp cơ sở để phát triển các ứng dụng hỗ trợ chẩn đoán dựa trên trí tuệ nhân tạo, giúp nâng cao chất lượng dịch vụ y tế.

Câu hỏi thường gặp

1. Mô hình kết hợp CNN và GNN có ưu điểm gì so với CNN truyền thống?
   Mô hình kết hợp tận dụng khả năng trích xuất đặc trưng mạnh mẽ của CNN và khả năng mô hình hóa mối quan hệ phức tạp giữa các đặc trưng qua GNN, giúp tăng độ chính xác phân loại và khả năng tổng quát hóa trên dữ liệu y khoa đa dạng.

2. Dữ liệu sử dụng trong nghiên cứu có đảm bảo tính đại diện không?
   Dữ liệu bao gồm hàng nghìn ảnh siêu âm và X-quang phổi từ bệnh nhân COVID-19, viêm phổi và người bình thường, được chọn lọc và cân bằng nhằm đảm bảo tính đại diện và giảm thiểu sai lệch trong huấn luyện mô hình.

3. Mô hình có thể áp dụng cho các loại hình ảnh y khoa khác không?
   Có, phương pháp kết hợp CNN và GNN có thể mở rộng ứng dụng cho các loại hình ảnh y khoa khác như MRI, CT scan, giúp nâng cao hiệu quả chẩn đoán trong nhiều lĩnh vực y tế.

4. Thời gian huấn luyện mô hình mất bao lâu?
   Thời gian huấn luyện phụ thuộc vào kích thước dữ liệu và cấu hình phần cứng, trong nghiên cứu này kéo dài khoảng vài tuần với các thiết bị GPU hiện đại, đảm bảo mô hình hội tụ và đạt hiệu suất tối ưu.

5. Làm thế nào để mô hình hỗ trợ giảm thiểu nguy cơ lây nhiễm chéo?
   Bằng cách tự động phân loại hình ảnh y khoa nhanh chóng và chính xác, mô hình giúp giảm thời gian tiếp xúc trực tiếp giữa nhân viên y tế và bệnh nhân, từ đó hạn chế nguy cơ lây nhiễm chéo trong quá trình chẩn đoán.

Kết luận

• Luận văn đã xây dựng thành công mô hình kết hợp mạng nơ ron tích chập ResNet-18 và mạng nơ ron đồ thị, nâng cao hiệu quả phân loại ảnh y khoa trong phát hiện COVID-19.
• Mô hình CB-Res18-G đạt độ chính xác trên 90% trên cả dữ liệu siêu âm và X-quang, vượt trội so với mô hình CNN truyền thống.
• Kết quả nghiên cứu góp phần hỗ trợ chẩn đoán lâm sàng, giảm thiểu sai sót và rút ngắn thời gian xử lý hình ảnh y khoa.
• Đề xuất triển khai ứng dụng mô hình trong thực tế, đồng thời mở rộng nghiên cứu cho các loại hình ảnh y khoa khác.
• Các bước tiếp theo bao gồm phát triển phần mềm tích hợp, đào tạo nhân viên y tế và cập nhật dữ liệu liên tục để nâng cao hiệu quả mô hình.

Hãy áp dụng và phát triển mô hình này để góp phần nâng cao chất lượng chẩn đoán và điều trị bệnh trong thời đại công nghệ số.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TÔNG QUAN Dữ liệu từ các lĩnh vực hóa học, sinh học và khoa học máy tính v. bao gồm dữ liệu có cấu trúc và không có cấu trúc. Để biểu diễn các mối quan hệ cơ bản của dữ liệu, đồ thị được sử dụng rộng rãi. Do đó, GNN được phát triền để xử lý các biểu đồ được xây dựng trên dữ liệu.

