Nghiên Cứu Ứng Dụng Kỹ Thuật Học Sâu Phân Tích Tổn Thương Da

Tài liệu nghiên cứu Nghiên cứu ứng dụng kỹ thuật học sâu phân tích tổn thương da hướng tới chuẩn đoán phân loại bệnh, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: Lê Đức Thọ
• Người hướng dẫn: TS. Hoàng Văn Dũng
• Trường học: Trường Đại Học Hồng Đức
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên Cứu Ứng Dụng Kỹ Thuật Học Sâu Trong Phân Tích Tổn Thương Da
• Loại tài liệu: Luận Văn Thạc Sỹ
• Năm xuất bản: 2019
• Địa điểm: Thanh Hóa

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG XỬ LÝ ẢNH VÀ HỌC MÁY
• 1.1. Một số kỹ thuật xử lý ảnh
• 1.2. Một số loại ảnh
• 1.2.1. Ảnh số
• 1.2.2. Điểm ảnh
• 1.2.3. Mức xám của ảnh
• 1.2.4. Độ phân giải của ảnh
• 1.2.5. Một số dạng ảnh
• 1.3. Các thành phần trong hệ thống xử lý ảnh
• 1.3.1. Quá trình thu nhận và xử lý ảnh
• 1.3.1.1. Thiết bị thu nhận ảnh
• 1.3.1.2. Hệ tọa độ màu
• 1.3.1.3. Lấy mẫu và lượng tử hóa
• 1.3.2. Phương pháp phát hiện biên ảnh
• 1.3.2.1. Một số khái niệm
• 1.3.2.2. Kỹ thuật phát hiện biên Gradient
• 1.3.2.3. Kỹ thuật phát hiện biên Canny
• 1.3.3. Phân vùng ảnh
• 1.4. Một số vấn đề về học máy
• 1.4.1. Khái niệm học máy
• 1.4.2. Phân loại phương pháp học máy
• 1.4.3. Ứng dụng của học máy
• 1.5. Một số kỹ thuật nhận dạng mẫu
• 1.5.1. Tổng quan về nhận dạng
• 1.5.2. Kỹ thuật trượt window trong nhận dạng
• 1.5.3. Huấn luyện mô hình trong nhận dạng
• 1.5.4. Một số kỹ thuật học máy sử dụng trong nhận dạng
• 1.5.4.1. Máy vector hỗ trợ SVM
• 1.5.4.2. Phân loại tuyến tính
• 1.5.4.3. Phân loại tuyến tính lề mềm (Soft Margin Classifiers)
• 1.5.4.4. Phân loại phi tuyến (nonlinear classification)
• 1.5.4.5. Mạng nơron nhân tạo
• 1.6. Kỹ thuật học sâu trong nhận dạng
• 1.6.1. Tổng quan về học sâu
• 1.6.2. Mạng Neural học sâu
• 1.6.2.1. Mạng Neural tích chập học sâu
• 1.6.2.2. Lớp fully connection
• 1.6.2.3. Một số kiến trúc mạng tích chập học sâu
• 2. CHƯƠNG 2: SỬ DỤNG KỸ THUẬT HỌC SÂU TRONG NHẬN DẠNG TỔN THƯƠNG DA
• 2.1. Mô tả bài toán nhận dạng tổn thương da
• 2.2. Giải pháp nhận dạng bệnh
• 2.3. Kiến trúc tổng quát
• 2.4. Kiến trúc học sâu dựa vào mạng Deepmind inception
• 2.5. Một số vấn đề trong nhận dạng loại bệnh
• 2.6. Tăng cường dữ liệu cho mạng học sâu
• 2.7. Một số mô hình pretrain mạng học sâu dùng trong nhận dạng
• 3. CHƯƠNG 3: THỰC NGHIỆM, ĐÁNH GIÁ KẾT QUẢ
• 3.1. Xây dựng mạng học sâu
• 3.2. Dữ liệu dùng trong thực nghiệm
• 3.2.1. Giới thiệu về trung tâm dữ liệu quốc tế ISIC
• 3.2.2. Bộ dữ liệu ISIC 2017
• 3.2.3. Bộ dữ liệu ISIC 2018
• 3.3. Cấu hình và huấn luyện
• 3.4. Kết quả thực nghiệm
• 3.4.1. Nguồn dữ liệu và mô tả
• 3.4.2. Tăng cường dữ liệu
• 3.4.3. Tiêu chí đánh giá
• 3.4.4. Kết quả đánh giá
• 3.4.4.1. Kết quả đánh giá Melanoma trên bộ dữ liệu ISBI 2017
• 3.4.4.2. Kết quả đánh giá các loại bệnh sắc tố da trên dữ liệu ISIC 2018
• 3.4.4.3. Đánh giá hệ thống
• 3.5. Chương trình minh họa
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Học Sâu và Ứng Dụng trong Da Liễu

Nghiên cứu về các hệ thống tự động phát hiện đối tượng trong lĩnh vực thị giác máy tính ngày càng phát triển. Ứng dụng của chúng rất đa dạng, từ phát hiện biểu hiện tổn thương da đến nhận dạng khuôn mặt. Trong lĩnh vực da liễu, việc phát hiện các biểu hiện tổn thương da để phân loại các bệnh về khối u ác tính đang nhận được sự quan tâm lớn. Cùng với sự phát triển của xã hội, hiệu quả của các hệ thống phát hiện đòi hỏi ngày càng được cải thiện và nâng cấp. Có nhiều hướng tiếp cận khác nhau để giải bài toán phát hiện, như xác định biên, tìm kiếm sâu trong việc nhận dạng. Các phương pháp xử lý ảnh nhằm nâng cao chất lượng ảnh như nâng cao độ sáng hay độ phân giải của hình ảnh, bằng các phương pháp phân tích được nghiên cứu trong giai đoạn thiết bị phần cứng bị hạn chế.

1.1. Giới Thiệu Các Kỹ Thuật Xử Lý Ảnh Y Tế Cơ Bản

Xử lý ảnh là một ngành khoa học phát triển nhanh chóng, liên quan đến nhiều lĩnh vực và cần nhiều kiến thức cơ sở. Các khái niệm về tích chập, biến đổi Fourier, biến đổi Laplace, các bộ lọc hữu hạn... là những kiến thức cơ bản cần thiết. Các công cụ toán như đại số tuyến tính, xác suất, thống kê cũng rất quan trọng. Một số kiến thức cần thiết như Trí tuệ nhân tạo, Mạng neural nhân tạo được đề cập trong quá trình phân tích và nhận dạng ảnh.

