Nghiên cứu, Thiết kế và Thực hiện Cấu trúc Vi Mạch cho Mạng Lưới Thần Kinh Tích Chập Ứng Dụng Chẩn Đoán Ung Thư Vú

• Tác giả: Võ Tấn Phát
• Người hướng dẫn: PGS. Hoàng Trang
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Kỹ Thuật Điện Tử
• Đề tài: Nghiên Cứu, Thiết Kế Và Thực Hiện Cấu Trúc Vi Mạch Cho Mạng Lưới Thần Kinh Tích Chập - Convolutional Neural Network, Ứng Dụng Chẩn Đoán Bệnh Ung Thư Vú
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Tp. Hồ Chí Minh

• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan
• 1.2. Tình hình nghiên cứu
• 2. CHƯƠNG 2: MẠNG THẦN KINH TÍCH CHẬP
• 2.1. Tổng quan mạng thần kinh
• 2.2. Khảo sát các mô hình mạng neuron
• 2.3. Mạng thần kinh tích chập (Convolutional neural network)
• 3. CHƯƠNG 3: THIẾT KẾ VÀ THỰC HIỆN KIẾN TRÚC MẠNG THẦN KINH TÍCH CHẬP
• 3.1. Dữ liệu huấn luyện
• 3.1.1. Phân tích tổng quan bộ dữ liệu
• 3.1.2. Hình ảnh của mô khối minh họa
• 3.1.3. Tăng cường dữ liệu (Data Augmentation)
• 3.1.4. Chia bộ dữ liệu cho các nhiệm vụ huấn luyện và kiểm tra
• 3.2. Thực hiện kiến trúc mô hình mạng thần kinh tích chập
• 3.2.1. Thực thi kiến trúc mạng thần kinh tích chập
• 3.2.2. Thực hiện kiến trúc phần cứng cho mạng thần kinh tích chập
• 3.3. Kiến trúc phần cứng cho mạng thần kinh tích chập
• 4. CHƯƠNG 4: KẾT QUẢ THỰC HIỆN
• 4.1. Các cải tiến và kết quả chi tiết
• 4.1.1. Quy trình huấn luyện mạng
• 4.1.2. Kiến trúc mạng thần kinh tích chập
• 4.1.3. Kết quả thực hiện mô phỏng trên phần cứng
• 5. CHƯƠNG 5: KẾT LUẬN VÀ PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Ung Thư Vú Thách Thức Chẩn Đoán Sớm

Ung thư vú là một căn bệnh nguy hiểm và là loại ung thư phổ biến nhất ở phụ nữ. Theo IARC, năm 2018 có 2.088.849 ca mắc mới, chiếm 11.6% trong tổng số các loại ung thư ở phụ nữ trên toàn thế giới. Tỉ lệ tử vong cũng đáng báo động, với 626.679 ca tử vong trong năm 2018, chiếm 6.6% tổng số ca tử vong do ung thư. Tại Việt Nam, năm 2018, ung thư vú là loại ung thư có tần suất cao nhất ở nữ giới, với xuất độ chuẩn tuổi là 26.4 trên 100.000 dân. Điều này cho thấy tầm quan trọng của việc chẩn đoán sớm ung thư vú. Một điều quan trọng cần nhận thấy là việc phát hiện sớm ung thư vú qua việc tầm soát ở những phụ nữ bình thường, đặc biệt phụ nữ có tiền sử gia đình, có thể thay đổi đáng kể bệnh sử tự nhiên của bệnh, cũng như cải thiện đáng kể tiên lượng bệnh.

1.1. Tình hình nghiên cứu chẩn đoán ung thư vú trên thế giới

Hiện nay, việc sử dụng trí tuệ nhân tạo trong chẩn đoán ung thư vú đang gây ra nhiều tiếng vang lớn nhờ độ chính xác của nó. Tuy nhiên, vẫn còn một số hạn chế và sẽ được khắc phục và trở nên hoàn thiện trong tương lai gần. Trong [6-16], Mạng Nơ-ron Tích Chập (CNN) được sử dụng để phân loại hình ảnh mô bệnh học là lành tính hay ác tính. Tuy nhiên, trong các phương pháp của các tài liệu nghiên cứu được đề cập ở trên, việc lựa chọn triển khai phần cứng cho các kiến trúc CNN ít được chú ý, mặc dù lợi ích của việc triển khai phần cứng mạng CNN đã được chứng minh [17-19] với giai đoạn suy luận do kiến trúc song song và hiệu suất cao trên một đơn vị công suất.