Cho một đồ thị G có n đỉnh (hoặc nút), các GNN có thể được biểu diễn dưới dạng các hàm đã học ánh xạ G và n tới các vectơ số thực: f(G,n)EKm (1) trong đó m là số chiều của không gian Euclide. Có nhiều công trình thành công về xây dựng đồ thị ứng dụng trong các lĩnh vực [2], [3]. Chứng chỉ văn bản tích hợp [4] đã đạt được hiệu suất tốt hơn so với các kỹ thuật phân loại văn bản hiện đại. Ngoài ra còn có các công trình thành công của GCN về phân tích hình ảnh y tế.

Đe giải quyết những gì còn lại của công việc phân loại ung thư đại trực tràng dựa trên mảnh ghép, Yanning et el. cái gọi là đầu ra CGC-Net lấy các hạt nhân trong hình ảnh mô học dưới dạng các nút trong khi các tế bào tương tác được ánh xạ dưới dạng các mặt phẳng bên [5]. Một GCN khác để phân loại tế bào cổ tử cung đã được phát triển trong [6]. Phân cụm K-means được áp dụng cho các tính năng được CNN trích xuất để thu hút sự quan tâm, dựa trên từng nút được mô tả bởi người quan tâm nhất.

Giá trị trong ma trận kề được đặt thành 1 khi hai nút được tìm thấy là hàng xóm của khoảng cách Euclide. Khi tình hình toàn cầu đang trở nên tồi tệ hơn do COVID-19, các chuyên gia đã làm việc cùng nhau đề giải quyết vấn đề toàn cầu. Để tạo điều kiện thuận lợi cho việc phát hiện COVID-19, các nhà nghiên cứu từ cả lĩnh vực lâm sàng [7] và lĩnh vực khoa học máy tính [8], [9], [10] đã đóng góp những nỗ lực quý báu của họ. Đục hai bên và đông đạc nhu mô phổi là những phát hiện điển hình trên CT, hoặc sự hiện diện của nhiều vạch B, đặc trưng của siêu âm phổi có thể được sử dụng để chẩn đoán COVID- 19.

Các đặc trưng này được tìm thấy bởi Wang et al [11]. Họ phát hiện rằng các tổn thương nhiều thùy có ở hầu hết các bệnh nhân trong khi các tổn thương như vậy thường ở ngoại vi và trung tâm hơn. Bóng loang lổ, độ mờ và thay đổi đông máu đã 7 được chứng minh ở bệnh nhân. Kết luận tương tự đã được tìm thấy bởi Zhao et al [12].

Như họ đã chỉ ra, hình ảnh CT ngực của bệnh nhân bị nhiễm COVID-19 được đặc trưng rõ ràng bởi độ mờ hai bên của phổi. Tuy nhiên, các tổn thương tiến triển là các khối đặc không có tổn thương di trú. Trong cộng đồng khoa học máy tính, cũng có nhiều công việc nhằm cung cấp các kết quả chẩn đoán dựa trên hình ảnh đáng tin cậy. Nguồn cấp dữ liệu mô hình học sâu có tên (COVID-Net) với hình ảnh X-quang đã được đề xuất để phát hiện nhiễm trùng COVID-19.