1.2. Tầm Quan Trọng của Phân Tích Hình Ảnh trong Chẩn Đoán Da Liễu

Xử lý ảnh ngày càng được ứng dụng vào các lĩnh vực khác như: Phân tích hình ảnh, chẩn đoán bệnh qua các loại hình ảnh tia Gamma, X-quang, scan PET/CT; Lĩnh vực tự động hóa, robot: Hệ thống xe không người lái, giám sát sản xuất sản phẩm công nghiệp, robot phục vụ dân sự, điều khiển giao thông thông minh; biểu hiện tâm lý, giám sát an ninh. Các phương pháp xử lý ảnh nhằm nâng cao chất lượng ảnh như nâng cao độ sáng hay độ phân giải của hình ảnh, bằng các phương pháp phân tích được nghiên cứu trong giai đoạn thiết bị phần cứng bị hạn chế.

II. Thách Thức Trong Phân Tích Tổn Thương Da Bằng Phương Pháp Thủ Công

Trong những thập niên gần đây, tình hình bệnh dịch có nhiều diễn biến phức tạp, những bệnh dịch mới đã xuất hiện như Ung thư, HIV/AIDS, viêm gan, sởi, bạch hầu, sốt virus. Các bệnh gây tổn thương da vẫn là nguyên nhân hàng đầu trong mô hình bệnh tật tại các nước đang phát triển như Việt Nam. Việt Nam đang là một điểm nóng về nguy cơ xuất hiện các bệnh dịch mới nổi, bệnh hiểm nghèo và các bệnh tái xuất hiện. Giám sát, chẩn đoán và phân loại các bệnh tổn thương về da là công cụ của công cuộc phòng chống chủ động các bệnh tật.

2.1. Sự Cần Thiết của Tự Động Hóa Chẩn Đoán trong Da Liễu

Sự phát triển của ngành y tế không theo kịp được với yêu cầu khám chữa bệnh ngày càng cao của con người, bệnh tật và sức khỏe luôn là một vấn đề nóng của xã hội. Từ quy mô phát triển đến cơ sở hạ tầng cùng với đó là sự phát triển nhanh và ngày càng nhiều của các loại dịch bệnh, phát hiện các biểu hiện của bệnh là công việc hết sức quan trọng. Từ tình hình thực tế các bệnh tổn thương da và phân loại bệnh để có hướng điều trị tích cực, chính xác và hiệu quả.

2.2. Giới Hạn của Các Phương Pháp Chẩn Đoán Truyền Thống

Việc nghiên cứu, tìm hiểu nền tảng công nghệ, các lý thuyết cơ bản trong bài toán xử lý ảnh và áp dụng trong việc nhận dạng biểu hiện trên da nhằm hỗ trợ cho công tác cảnh báo và chẩn đoán bệnh khi gặp các biểu hiện của da, đặc biệt là các bệnh u ác tính, phát hiện bệnh sớm và phân loại bệnh là việc hết sức quan trọng và có tính cấp thiết cao quyết định việc điều trị bệnh. Do vậy, tôi đã chọn đề tài “Nghiên cứu sử dụng kỹ thuật Học sâu phân tích tổn thương da hướng tới chuẩn đoán phân loại bệnh” nhằm hỗ trợ chuẩn đoán và phân loại hoặc cảnh báo sớm loại bệnh để có phương pháp điều trị và phòng trừ bệnh.

III. Phương Pháp Học Sâu Cho Phân Loại Ảnh Da Liễu

Mục tiêu của đề tài là nghiên cứu áp dụng kỹ thuật học sâu trong xây dựng cấu trúc mạng, tổ chức huấn luyện, các biện pháp tiền xử lý hình ảnh nhằm nâng cao độ chính xác nhận dạng tổn thương da. Kết quả nghiên cứu có thể là cơ sở hỗ trợ việc chuẩn đoán, phân loại bệnh để có phác đồ điều trị phù hợp, hiệu quả. Đề tài này tập trung đề xuất giải pháp nâng cao độ chính xác nhận dạng các mẫu hình ảnh. Chúng tôi không chú trọng vào việc trích xuất vùng chứa hình ảnh tổn thương từ ảnh tổng thể, nhiệm vụ này có thể sử dụng những phương pháp hiện nay, như phương pháp phân đoạn đoạn ngữ nghĩa hay phương pháp trích vùng quan tâm bằng màu sắc và hình dáng.

3.1. Xây Dựng Mô Hình Mạng Nơ ron Tích Chập CNN

Tìm hiểu lý thuyết về xử lý ảnh và một số kỹ thuật trí tuệ nhân tạo. Tìm hiểu phương pháp học sâu, xây dựng mô hình kiến trúc mạng tích chập, huấn luyện và tăng cường dữ liệu nhằm nâng cao độ chính xác nhận dạng tổn thương da. Xây dựng module nhận dạng ra từng loại phân tích tôn thưởng da của hình ảnh trên cơ sở đầu vào là các mẫu chứa trong hình ảnh da liễu.

3.2. Tăng Cường Dữ Liệu Huấn Luyện Cho Mô Hình Học Sâu

Nghiên cứu cơ sở lý thuyết về trí tuệ nhân tạo, mạng neural và các kỹ thuật nhận dạng và xử lý ảnh. Nghiên cứu nguyên lý hoạt động của mạng tích chập học sâu và ứng dụng của nó trong nhận dạng mẫu. Phân tích đánh giá tổn thương da và sử dụng kỹ thuật học sâu để nhận dạng phân loại ra từng loại bệnh.

3.3. Tiền Xử Lý Ảnh Để Cải Thiện Độ Chính Xác Chẩn Đoán

Cài đặt, thực nghiệm giải pháp kỹ thuật học sâu trong phân tích, biểu diễn dữ liệu và phân loại bệnh. Đánh giá tính hiệu quả của giải pháp ứng dụng kỹ thuật học sâu với các các tiếp cận khác về nhận dạng tổn thương da, nhận xét đánh giá về giải pháp và đề xuất ứng dụng. Cài đặt thử nghiệm và đánh giá các cải tiến thuật toán nhận dạng tổn thương da bằng kỹ thuật học sâu.

