MỞ ĐẦU. Lý do chọn đề tài. Mục đích nghiên cứu. Đối tƣợng và phạm vi nghiên cứu.
Phƣơng pháp nghiên cứu. Ý nghĩa khoa học và thực tiễn của đề tài. TỔNG QUAN VỀ PHÁT HIỆN BẤT THƢỜNG TRÊN ẢNH Y KHOA. Giới thiệu về ảnh y khoa.
Cấu trúc ảnh y khoa. Dữ liệu ảnh DICOM. Bài toán phát hiện bất thƣờng trên ảnh y khoa. Phát biểu bài toán.
Ý nghĩa thực tiễn. Một số nghiên cứu liên quan. Một số kỹ thuật xử lý ảnh phát hiện bất thƣờng trên ảnh y khoa. Tiếp cận dựa trên phân đoạn (Image Segmentation).
Tiếp cận dựa trên phân tích đặc trƣng (Feature Extraction). Ứng dụng phát hiện bất thƣờng phổi trong chẩn đoán bệnh. Kết luận chƣơng 1. PHÁT HIỆN BẤT THƢỜNG TRÊN ẢNH X-QUANG PHỔI DỰA VÀO TIẾP CẬN HỌC SÂU.
Trí tuệ nhân tạo trong phát hiện bất thƣờng phổi. Học sâu trong phát hiện bất thƣờng phổi. Cơ sở lý thuyết và một số mô hình học sâu. Cơ sở lý thuyết học sâu.
Một số mô hình học sâu trong phân tích ảnh X-Quang phổi. Phát hiện bất thƣờng phổi trên ảnh X-quang ứng dụng học sâu. Một số độ đo đánh giá kết quả phát hiện vùng bất thƣờng. Kết luận chƣơng 2.
Giới thiệu bài toán. Cài đặt thực nghiệm và kết quả đánh giá. 75 DANH MỤC TÀI LIỆU THAM KHẢO. 77 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN THẠC SĨ (BẢN SAO) e DANH MỤC CÁC CHỮ VIẾT TẮT Chữ tắt Dạng đầy đủ Mô tả CSDL Cơ sở dữ liệu Cơ sở dữ liệu PACS Picture archiving and Hệ thống lƣu trữ hình Communication System ảnh và giao tiếp DICOM Digital Imaging and Tiêu chuẩn ảnh số và Communications in Medicine truyền thông trong y tế CNN Convolutional Neural Mạng nơ-ron tích chập Network YOLO YOU ONLY LOOK ONCE Mô hình YOLO e DANH MỤC CÁC BẢNG, HÌNH ẢNH Bảng 2.1: Một số nghiên cứu sử dụng học sâu cho bài toán bất thƣờng phổi.1: Ví dụ ảnh y khoa .2: Minh họa kết quả sử dụng AI đối với ảnh y khoa .3: Ví dụ ảnh DICOM phổi cùng dữ liệu của bệnh nhân .4: Minh họa đối tƣợng thông tin và dịch vụ của DICOM .5: Sơ đồ cơ bản của bài toán phát hiện bất thƣờng trên ảnh y khoa .6: Dải màu của ảnh xám .7: Phân đoạn đối với ảnh chụp phổi .8: Phân đoạn ảnh phổi bằng các giá trị ngƣỡng khác nhau.9: Phân đoạn phổi dựa trên biên.1: Mối quan hệ của học sâu với các lĩnh vực liên quan .2: Mô hình mô tả một mạng nơ-ron sâu nhiều tầng .3: Mảng ma trận RGB của ảnh .4: Mô hình mạng CNN.5: Ma trận ảnh nhân ma trận bộ lọc .6: Ma trận đầu ra .7: Một số bộ lọc phổ biến.8: Hoạt động của lớp ReLU .9: Mô hình làm việc của Max Pooling .10: Kiến trúc mạng CNN hoàn chỉnh .11: Ý tƣởng các bƣớc của YOLO .12: Sơ đồ kiến trúc mạng YOLO .13: Kiến trúc của một output của mô hình YOLO .14: Các bản đồ đặc trƣng của mạng YOLO .15: Xác định hộp neo cho một đối tƣợng vật thể .16: Minh họa dự đoán bouding box .17: Ví dụ Non-max suppression.18: Kiến trúc mạng YOLOv3.19: So sánh hiệu suất của YOLOv4 với các mô hình học sâu state- of-art thời điểm đó (trong đó có YOLOv3) .20: Các phiên bản YOLOV5 .21: Kết quả thử nghiệm và so sánh các phiê bản YOLOv5 .22: Mô hình các bƣớc của bài toán .23: Hình ảnh X-quang ngực đƣợc xử lý trong CNN .24: Kiến trúc mạng YOLO phát hiện bất thƣờng phổi trên ảnh X- quang .1: Sơ đồ mô hình các bƣớc của bài toán .2: Danh sách các bệnh về phổi trong dataset.3: Quy trình của hệ thống xây dựng tập dữ liệu.4: Kết quả tiền xử lý dữ liệu.5: Chỉnh sửa cấu hình mạng (số class) .6: File mô tả dữ liệu train .7: Kết quả train mô hình YOLOv5 .8: Lƣu file weights của mô hình (lƣu sau mỗi epoch) .9: Kết quả xác định và dự đoán bệnh trên ảnh X-quang của YOLOv5 .10: So sánh kết quả YOLOv5 và nhãn thực tế.