Qian-Yi Peng và cộng sự đã tóm tắt bảng so sánh giữa ảnh siêu âm và hình ảnh CT trên 20 bệnh nhân bị nhiễm COVID-19 (Bảng 1.1) và chỉ ra sự tương đồng trên từng giai đoạn giữa hai phương pháp chẩn đoán hình ảnh [13].1 Đặc trưng của bệnh COVID-19 trên hai loại ảnh y khoa CLVT Phổi Siêu âm phổi Dày màng phổi Đường màng phổi dày, không đều Đám mờ kiểu kính đục Hiện diện đường B(riêng lẻ, hợp ưu, nhiều ổ) Đám mờ thâm nhiễm Nhiêu đườn B hợp lưu lại Đặc phổi dưới màng phổi Diện đặc phổi nhỏ(dưới 1 cm) Đặc phổi liên thùy Diện đặc phổi liên thùy và không liên thùy Hiếm có tràn dịch màng phổi ít gặp tràn dịch màng phổi Nhiều phân thùy bị tác động Nhiều phân thùy bị tác động Tiến triển: giai đoạn sớm và thể nhẹ thì xuất Tiến triển: giai đoạn sớm hiện một vài đường B; trong giai đoạn tiến không có thương tổn hoặc hình triển của hội chứng kẻ phế nang có đặc điểm ảnh không điển hình, sau đó biểu hiện chính là hình ảnh các đường B hợp giai đoạn tiến triển thì xuất hiện lưu, đặc phổi, giai đoạn hồi phục thì các thương tổn rải rác lan tỏa, rồi đường A bắt đầu hiện diện trở lại, đôi khi tiến đến hình thành đặc phổi đường B vẫn còn do di chứng xơ hóa phổi Công trình nghiên cứu tích hợp cơ chế chú ý vào mô hình ResnetlS để phân loại ảnh COVID-19 cũng đã cho kết quả khả quan[20]. Bài báo này [20] chủ yếu tập trung vào cơ chế chú ý trong mạng nơ rơn tích chập. Trong phần đề tài luận văn "Kết hợp 8 mạng nơ ron tích chập và mạng nơ rơn đồ thị trong phân loại ảnh y khoa", nghiên cứu tập trung nhiều hơn vào mạng nơ ron đồ thị để xây dựng một mô hình với sự hợp của hai mô hình học sâu phổ biến là mạng nơ ron tích chập và mạng nơ ron đồ thị trong phân loại bệnh nhân COVID-19 với người bình thường và bệnh nhân viêm phổi do nhiễm khuẩn khác từ dữ liệu hình ảnh siêu âm và X-quang phổi. Các kết quả của luận văn này sẽ hỗ trợ các bác sĩ trong việc đưa ra các chẩn đoán và điều trị bệnh, cải thiện khả năng phát hiện và chẩn đoán sớm COVID-19 trong thời điểm hiện tại và ứng dụng nhiều hơn trong các phương pháp chẩn đoán và phân loại ảnh y khoa trong tương lai.

Luận văn gồm các phần sau: Phần cơ sở lý thuyết bao gồm: Chương 2: Đặc điểm y khoa của ảnh COVID-19 phổi. Chương 3: Kỹ thuật học sâu trong phân loại ảnh. Phần thực nghiệm bao gồm: Chương 4: Mô hình kết hợp CB-Resl8-G. Chương 5: Thực nghiệm và đánh giá kết quả.

Cuối cùng là phần Kết luận và Kiến nghị, tổng hợp các kết quả chính của luận văn và đề xuất hướng nghiên cứu tiếp theo. 9 CHƯƠNG 2 ĐẶC ĐIỂM Y KHOA CỦA ẢNH COVID-19 PHÔI 2.1 Cấu tạo của phổi và cơ chế sinh bệnh 2.1 Cấu tạo của phoi Đơn vị cơ bản của phổi là các tiểu thùy phổi thứ cấp.1 A là hình vẽ cấu tạo một tiểu thùy phổi thứ cấp với trung tâm là trục tiểu phế quản-mạch máu và hình 2.1B là mặt cắt CLVT phân giải cao. Ở phổi người có khoảng 5000 tiểu thùy phổi thứ cấp, mỗi tiểu thùy phổi thứ cấp có đường kính đáy nằm trong khoảng từ 1 cm đến 2 cm. Các tiểu thùy phổi thứ cấp ngăn cách nhau bởi các vách liên tiểu thùy rất mỏng vào khoảng 0,1 mm.

Trung tâm của các tiểu thùy phổi thứ cấp bao gồm các tiểu phế quản hô hấp, các tiểu động mạch phổi và các tổ chức kẽ quanh phế huyết quản. Sau cùng của các tiểu phế quản hô hấp là chùm phế nang. Phế nang có kích thước dao động từ 200 Ịim đến 500 pm. Nếu như trục tiểu phế quản- động mạch ở trung tâm tiểu thùy phổi thứ cấp thì các tiểu tm phổi và bạch mạch định vị trên các vách của tiểu thùy phổi thứ cấp, tĩnh mạch phổi dẫn lưu máu chứa oxy sau khi sự trao đổi O2-CO2 diễn ra trên thành của phế nang thông qua hệ thống mao mạch phong phú bao quanh phế nang.

