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].