1.2. Vai trò của trí tuệ nhân tạo trong chẩn đoán ung thư vú

Hiện nay có nhiều phương pháp để chẩn đoán bệnh ung thư vú, tuy nhiên ứng dụng trí thông minh nhân tạo để chẩn đoán là một phương pháp giúp tiết kiệm thời gian, chi phí và ít bị xâm lấn hơn. Đóng vai trò như một cơ sở đối chiếu đáng tin cậy giúp các bác sĩ đưa ra quyết định chuẩn xác hơn. Bài viết cũng cho thấy khả năng sử dụng các mạng thần kinh nhận dạng các yếu tố nguy cơ của bệnh ung thư vú, với những cân nhắc thực tế về kích thước mạng thần kinh, cách sử dụng và triển khai hệ thống. Bên cạnh đó, kiến trúc mạng được đề xuất cũng sẽ được tổng hợp và xác nhận sử dụng Altera Quartus như một nỗ lực để đánh giá tính khả thi của hệ thống tiếp cận.

II. Giải Pháp Thiết Kế Vi Mạch Chuyên Dụng Tăng Tốc CNN

Luận văn đề xuất một mô hình có khả năng triển khai phần cứng mạng CNN và khắc phục vấn đề giới hạn tài nguyên phần cứng. Kiến trúc của mô hình được xây dựng với kích thước phù hợp để đáp ứng khả năng triển khai trong phần cứng và nó sẽ đủ linh hoạt để thay đổi một số lớp hoặc cho mục đích đào tạo lại khi có sự thay đổi trong dữ liệu đầu vào. Đồng thời, mô hình được đề xuất sẽ đạt được giá trị AUC (Diện tích dưới đường cong ROC) tổng thể tương đương với kết quả đã được công bố của các bài báo khoa học dùng chung bộ dữ liệu được sử dụng trong luận văn này cho nhiệm vụ phát hiện ung thư vú trên bộ 55505 hình ảnh thử nghiệm.

2.1. Tổng quan về Mạng Nơ ron Tích Chập CNN

Giả định rằng người đọc có vốn kiến thức nhất định về các khái niệm chung của mạng thần kinh, tuy nhiên, một số khái niệm quan trọng vẫn sẽ được trình bày sau đây. Mô hình toán học tiêu chuẩn của một nơ-ron được thể hiện ở hình 1, nơ-ron lấy tổng của các trọng số đã được nhân với đầu vào tương ứng. Đầu ra của nơ-ron là kết quả của một hàm kích hoạt với đầu vào là kết quả của phép tính tổng nói trên.

2.2. Các mô hình Mạng Nơ ron phổ biến hiện nay

Trong một mạng nơ-ron phân mức, các nơ-ron được tổ chức dưới dạng các mức. Với dạng đơn giản nhất của mạng phân mức, chúng ta có một mức đầu vào gồm các nút nguồn chiếu trực tiếp tới mức đầu ra của các nơ-ron. Như vậy, mạng thực sự là không có cấu trúc. Nó được minh họa trong hình 2 cho trường hợp ba nút đối với cả mức đầu ra và đầu vào. Một mạng như vậy được gọi là mạng đơn mức. Đơn mức tức là chỉ có một mức, chính là mức đầu ra gồm các nút tính toán. Chúng ta không tính mức đầu vào của các nút nguồn vì không có tính toán nào được thực hiện ở đó.

2.3. Ứng dụng của CNN trong xử lý ảnh y tế

Thời gian gần đây, Mạng Nơ-ron Tích Chập (CNNs) dần được quan tâm nhiều hơn. Vì CNN có thể xác định mối quan hệ không gian trong dữ liệu và hình ảnh, do đó CNN được chọn như kiến trúc nền tảng để thực hiện đề tài này. Mạng nơ-ron không cần phải có hình thức kết nối từng đầu vào với mỗi nơ-ron. Trong thực tế, tế bào thần kinh có thể thực hiện hầu như bất kỳ hoạt động nào miễn là nó khác biệt. Một kiến trúc mạng thần kinh phổ biến khác là mạng nơ-ron tích chập (CNN), vay mượn tích chập 2d từ các trường như xử lý ảnh. Trong khi bộ lọc trượt, mọi số chồng lấp được nhân lên và sau đấy các ngõ ra được tính tổng để tạo ra pixel ngõ ra cuối cùng.