Mô kẽ là tổ chức liên kết nâng đỡ quanh trục phế quản-mạch máu, vách liên tiểu thùy, mô dưới màng phổi và mô quanh thành phế nang. 10 Noíỉrai Sitondwy Lobular Anatomy Hình 2.1 Cấu tạo của phổi người [15].2 Cơ chế sình bệnh trên ph ổi gây ra bởi vi rút SARS-CoV-2 Vi rút SARS-CoV-2 có kích thước nhỏ khoảng 120nm, sau khi theo hệ thống đường thở thì vào đến các phế nang, chúng xâm nhập vào tế bào biểu mô lót trên thành của phế nang, gây ra loạt biến đổi qua cơ chế đảp ứng miễn dịch của cơ thể trước sự hiện diện của vi rút (hình 2.2A), cũng chính điều này giải thích thương tổn thường gặp ở nhu mô phổi vùng ngoại vi. Sau khi hệ miễn dịch của cơ thể được kích hoạt trước sự hiện diện của vi rút, hàng loạt các chất hoạt hoátế bào (các Interferon a, 0, Y, các Interleukin 6, 12, 18.) cũng như các hóahưóng động tế bào (chemokin) như CXCL 8, 9, 10, CCL 2, 3, 5.được phóng thích, khởi phát phản ứng viêm tại phế nang và mô kẽ xung quanh. Hậu quả là thể tích chứa khí của phế nang thu nhỏ lại thậm chí là không còn nữa, do lòng phế nang thay vì chỉ chứa khí thì nay có thêm sự hiện diện của dịch viêm, tế bào viêm, các thành phần củ a máu.

Bên cạnh đó, khả năng trư ong giãn của phế nang cũng giảm do tế bào biểu mô lót thành phế nang chịu trách nhiệm sản xuất chất surfactan bị thưong tổn (hình 2. về phía mô kẽ bên ngoài phế nang cũng chịu tác động của phản ứng viêm: mô kẽ dày lên vì phù nề do hiện tượng thoát mạch xuất tiết dịch, tế bào, điều này càng làm thu hẹp khoang chứa khí của phế nang. Hai hậu quả này giải 11 thích cho các đặc điểm hình ảnh quan sát được trên cắt lớp vi tính(CLVT), Siêu âm cũng như giải thích cho biểu hiện lâm sàng của người bệnh.2 Cơ chế sinh bệnh của các tốn thương phổi do vi rút SARS-COV-2 [14], Đầu tiên vi rút SARS-COV-2 sẽ xâm nhập vào phế nang theo đường thở (hình 2. Sau đó từ phế nang bình thường với thể tích chứa khí và chất surfactan bề mặt đầy đủ tế bào phế nang bị vi rút xâm nhập gây kích hoạt đáp ứng miễn dịch và cuối cùng thể tích bị thu nhỏ do bị tế bào viêm và dịch (hình 2.2 Đặc điếm ton thương phoi do COVID-19 trên hình ảnh 2.1 COVỈD-19 trên hình ảnh siêu âm Siêu âm là phương pháp chẩn đoán bệnh lý bằng cách sử dụng một đầu dò phát sóng âm tần số cao để ghi lại hình ảnh trực tiếp bên trong cơ thể, sau đó phản xạ lại và thể hiện thông qua hình ảnh y khoa.

Không giống như chụp X-quang, hình ảnh siêu âm sẽ không bị ảnh hưởng bởi bức xạ ion hóa. Hình ảnh siêu âm thực chất được tạo ra dựa trên sự phản xạ của sóng âm khi chạm vào các cơ quan hay nội tạng của cơ thể. Cường độ của sóng âm phản xạ này kết hợp với thời gian tiếp nhận phản xạ sẽ được máy tính xử lý và thể hiện qua các hình ảnh. Siêu âm được biết đến là m ột phương pháp chẩn đoán hình ảnh không xâm lấn, hỗ trợ bác sĩ trong công tác chẩn đoán và điều trị bệnh.