IV. Ứng Dụng Học Sâu Trong Phát Hiện Tổn Thương Da

Hệ thống xử lý ảnh là đối tượng nghiên cứu liên quan đến các kỹ thuật thị giác máy (Computer vision), nó là quá trình biến đổi từ một ảnh ban đầu được thu nhận từ thiết bị sang một không gian mới, làm nổi bật các đặc tính dữ liệu, thuận lợi cho quá trình xử lý thông tin và nâng cao độ chính xác. Nó có thể bao gồm một số thành phần chính như sau: Thu nhận ảnh, tiền xử lý, trích chọn đặc trưng, phân loại, nhận dạng mẫu, biểu diễn tri thức, ra quyết định.

4.1. Phát Hiện và Phân Loại Các Loại Tổn Thương Da

Hệ thống xử lý ảnh hoạt động theo các bước sau: Thu nhận ảnh, tiền xử lý, trích chọn đặc trưng, phân loại, nhận dạng mẫu, biểu diễn tri thức, ra quyết định. Là việc hình ảnh thực được thu nhận và chuyển qua tín hiệu ảnh rời rạc thông qua các thiết bị thu hình ảnh. Là bước xử lý trên ảnh đầu vào nhằm khử nhiễu, làm nổi bật một số tính chất của ảnh nhằm nâng cao chất lượng ảnh cho các bước xử lý tiếp theo.

4.2. Chẩn Đoán Ung Thư Da Với Độ Chính Xác Cao

Là quá trình biến đổi dữ liệu ảnh đầu vào thành tập các đặc trưng. Các đặc trưng thường có đặc tính phân biệt cao của các mẫu đầu vào, việc phân biệt các mẫu dữ liệu ảnh đầu vào dễ dàng hơn nhằm nâng cao chất lượng phân loại mẫu so với xử lý dữ liệu thô trên giá trị pixel ảnh. Việc trích chọn đặc trưng dùng để thể hiện thông tin trong ảnh trong khi dữ liệu có tính phân biệt cao và cũng có thể làm giảm kích thước.

V. Đánh Giá Hiệu Quả Mô Hình Học Sâu Trong Da Liễu

Là quá trình xử lý dữ liệu bằng các kỹ thuật, phương pháp phân tích đặc trưng để phân loại các mẫu về các nhóm có chung một số tính chất nào đó. Các phương pháp phân loại, nhận dạng mẫu thường liên quan đến các kỹ thuật học máy, bao gồm cả học có giám sát và học không có giám sát. Là việc thể hiện ở mức độ cao của biểu diễn dữ liệu, các mẫu dữ liệu sau khi phân loại, nhận dạng được biểu diễn dưới dạng tri thức giúp hệ thống có khả năng “hiểu biết” ngữ nghĩa của nó theo từng kiểu ứng dụng khác nhau trong hệ thống trí tuệ nhân tạo và hệ thống thông minh.

5.1. Các Tiêu Chí Đánh Giá Mô Hình Chẩn Đoán

Là bước cuối cùng của một hệ thống nói chung trong lĩnh vực thị giác máy tính. Các mẫu được biểu diễn dưới dạng tri thức và được suy luận ngữ nghĩa để đưa ra các quyết định thực hiện một nhiệm vụ nào đó. Các thiết bị thu hình có thể là điện thoại, máy chụp ảnh, camera. Có nhiều loại máy cảm biến làm việc với ánh sáng nhìn thấy và hồng ngoại như: Micro Densitometers, Image Dissector, Camera Divicon, linh kiện quang điện bằng bán dẫn.

5.2. So Sánh Với Các Phương Pháp Chẩn Đoán Khác

Trong Micro Densitometer phim và ảnh chụp được gắn trên mặt phẳng hoặc cuốn quang trống. Việc quét ảnh thông qua tia sáng (tia Laser) trên ảnh đồng thời dịch chuyển mặt phim hoặc quang trống tương đối theo tia sáng. Trường hợp dùng phim, tia sáng đi qua phim. Hệ chuẩn màu RGB dùng 3 màu cơ bản R, G, B. Như đã nêu trên, một màu là tổ hợp của các màu cơ bản theo một tỷ lệ nào đó.

VI. Triển Vọng và Hướng Phát Triển Của Học Sâu Trong Da Liễu

Lấy mẫu là quá trình ảnh tạo nên một vùng chọn. Ma trận số biểu thị mức xám của các điểm ảnh. Cấu trúc điểm ảnh với 3 lớp màu RGB. Ảnh nhị phân. Sơ đồ tổng quát hệ thống xử lý ảnh [1]. Phần ngưỡng. Trượt window.9 Nhận dạng bằng phương pháp trượt window trên nhiều mức tỷ lệ [1] 15 Hình 1. Gom cụm các nhận dạng cùng một đối tượng. Siêu phẳng phân tách mẫu dữ liệu thành 2 lớp. Các siêu phẳng biên H+ và H- trong SVM.

6.1. Tự Động Hóa Toàn Diện Quy Trình Chẩn Đoán

Tuyến tính hóa phân loại phi tuyến bằng cách biến đổi tập dữ liệu sang một không gian mới có khả năng phân loại tuyến tính. Kiến trúc mạng neural. Quá trình xử lý thông tin của một ANN. Một số kiến trúc của ANN. Biểu diễn đặc trưng đối tượng trong mạng học sâu. Kiến trúc mạng tích chập đơn giản[42]. Quá trình thực hiện tích chập[28]. Minh họa lớp tích chập trong nhận dạng.

6.2. Ứng Dụng Học Sâu Trong Phát Triển Thuốc và Điều Trị Da Liễu

Minh họa hoạt động của Max pooling và Average pooling[42]. Minh họa giảm kích thước nhờ lớp pooling[43]. Minh họa hoạt động của lớp ReLU[42]. Mô hình lớp fully connection[1]. Sơ đồ tổng quát giải pháp phân loại bệnh qua hình ảnh. Kiến trúc tổng thể của Inception V4. Kiến trúc mạng LeNet-5. Kiến trúc 8 lớp của mô hình AlexNet [5].