III. Phương Pháp Tối Ưu Hóa Vi Mạch Cho Ứng Dụng Chẩn Đoán

Để tối ưu hiệu năng và giảm thiểu tiêu thụ năng lượng cho vi mạch chuyên dụng trong ứng dụng chẩn đoán ung thư vú, cần xem xét nhiều yếu tố trong quá trình thiết kế. Việc lựa chọn kiến trúc mạng nơ-ron phù hợp, tối ưu hóa các phép toán số học, và quản lý bộ nhớ hiệu quả là những yếu tố then chốt. Các kỹ thuật như lượng tử hóa, tỉa thưa, và nén mạng cũng có thể được áp dụng để giảm kích thước và độ phức tạp của mô hình, từ đó giảm tiêu thụ năng lượng và tăng tốc độ xử lý.

3.1. Tối ưu hóa năng lượng tiêu thụ của vi mạch

Tiêu thụ năng lượng là một yếu tố quan trọng trong thiết kế vi mạch. Việc giảm thiểu năng lượng tiêu thụ không chỉ kéo dài thời gian hoạt động của thiết bị mà còn giảm thiểu chi phí vận hành và tác động đến môi trường. Các kỹ thuật như dynamic voltage and frequency scaling (DVFS) và power gating có thể được sử dụng để giảm tiêu thụ năng lượng trong quá trình hoạt động.

3.2. Kỹ thuật tăng tốc phần cứng cho CNN

Việc lựa chọn hàm kích hoạt phù hợp là rất quan trọng trong việc xây dựng một mạng nơ-ron hiệu quả. Hàm kích hoạt ReLU (Rectified Linear Unit) đã trở nên phổ biến trong các mạng nơ-ron sâu nhờ khả năng giảm thiểu hiện tượng vanishing gradient và giúp mạng học nhanh hơn. Tuy nhiên, ReLU cũng có một số hạn chế, chẳng hạn như hiện tượng dying ReLU, khi một số nơ-ron bị "chết" và không còn hoạt động. Các biến thể của ReLU, như Leaky ReLU và ELU, đã được đề xuất để giải quyết vấn đề này.

IV. Ứng Dụng Thực Tế Chẩn Đoán Ung Thư Vú Từ Ảnh Y Tế

Việc ứng dụng vi mạch và CNN trong chẩn đoán ung thư vú từ ảnh y tế (như mammography, siêu âm, và MRI) mang lại nhiều tiềm năng. Hệ thống có thể tự động phân tích ảnh và phát hiện các dấu hiệu bất thường, giúp bác sĩ đưa ra chẩn đoán nhanh chóng và chính xác hơn. Độ chính xác của hệ thống phụ thuộc vào chất lượng dữ liệu huấn luyện, kiến trúc mạng, và kỹ thuật tối ưu hóa.

4.1. Phân tích dữ liệu hình ảnh y tế cho chẩn đoán ung thư

Quá trình phân tích dữ liệu hình ảnh y tế bao gồm nhiều bước, từ tiền xử lý ảnh, trích xuất đặc trưng, đến phân loại và chẩn đoán. Các kỹ thuật xử lý ảnh như lọc nhiễu, tăng cường độ tương phản, và phân đoạn có thể giúp cải thiện chất lượng ảnh và làm nổi bật các vùng quan trọng. Các đặc trưng như kích thước, hình dạng, và cấu trúc của khối u có thể được trích xuất và sử dụng để phân loại và chẩn đoán.

4.2. Sử dụng mô hình học sâu để chẩn đoán ung thư vú

Các mô hình học sâu, đặc biệt là CNN, đã chứng minh được hiệu quả trong việc phân tích ảnh y tế và chẩn đoán ung thư vú. Các mô hình này có khả năng tự động học các đặc trưng quan trọng từ dữ liệu, giúp giảm thiểu công sức của con người và cải thiện độ chính xác. Các mô hình CNN có thể được huấn luyện trên các bộ dữ liệu lớn và được tinh chỉnh để phù hợp với các tác vụ cụ thể.