Lý do chọn đề tài Những năm gần đây, khoa học công nghệ trong ngành y tế đƣợc quan tâm nghiên cứu và ứng dụng rất nhiều do sự phát triển của khoa học cũng nhƣ nhu cầu bệnh tật ngày càng lớn và đa dạng. Việc chẩn đoán và phát hiện bệnh sớm là cực kỳ quan trọng, giúp quá trình khám chữa bệnh hiệu quả hơn, hạn chế các bƣớc điều trị không cần thiết, có khả năng lành bệnh cao hơn, qua đó tiết kiệm cho bệnh nhân. Một trong những kênh thông tin quan trọng hỗ trợ chẩn đoán và điều trị bệnh chính là dựa vào hình ảnh y khoa nhƣ X-Quang, CT, MRI, chụp xạ hình… Để tiến đến việc hỗ trợ chẩn đoán và điều trị bệnh dựa trên hình ảnh y khoa thì có thể phải cần đến rất nhiều thuật toán khác nhau, chẳng hạn nhƣ phân vùng ảnh, phát hiện, nhận dạng tự động các vùng của cơ thể phù hợp và chính xác nhằm có thể phát hiện những bất thƣờng trên các bộ phận của cơ thể. Phát hiện và nhận dạng chính xác vùng ảnh của từng vùng bệnh có thể giúp tính toán và đánh giá chính xác bệnh lý cũng nhƣ khả năng hoạt động của bộ phận đó trong những trƣờng hợp bị tổn thƣơng.
Trong những năm gần đây, khoa học về chẩn đoán hình ảnh trong y tế đã chứng tỏ đƣợc sự cần thiết trong chẩn đoán và điều trị bệnh. Chẩn đoán hình ảnh đã góp phần quan trọng nâng cao tính chính xác, kịp thời và hiệu quả cao trong chẩn đoán và điều trị bệnh. Dựa trên hình ảnh siêu âm hay chụp X- Quang, bác sĩ có thể đo đƣợc tƣơng đối chính xác kích thƣớc các tạng đặc (Phổi, Tim, Gan, Lách, Thận, Tuỵ, .) và phát hiện các khối u bất thƣờng nếu có. Từ hình ảnh X-Quang lồng ngực, bác sĩ có thể xác định cấu trúc, kích thƣớc toàn bộ phổi, chi tiết từng lá phổi và các mạch máu lớn.
Trong sản khoa, siêu âm giúp xác định và theo dõi sự phát triển của thai nhi trong bụng mẹ; Từ hình ảnh y tế DICOM có thể giúp bác sĩ xác định đƣợc các vùng bất e 2 thƣờng hay các khối u nếu có về hình thái, kích thƣớc, khối lƣợng,… ở một số tạng đặc trong cơ thể nhƣ Gan, Dạ dày, Phổi, Não, … Tuy nhiên việc hỗ trợ bác sĩ tính toán và xác định các vùng bất thƣờng một cách tự động trên ảnh CT, MRI vẫn còn nhiều khó khăn do độ tƣơng phản thấp và giá trị cƣờng độ ảnh của các vùng tạng khác nhau là khá tƣơng đồng. Vì vậy, nghiên cứu các phƣơng pháp hay các thuật toán phát hiện hay xác định các bất thƣờng nào đó trong cơ thể một cách tự động thông qua hình ảnh y tế nhằm giúp bác sĩ chấn đoán bệnh nhanh chóng, kịp thời và chính xác là vẫn đề hết cần thiết. Bất chấp những tiến bộ trong y học, cũng nhƣ sự tiến bộ trong các phƣơng pháp điều trị, các bệnh gây ra do các bất thƣờng phổi đƣợc xem là có khả năng gây tử vong cao nhất trên toàn thế giới. Ảnh hƣởng của các bệnh về phổi đối với sức khỏe ngày càng tăng rõ rệt và nhanh chóng bởi sự thay đổi của môi trƣờng, khí hậu, lối sống và các yếu tốt khác.