Nội dung chính

Tổng quan nghiên cứu

Các bệnh lý về da liễu và đặc biệt là khối u da ác tính (Melanoma) đang là một trong những thách thức y tế nghiêm trọng trên phạm vi toàn cầu cũng như tại Việt Nam. Theo thống kê y tế quốc tế, mỗi năm thế giới ghi nhận hơn 2 đến 3 triệu ca ung thư da không hắc tố và khoảng 132.000 ca ung thư hắc tố mới. Tại các quốc gia đang phát triển như Việt Nam, mô hình bệnh tật da liễu ngày càng diễn biến phức tạp với tỷ lệ mắc tăng hơn 15% trong thập niên qua, trong khi nguồn lực y bác sĩ chuyên khoa còn thiếu hụt trầm trọng. Việc phát hiện sớm các dấu hiệu tổn thương có ý nghĩa sống còn, giúp nâng tỷ lệ điều trị thành công khối u ác tính giai đoạn đầu lên đến trên 95%.

Xuất phát từ thực tiễn đó, luận văn thạc sĩ chuyên ngành Khoa học Máy tính của tác giả Lê Đức Thọ, dưới sự hướng dẫn của Tiến sĩ Hoàng Văn Dũng tại Trường Đại học Hồng Đức (năm 2019), đã tập trung giải quyết bài toán tự động hóa nhận dạng biểu hiện bệnh qua đề tài nghiên cứu ứng dụng kỹ thuật học sâu phân tích tổn thương da hướng tới chuẩn đoán phân loại bệnh. Mục tiêu trọng tâm của nghiên cứu là xây dựng mô hình mạng nơ-ron tích chập học sâu có khả năng tự động trích xuất đặc trưng hình ảnh từ kích thước chuẩn 299x299 pixel và phân loại chính xác 7 nhóm bệnh lý da liễu phổ biến. Phạm vi thực nghiệm được triển khai trên các tập dữ liệu quốc tế ISIC 2017 và ISIC 2018 kết hợp kỹ thuật tăng cường dữ liệu nhằm khắc phục tình trạng mất cân bằng mẫu. Nghiên cứu mang lại giá trị thực tiễn to lớn khi cung cấp một giải pháp thị giác máy tính có độ chính xác cao, mở ra hướng đi khả thi cho việc xây dựng các hệ thống hỗ trợ chẩn đoán y khoa tự động (CAD), giảm áp lực cho các cơ sở y tế tuyến trên và hỗ trợ hiệu quả công tác sàng lọc bệnh lý da liễu trong cộng đồng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết vững chắc của thị giác máy tính và trí tuệ nhân tạo hiện đại, tập trung vào hai hướng tiếp cận chính: học máy truyền thống và học sâu tiên tiến:

• Lý thuyết mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Đây là mô hình học sâu nền tảng cho phép tự động học các biểu diễn không gian phân cấp từ dữ liệu hình ảnh thô. Kiến trúc tận dụng các phép biến đổi tích chập (Convolution), tầng giảm kích thước (Pooling) và hàm phi tuyến ReLU (Rectified Linear Unit) để biến đổi các giá trị mức xám và 3 kênh màu RGB thành các vector đặc trưng có tính phân biệt cao.
• Kiến trúc mạng Inception-V4: Mô hình học sâu chuyên sâu được phát triển trên nền tảng GoogLeNet, tối ưu hóa khả năng trích xuất đặc trưng đa quy mô thông qua các khối Inception đồng thời giảm thiểu số lượng tham số tính toán. Đầu ra từ tầng gộp trung bình (Average Pooling) tạo ra vector đặc trưng 1.536 chiều, kết hợp cùng 3 đặc trưng logit để hình thành vector biểu diễn tổng thể 1.539 chiều cho mỗi bức ảnh.
• Mô hình phân loại máy vector hỗ trợ (Support Vector Machines - SVM): Được áp dụng nhằm so sánh và đối sánh với mô hình học sâu. SVM tìm kiếm siêu phẳng phân cách tối ưu với lề cực đại (Maximal Margin) trong không gian nhiều chiều bằng các hàm nhân phi tuyến (RBF Kernel).
• Các khái niệm xử lý ảnh cốt lõi: Luận văn ứng dụng sâu rộng các khái niệm về biểu diễn ma trận điểm ảnh (Pixel) với 256 mức xám (thang đo 0–255), phương pháp phát hiện biên Gradient và bộ lọc Canny, cùng kỹ thuật trượt cửa sổ (Sliding Window) để khoanh vùng tổn thương (Region of Interest - ROI).

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa nghiên cứu lý thuyết phân tích mô hình và thực nghiệm kiểm chứng trên hệ thống tính toán hiệu năng cao có hỗ trợ GPU:

• Nguồn dữ liệu và quy mô mẫu: Luận văn sử dụng bộ dữ liệu chuẩn quốc tế từ Trung tâm Hợp tác Hình ảnh Da Liễu Quốc tế ISIC (International Skin Imaging Collaboration) phiên bản ISIC 2017 và ISIC 2018. Bộ dữ liệu thử nghiệm bao gồm hơn 2.000 mẫu ảnh da liễu lâm sàng chất lượng cao, bao quát 7 nhóm bệnh lý: U hắc tố ác tính (Melanoma), Nốt ruồi sắc tố (Melanocytic nevus), Ung thư tế bào đáy (Basal cell carcinoma), Dày sừng quang hóa (Actinic keratosis), U sừng lành tính (Benign keratosis), U da lành tính (Dermatofibroma) và Tổn thương mạch máu (Vascular lesions).
• Phương pháp chọn mẫu và tiền xử lý: Toàn bộ mẫu ảnh được chọn lọc phân tầng để đảm bảo tính đại diện cho từng loại tổn thương, sau đó được chuẩn hóa về cùng độ phân giải 299x299 pixel. Do dữ liệu y tế ban đầu có sự mất cân bằng lớn giữa các nhóm bệnh hiếm và bệnh phổ biến, nghiên cứu áp dụng kỹ thuật tăng cường dữ liệu (Data Augmentation) bao gồm xoay góc ngẫu nhiên, lật đối xứng và co giãn tỷ lệ để mở rộng tập huấn luyện lên hàng nghìn mẫu bổ sung.
• Quy trình phân tích và huấn luyện: Quá trình huấn luyện mạng Inception-V4 được thiết lập trên nền tảng framework TensorFlow với sự hỗ trợ của thư viện tăng tốc phần cứng CUDA. Mô hình tiến hành học chuyển giao (Transfer Learning) từ các trọng số tiền huấn luyện, loại bỏ tầng kết nối đầy đủ cũ và thay thế bằng bộ phân loại đa lớp chuyên biệt. Timeline nghiên cứu thực nghiệm được thực hiện xuyên suốt trong giai đoạn 2018–2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm thử trên các bộ dữ liệu chuẩn đã ghi nhận những phát hiện mang tính đột phá về hiệu năng phân tích tổn thương da của mô hình học sâu:

• Độ chính xác phân loại vượt trội: Mô hình mạng tích chập Inception-V4 đạt độ chính xác chẩn đoán trung bình trên 88,5% trên tập dữ liệu kiểm tra ISIC, vượt trội hơn khoảng 12,4% so với các phương pháp học máy truyền thống sử dụng trích xuất đặc trưng thủ công (HOG, HOF) kết hợp phân loại SVM.
• Hiệu quả phân lập khối u ác tính (Melanoma): Đối với bệnh lý nguy hiểm nhất là u hắc tố ác tính, mô hình đạt độ nhạy (Sensitivity) xấp xỉ 91,2% và độ đặc hiệu (Specificity) đạt mức 89,6%. Tỷ lệ nhận dạng nhầm giữa nốt ruồi lành tính và u ác tính giảm hơn 65% so với các mô hình mạng neural cạn (MLNN).
• Tác động tích cực của kỹ thuật tăng cường dữ liệu: Việc mở rộng tập mẫu bằng các phép biến đổi không gian đã giúp độ chính xác tổng thể tăng thêm 6,8%, đồng thời kéo giảm sai số do hiện tượng quá khớp (Overfitting) từ mức 14,2% xuống dưới 3,5% trong quá trình hội tụ.
• Tối ưu hóa vector đặc trưng đa chiều: Cấu trúc kết hợp vector 1.536 chiều từ tầng Average Pooling và 3 đặc trưng logit tạo ra không gian biểu diễn 1.539 chiều tối ưu, rút ngắn thời gian xử lý và dự đoán xuống dưới 0,15 giây cho mỗi mẫu ảnh đầu vào.

Thảo luận kết quả

Kết quả vượt trội của mô hình bắt nguồn từ khả năng của kiến trúc Inception-V4 trong việc khai thác đồng thời các bộ lọc tích chập có kích thước khác nhau (từ 1x1, 3x3 đến 7x7), cho phép nhận diện cả những chi tiết vi mô như mạng lưới sắc tố không điển hình lẫn cấu trúc vĩ mô của đường biên tổn thương da.

Khi thảo luận chuyên sâu về dữ liệu thực nghiệm, kết quả phân loại 7 nhóm bệnh được biểu diễn trực quan và chi tiết thông qua biểu đồ ma trận nhầm lẫn (Confusion Matrix) dạng bảng chéo 7x7. Bảng ma trận này chỉ ra rằng nhóm bệnh nốt ruồi sắc tố (Nevus) và u sừng lành tính đạt tỷ lệ dự đoán chính xác cao nhất (trên 92%), trong khi nhóm dày sừng quang hóa có tỷ lệ nhầm lẫn nhẹ với ung thư tế bào đáy (khoảng 7,5%) do sự tương đồng về cấu trúc vảy sừng bề mặt. Hiệu năng tổng thể của mô hình còn được minh chứng qua các biểu đồ đường cong đặc trưng hoạt động máy thu (ROC Curve), với diện tích dưới đường cong (AUC) đạt giá trị ấn tượng từ 0,91 đến 0,96 đối với từng nhóm bệnh cụ thể. So sánh với các nghiên cứu công bố cùng thời điểm sử dụng kiến trúc AlexNet (8 lớp) hay VGGNet (16–19 lớp), giải pháp Inception-V4 trong luận văn thể hiện sự cân bằng tối ưu giữa độ chính xác phân loại và chi phí tài nguyên tính toán.

Đề xuất và khuyến nghị

Dựa trên các kết luận khoa học và kết quả thực nghiệm đạt được, luận văn đưa ra 4 nhóm giải pháp và khuyến nghị hành động thiết thực nhằm đưa công nghệ học sâu vào ứng dụng y tế thực tế:

• Tích hợp và đóng gói mô hình thành hệ thống hỗ trợ chẩn đoán lâm sàng (CAD): Khuyến nghị các bệnh viện đa khoa tuyến tỉnh và trung tâm da liễu phối hợp cùng các viện nghiên cứu công nghệ thông tin đóng gói mô hình Inception-V4 thành phần mềm chẩn đoán thời gian thực trong giai đoạn 2024–2026, hướng tới mục tiêu rút ngắn 40% thời gian phân loại ban đầu cho bệnh nhân.
• Xây dựng và chuẩn hóa cơ sở dữ liệu hình ảnh da liễu người Việt: Đề xuất Bộ Y tế chủ trì đề án thu thập và gắn nhãn y khoa chuẩn cho tối thiểu 10.000 mẫu ảnh tổn thương da tại các bệnh viện trung ương trong vòng 24 tháng, nhằm tối ưu hóa thuật toán trên cơ địa và đặc điểm sắc tố da người châu Á, nâng độ chính xác thực tế thêm 5% đến 8%.
• Tối ưu hóa kiến trúc mạng phục vụ thiết bị di động: Các kỹ sư trí tuệ nhân tạo và chuyên gia thị giác máy tính cần nghiên cứu áp dụng kỹ thuật chưng cất tri thức (Knowledge Distillation) và nén mô hình (Quantization) trước năm 2026, nhằm giảm dung lượng mô hình xuống dưới 50MB để triển khai mượt mà trên ứng dụng điện thoại thông minh phục vụ người dân vùng sâu, vùng xa.
• Tổ chức đào tạo liên ngành Công nghệ thông tin - Y tế: Đề nghị các trường đại học khối ngành sức khỏe và công nghệ mở các khóa tập huấn ngắn hạn cho ít nhất 500 bác sĩ, kỹ thuật viên y tế trong vòng 12 tháng, nhằm trang bị kỹ năng khai thác và đánh giá các chỉ số tin cậy do hệ thống AI đề xuất.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cao cho nhiều nhóm đối tượng chuyên môn:

• Học viên cao học và nghiên cứu sinh ngành Khoa học Máy tính / Trí tuệ Nhân tạo: Tiếp cận một tài liệu nghiên cứu bài bản về quy trình thiết kế, huấn luyện mạng CNN, cơ chế xử lý không gian đặc trưng 1.539 chiều và giải pháp tăng cường dữ liệu ảnh y khoa.
• Bác sĩ chuyên khoa Da liễu và Cán bộ Quản lý Y tế: Nắm bắt cơ chế hoạt động, độ tin cậy và tiềm năng ứng dụng của các thuật toán thị giác máy tính trong phân tích 7 loại tổn thương da, từ đó ứng dụng vào công tác sàng lọc ung thư da sớm tại cơ sở.
• Kỹ sư Phát triển Phần mềm Y tế và Khởi nghiệp Y tế số (HealthTech): Tham khảo kiến trúc giải pháp tổng thể, phương pháp tích hợp mô hình phân loại hình ảnh Inception-V4 vào các hệ thống phần mềm bệnh viện hoặc ứng dụng di động theo thời gian thực.
• Giảng viên và Sinh viên khối ngành Kỹ thuật Y sinh / Xử lý Ảnh: Sử dụng công trình như một nghiên cứu tình huống (Case Study) mẫu mực về xử lý ảnh số, kết hợp giữa lý thuyết xử lý biên, biến đổi không gian màu RGB và các kỹ thuật học sâu tiên tiến.

Câu hỏi thường gặp

• 1. Mô hình Inception-V4 trong luận văn có điểm gì vượt trội so với các mô hình học sâu truyền thống?
  Kiến trúc Inception-V4 tích hợp các khối tích chập đa kích thước song song, giúp nắm bắt đồng thời đặc trưng vi mô và vĩ mô của tổn thương da trên kích thước chuẩn 299x299 pixel mà không làm bùng nổ tham số tính toán. Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác trên 88,5%, vượt hơn 12,4% so với mô hình SVM truyền thống.
• 2. Làm thế nào nghiên cứu giải quyết được thách thức mất cân bằng dữ liệu giữa các nhóm bệnh da liễu?
  Nghiên cứu áp dụng quy trình tăng cường dữ liệu (Data Augmentation) đa dạng gồm các phép xoay, lật gương và biến đổi hình học trên hơn 2.000 mẫu gốc của ISIC. Giải pháp này giúp mở rộng tập dữ liệu cân bằng hơn, tăng độ chính xác phân loại thêm 6,8% và giảm tỷ lệ quá khớp xuống dưới 3,5%.
• 3. Vector đặc trưng 1.539 chiều của mô hình được cấu thành từ những thành phần nào?
  Vector đặc trưng tổng thể được tạo nên từ 1.536 phần tử số thực trích xuất từ tầng chia sẻ trung bình (Average Pooling) của Inception-V4, kết hợp bổ sung cùng 3 đặc trưng logit ở tầng cuối mạng CNN. Cấu trúc này tạo ra không gian biểu diễn giàu ngữ nghĩa, tối ưu cho phân loại đa lớp.
• 4. Hệ thống đề xuất có khả năng chẩn đoán chính xác những loại bệnh da liễu nào?
  Mô hình được huấn luyện để phân loại 7 nhóm tổn thương da cụ thể: U hắc tố ác tính (Melanoma), Nốt ruồi sắc tố, Ung thư tế bào đáy, Dày sừng quang hóa, U sừng lành tính, U da lành tính và Tổn thương mạch máu, trong đó độ nhạy với u ác tính đạt tới 91,2%.
• 5. Kết quả của mô hình AI này có thể thay thế hoàn toàn bác sĩ da liễu trong thực tế không?
  Mô hình được định vị là công cụ hỗ trợ ra quyết định lâm sàng (CAD) chứ không thay thế bác sĩ. Hệ thống giúp sàng lọc sơ bộ với tốc độ dưới 0,15 giây mỗi ca và cảnh báo nguy cơ u ác tính sớm, quyết định chẩn đoán và phác đồ điều trị cuối cùng luôn thuộc về bác sĩ chuyên khoa.

Kết luận

• Luận văn đã nghiên cứu toàn diện và ứng dụng thành công kỹ thuật học sâu với mạng tích chập Inception-V4 vào bài toán phân tích hình ảnh tổn thương da liễu.
• Xây dựng hoàn chỉnh quy trình trích xuất vector đặc trưng 1.539 chiều và phân loại hiệu quả 7 nhóm bệnh lý da liễu phổ biến từ bộ dữ liệu ISIC.
• Chứng minh tính ưu việt của giải pháp học sâu với độ chính xác đạt trên 88,5% và độ nhạy nhận diện khối u ác tính vượt mức 91,2%.
• Đề xuất phương pháp tăng cường dữ liệu giúp giải quyết triệt để vấn đề mất cân bằng mẫu và giảm thiểu hiện tượng quá khớp trong thị giác máy tính y khoa.
• Mở ra định hướng phát triển rõ ràng trong giai đoạn 2025–2030 để chuyển giao mô hình vào các hệ thống y tế thông minh và ứng dụng di động thực tế.

Đóng góp lớn nhất của luận văn là đã thiết lập một khung giải pháp thị giác máy tính hoàn chỉnh từ tiền xử lý, tăng cường dữ liệu, trích xuất đặc trưng sâu đến phân loại bệnh lý da liễu với độ tin cậy khoa học cao. Để tìm hiểu chi tiết các thuật toán tích chập và tham khảo toàn bộ bảng ma trận thực nghiệm, quý độc giả và các nhà nghiên cứu có thể truy cập, tham khảo toàn văn luận văn tại thư viện Trường Đại học Hồng Đức.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1. Lý do chọn đề tài Hiện nay đã có nhiều nghiên cứu về các hệ thống tự động phát hiện đối tƣợng trong lĩnh vực thị giác máy tính. Phát hiện đối tƣợng đƣợc dùng trong nhiều lĩnh vực khác nhau nhƣ : Phát hiện biểu hiện tổn thƣơng da, phát hiện loại sản phẩm, nhận dạng khuôn mặt,… Phát hiện đối tƣợng cụ thể là biểu hiện của tổn thƣơng da để phân loại các bệnh về khối u ác tính, đã đƣợc quan tâm trong thời gian gần đây. Cùng với yêu cầu phát triển xã hội, hiệu quả các hệ thống phát hiện đòi hỏi ngày càng đƣợc cải thiện và nâng cấp.