4.3. Độ chính xác và độ tin cậy của hệ thống chẩn đoán

Độ chính xác và độ tin cậy là những yếu tố quan trọng cần xem xét khi đánh giá một hệ thống chẩn đoán ung thư vú. Các chỉ số như độ nhạy (sensitivity), độ đặc hiệu (specificity), và diện tích dưới đường cong ROC (AUC) có thể được sử dụng để đánh giá hiệu suất của hệ thống. Bên cạnh đó, cần đảm bảo rằng hệ thống được kiểm tra và đánh giá một cách kỹ lưỡng trước khi được đưa vào sử dụng trong thực tế.

V. Kết Quả Nghiên Cứu Triển Vọng Vi Mạch AI Chẩn Đoán

Các kết quả nghiên cứu cho thấy việc sử dụng vi mạch chuyên dụng và CNN có thể cải thiện đáng kể hiệu quả và độ chính xác của việc chẩn đoán ung thư vú. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, như việc thu thập và xử lý dữ liệu lớn, phát triển các mô hình hiệu quả, và tối ưu hóa phần cứng. Trong tương lai, có thể kỳ vọng vào sự phát triển của các hệ thống chẩn đoán ung thư vú thông minh, có khả năng cá nhân hóa và cung cấp các giải pháp điều trị tối ưu cho từng bệnh nhân. Nghiên cứu cũng cho thấy các mạng thần kinh giúp nhận dạng các yếu tố nguy cơ của bệnh ung thư vú.

5.1. Cải tiến quy trình huấn luyện mạng CNN

Quy trình huấn luyện mạng có một số cải tiến và kết quả chi tiết. Biểu đồ training mô hình phân loại được đề xuất đầu tiên sử dụng Adam và Adadelta. Đồng thời, biểu đồ training mô hình phân loại được đề xuất thứ hai cũng sử dụng Adam và Adadelta. Trong đó, Adam và Adadelta là thuật toán tối ưu hóa được sử dụng để huấn luyện các mạng nơ-ron sâu.

5.2. Đánh giá kiến trúc mạng CNN

Kiến trúc mạng thần kinh tích chập đề xuất được đánh giá dựa trên đường cong ROC cho các phương thức tiếp cận trong đề tài. Từ đó có thể thấy kiến trúc này có tính ứng dụng cao, hứa hẹn cho những nghiên cứu chuyên sâu hơn. Tuy nhiên, cần có thêm nhiều nghiên cứu đa dạng khác để đưa ra đánh giá toàn diện và chính xác nhất.

VI. Hướng Phát Triển Tương Lai Vi Mạch Nhúng Chẩn Đoán Tại Chỗ

Trong tương lai, hướng phát triển sẽ tập trung vào việc tích hợp vi mạch vào các thiết bị di động và thiết bị nhúng, cho phép thực hiện chẩn đoán ung thư vú tại chỗ (point-of-care). Điều này sẽ giúp giảm thiểu thời gian chờ đợi và chi phí đi lại cho bệnh nhân, đồng thời tăng khả năng tiếp cận dịch vụ y tế cho những người ở vùng sâu vùng xa. Ngoài ra, việc phát triển các thuật toán bảo mật và quyền riêng tư dữ liệu cũng là một yếu tố quan trọng để đảm bảo an toàn thông tin cho bệnh nhân.

6.1. Nghiên cứu vi mạch nhúng cho ứng dụng y tế

Việc tích hợp vi mạch vào các thiết bị nhúng mang lại nhiều lợi ích, như giảm kích thước, tiêu thụ năng lượng, và chi phí. Các vi mạch nhúng có thể được sử dụng để thực hiện các tác vụ xử lý tín hiệu, phân tích dữ liệu, và điều khiển thiết bị. Nghiên cứu trong lĩnh vực này tập trung vào việc phát triển các kiến trúc phần cứng và phần mềm hiệu quả cho các ứng dụng y tế.

6.2. Chẩn đoán ung thư vú tại chỗ Point of Care

Chẩn đoán ung thư vú tại chỗ (point-of-care) là một xu hướng phát triển quan trọng trong lĩnh vực y tế. Các thiết bị chẩn đoán tại chỗ cho phép thực hiện các xét nghiệm và phân tích ngay tại nơi bệnh nhân sinh sống hoặc làm việc, giúp giảm thiểu thời gian chờ đợi và chi phí đi lại. Điều này đặc biệt quan trọng đối với những người ở vùng sâu vùng xa hoặc những người không có điều kiện tiếp cận các dịch vụ y tế chuyên sâu.