Theo thống kê từ WHO, tính đến 09/2019, đã có 65 triệu ngƣời đang sống với COPD và 3 triệu ngƣời chết vì COPD hằng năm; ung thƣ phổi là ung thƣ có tỷ lệ tử vong cao nhất với 1.76 triệu ngƣời chết mỗi năm và 91 phần trăm dân số thế giới đang sống trong môi trƣờng không khí ô nhiễm quá mức tiêu chuẩn của WHO [1]. Nguy cơ mắc các bệnh về phổi là rất lớn, đặc biệt là ở các quốc gia đang phát triển và có mức thu nhập trung bình thấp nhƣ Việt Nam, nơi hàng triệu ngƣời vẫn đang đối mặt với khó khăn tài chính và ô nhiễm không khí. Từ đó có thể thấy, phát hiện sớm các bất thƣờng trong phổi từ đó hỗ trợ chẩn đoán và điều trị sớm các bệnh về phổi là vô cùng cấp thiết và quan trọng hơn bao giờ hết. Tại các phòng khám và trung tâm y tế, các bất thƣờng trên phổi thƣờng đƣợc xác định bằng nhiều phƣơng thức hình ảnh nhƣ X- Quang, CT, MRI,….
Do khả năng tiếp cận dễ dàng và chi phí thấp, chụp X- Quang phổi đƣợc sử dụng rộng rãi để chẩn đoán và theo dõi sức khỏe. Tuy nhiên việc đọc và chẩn đoán từ hình ảnh y tế đòi hỏi chuyên viên y tế, bác sĩ e 3 có chuyên môn cao và kinh nghiệm, có thể dẫn đến khác biệt chủ quan, trì hoãn chẩn đoán và điều trị. Các thuật toán xử lý ảnh y tế chuẩn DICOM, các mô hình học máy và học sâu để xác định và phân loại bất thƣờng trên tạng nhƣ phổi là cực kỳ cần thiết và đang rất đƣợc các nhà nghiên cứu trong nƣớc và quốc tế quan tâm. Từ những phân tích nêu trên, tôi chọn đề tài “TIẾP CẬN HỌC SÂU CHO PHÁT HIỆN BẤT THƢỜNG TRONG PHỔI DỰA VÀO DỮ LIỆU HÌNH ẢNH X-QUANG LỒNG NGỰC”.
Mục đích nghiên cứu Mục tiêu của đề tài là nghiên cứu, ứng dụng và phát triển một số thuật toán trong xử lý ảnh X-Quang lồng ngực chuẩn y tế DICOM, nhằm vào các đối tƣợng phổi, từ đó tiếp cận một số mô hình học sâu để phát hiện vùng bất thƣờng. Bắt đầu từ việc tìm hiểu cấu trúc hình ảnh y khoa chụp X-Quang lồng ngực đƣợc sử dụng trong bệnh viện, xây dựng CSDL ảnh X-Quang lồng ngực chuẩn DICOM, từ đó tiến đến nghiên cứu những kỹ thuật xử lý ảnh và thị giác máy tập trung vào đối tƣợng phổi trên ảnh y khoa để làm cơ sở cho việc nghiên cứu một số mô hình học máy hỗ trợ phát hiện các vùng bất thƣờng trên đó. Đối tƣợng và phạm vi nghiên cứu 3.Đối tƣợng nghiên cứu: - Dữ liệu ảnh y khoa X-Quang chuẩn DICOM chụp lồng ngực. - Các dấu hiệu bất thƣờng của phổi trên ảnh y khoa X-Quang lồng ngực.Phạm vi nghiên cứu: Phạm vi nghiên cứu của đề tài này là các thuật toán xử lý ảnh y khoa chuẩn DICOM và ứng dụng mô hình học máy vào phát hiện vùng bất thƣờng e 4 phổi trên ảnh X-Quang lồng ngực.
Phƣơng pháp nghiên cứu Quá trình nghiên cứu đƣợc tiến hành trên cơ sở kết hợp lý thuyết với thực nghiệm. Các vấn đề nghiên cứu cần giải quyết từng bƣớc từ các giải thuật trên lý thuyết đến thực hiện xây dựng chƣơng trình với đầu vào là các dữ liệu hình ảnh y khoa thu nhận đƣợc từ thực tế bệnh viện và từ nguồn internet.