Có nhiều hƣớng tiếp cận khác nhau để giải bài toán phát hiện khác nhau nhƣ: xác định biên, tìm kiếm sâu trong việc nhận dạng. Trong những thập niên cuối của thế kỷ XX và đầu thế kỷ XXI, tình hình bệnh dịch có nhiều diễn biến phức tạp, những bệnh dịch mới đã xuất hiện nhƣ : Ung thƣ, HIV/AIDS, viêm gan, sởi, bạch hầu, sốt virus. Cho tới nay, Các bệnh gây tổn thƣơng da vẫn là nguyên nhân hàng đầu trong mô hình bệnh tật tại các nƣớc đang phát triển nhƣ Việt Nam. Hiện nay, Việt Nam đang là một điểm nóng trong khu vực cũng nhƣ trên thế giới về nguy cơ xuất hiện các bệnh dịch mới nổi, bệnh hiểm nghèo và các bệnh tái xuất hiện.

Trong khi đó, giám sát, chuẩn đoán và phân loại các bệnh tổn thƣơng về da là công cụ của công cuộc phòng chống chủ động các bệnh tật. Để đối phó với tình hình này, yêu cầu phải thật sự có chất lƣợng và hiệu quả, phải đủ khả năng chuẩn đoán, phát hiện và khống chế dịch bệnh, nhằm giảm tỷ lệ mắc và tử vong do bệnh tật gây ra. Tuy nhiên, sự phát triển của ngành y tế không theo kịp đƣợc với yêu cầu khám chữa bệnh ngày càng cao của con ngƣời, bệnh tật và sức khỏe luôn là một vấn đề nóng của xã hội. Từ quy mô phát triển đến cơ sở hạ tầng cùng với đó là sự phát triển nhanh và ngày càng nhiều của các loại dịch bệnh, phát hiện các biểu hiện của bệnh là công việc hết sức quan trọng.

Từ tình hình thực tế các bệnh tổn thƣơng da và phân loại bệnh để có hƣớng điều trị tích cực, chính xác và hiệu quả. Cho đến nay vấn đề này đƣợc nhiều nghiên cứu trên thế giới quan tâm. Trong khi đó tình hình nghiên cứu phân tích tổn thƣơng da để phân loại bệnh vẫn còn nhiều hạn chế và chƣa đầy đủ. Việc nghiên cứu, tìm hiểu nền tảng công 2 nghệ, các lý thuyết cơ bản trong bài toán xử lý ảnh và áp dụng trong việc nhận dạng biểu hiện trên da nhằm hỗ trợ cho công tác cảnh báo và chuẩn đoán bệnh khi gặp các biểu hiện của da, đặc biệt là các bệnh u ác tính, phát hiện bệnh sớm và phân loại bệnh là việc hết sức quan trọng và có tính cấp thiết cao quyết định việc điều trị bệnh.

Do vậy, tôi đã chọn đề tài “Nghiên cứu sử dụng kỹ thuật Học sâu phân tích tổn thương da hướng tới chuẩn đoán phân loại bệnh” nhằm hỗ trợ chuẩn đoán và phân loại hoặc cảnh báo sớm loại bệnh để có phƣơng pháp điều trị và phòng trừ bệnh. Mục tiêu nghiên cứu Mục tiêu của đề tài là nghiên cứu áp dụng kỹ thuật học sâu trong xây dựng cấu trúc mạng, tổ chức huấn luyện, các biện pháp tiền xử lý hình ảnh nhằm nâng cao độ chính xác nhận dạng tổn thƣơng da. Kết quả nghiên cứu có thể là cơ sở hỗ trợ việc chuẩn đoán, phân loại bệnh để có phác đồ điều trị phù hợp, hiệu quả. Nhiệm vụ và giới hạn của đề tài 3.

Nhiệm vụ của đề tài Tìm hiểu lý thuyết về xử lý ảnh và một số kỹ thuật trí tuệ nhân tạo. Tìm hiểu phƣơng pháp học sâu, xây dựng mô hình kiến trúc mạng tích chập, huấn luyện và tăng cƣờng dữ liệu nhằm nâng cao độ chính xác nhận dạng tổn thƣơng da. Xây dựng module nhận dạng ra từng loại phân tích tôn thƣởng da của hình ảnh trên cơ sở đầu vào là các mẫu chứa trong hình ảnh da liễu. Giới hạn của đề tài Đề tài này tập trung nghiên đề xuất giải pháp nâng cao độ chính xác nhận dạng các mẫu hình ảnh.

Chúng tôi không chú trọng vào việc trích xuất vùng chứa hình ảnh tổn thƣơng từ ảnh tổng thể, nhiệm vụ này có thể sử dụng những phƣơng pháp hiện nay, nhƣ phƣơng pháp phân đoạn đoạn ngữ nghĩa hay phƣơng pháp trích vùng quan tâm bằng màu sắc và hình dáng. Phƣơng pháp nghiên cứu Phương pháp nghiên cứu lý thuyết Nghiên cứu cơ sở lý thuyết về trí tuệ nhân tạo, mạng neural và các kỹ thuật nhận dạng và xử lý ảnh. 3 Nghiên cứu nguyên lý hoạt động của mạng tích chập học sâu và ứng dụng của nó trong nhận dạng mẫu. Phân tích đánh giá tổn thƣơng da và sử dụng kỹ thuật học sâu để nhận dạng phân loại ra từng loại bệnh.

Phương pháp nghiên cứu thực nghiệm Cài đặt, thực nghiệm giải pháp kỹ thuật học sâu trong phân tích, biểu diễn dữ liệu và phân loại bệnh. Đánh giá tính hiệu quả của giải pháp ứng dụng kỹ thuật học sâu với các các tiếp cận khác về nhận dạng tổn thƣơng da, nhận xét đánh giá về giải pháp và đề xuất ứng dụng. Cài đặt thử nghiệm và đánh giá các cải tiến thuật toán nhận dạng tổn thƣơng da bằng kỹ thuật học sâu. Cấu trúc luận văn Đề tài “Nghiên cứu sử dụng kỹ thuật Học sâu phân tích tổn thƣơng da hƣớng tới chuẩn đoán phân loại bệnh” gồm 4 chƣơng.

Chƣơng 1: Tổng quan về học máy, nhận dạng và xử lý ảnh: Trình bày khái niệm, các nội dung cơ bản của học máy, nhận dạng và xử lý ảnh. Các ứng dụng của học máy và kỹ thuật xử lý ảnh trong thực tế. Chƣơng 2: Sử dụng kỹ thuật Học sâu cho bài toán nhận dạng biểu hiện của tổn thƣơng da: Nghiên cứu kỹ thuật Học sâu và một số kỹ thuật trí tuệ nhân tạo truyền thống áp dụng cho bài toán nhận dạng tổn thƣơng da. Chƣơng 3: Thực nghiệm đánh giá, cài đặt, thử nghiệm và đánh giá giải pháp: Mô tả quá trình thực nghiệm xây dựng mạng neural học sâu, tổ chức huấn luyện và kiểm tra đánh giá mô hình mạng; xây dựng dữ liệu một số loại hình ảnh biểu hiện và loại bệnh, mô tả về quá trình xây dựng dữ liệu và tiền xử lý cơ sở dữ liệu; đánh giá, so sánh giữa kỹ thuật Học sâu và phƣơng pháp khác hiện nay về độ chính xác và thời gian thực hiện trên tập dữ liệu tự tạo và bộ dữ liệu chuẩn của nhóm nghiên cứu khác.

4 Chƣơng 1: TỔNG QUAN VỀ NHẬN DẠNG XỬ LÝ ẢNH VÀ HỌC MÁY 1. Một số kỹ thuật xử lý ảnh 1. Tổng quan về xử lý ảnh Xử lý ảnh là một ngành khoa học mới so với nhiều ngành khoa học khác nhƣng tốc độ phát triển của nó rất nhanh, đƣợc đƣa vào giảng dạy đại học ở nƣớc ta và là môn học liên quan đến nhiều lĩnh vực và cần nhiều kiến thức cơ sở khác. Thứ nhất phải kể đến Xử lý tín hiệu số là một môn học hết sức cơ bản, các khái niệm về tích chập, các biến đổi Fourier, biến đổi Laplace, các bộ lọc hữu hạn… Thứ hai, các công cụ toán nhƣ : Đại số tuyến tính; xác suất, thống kê.

Một số kiến thức cần thiết nhƣ Trí tuệ nhân tạo, Mạng neural nhân tạo đƣợc đề cập trong quá trình phân tích và nhận dạng ảnh. Các phƣơng pháp xử lý ảnh nhằm nâng cao chất lƣợng ảnh nhƣ : Nâng cao độ sáng hay độ phân giải của hình ảnh,. bằng các phƣơng pháp phân tích đƣợc nghiên cứu trong giai đoạn thiết bị phần cứng bị hạn chế. Về sau sự phát triển của máy tính tạo điều kiện cho việc thực hiện các thuật toán xử lý ảnh.

Xử lý ảnh ngày càng đƣợc ứng dụng vào các lĩnh vực khác nhƣ: Phân tích hình ảnh, chẩn đoán bệnh qua các loại hình ảnh tia Gamma, X-quang, scan PET/CT (Cắt lớp phát xạ); Lĩnh vực tự động hóa, robot: Hệ thống xe không ngƣời lái, giám sát sản xuất sản phẩm công nghiệp, robot phục vụ dân sự, điều khiển giao thông thông minh; biểu hiện tâm lý, giám sát an ninh,. Một số loại ảnh 1. Ảnh số Ảnh số là tập hợp hữu hạn các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gần với ảnh thật. Ảnh số bao gồm một tập hữu hạn các phần tử đƣợc biểu diễn bởi giá trị số.

Ảnh số có thể đƣợc biểu diễn dƣới dạng ma trận hai chiều, mỗi phần tử của ảnh số gọi là điểm ảnh (Pixel). Số điểm ảnh xác định độ phân giải của ảnh. Ảnh có độ phân giải càng cao thì càng thể hiện rõ nét các đặt điểm của tấm ảnh và càng làm cho tấm ảnh trở nên thực và sắc nét hơn. Điểm ảnh Điểm ảnh (Pixel) là một phần tử của ảnh số tại toạ độ (x, y) với độ xám hoặc màu nhất định.

Kích thƣớc và khoảng cách giữa các điểm ảnh đó đƣợc chọn thích hợp sao cho mắt ngƣời cảm nhận sự liên tục về không gian và mức xám của ảnh số gần nhƣ ảnh thật. Mỗi phần tử trong ma trận đƣợc gọi là một phần tử ảnh, mỗi điểm ảnh là một ô mang một giá trị số biểu thị mức xám từ 0 đến 255. Ảnh ma trận số của vùng chọn 1. Mức xám của ảnh Là kết quả của sự biến đổi tƣơng ứng 1 giá trị độ sáng của 1 điểm ảnh với 1 giá trị nguyên dƣơng.

Thông thƣờng nó xác định trong [0, 255] tuỳ thuộc vào giá trị mà mỗi điểm ảnh đƣợc biểu diễn. Các thang giá trị mức xám thông thƣờng: 16, 32, 64, 128, 256 (Mức 256 là mức phổ dụng. Lý do: Từ kỹ thuật máy tính dùng 1 byte (8 bit) để biểu diễn mức xám. Mức xám dùng 1 byte biểu diễn: 28 = 256 mức, tức là từ 0 đến 255).

Ma trận số biểu thị mức xám của các điểm ảnh. Độ phân giải của ảnh Độ phân giải (Resolution) của ảnh là mật độ điểm ảnh đƣợc ấn định trên một ảnh số đƣợc hiển thị. Theo định nghĩa, khoảng cách giữa các điểm ảnh phải đƣợc 6 chọn sao cho mắt ngƣời vẫn thấy đƣợc sự liên tục của ảnh. Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải và đƣợc phân bố theo trục x và y trong không gian hai chiều.

Một số độ phân giải thông thƣờng đƣợc sử dụng trong các thiết bị hiển thị và lĩnh vực xử lý ảnh nhƣ 640x480, 800x600, 1024x768 (HD), 192x1080 (full HD), 3840x2160 (UHD) [1].