Nghiên cứu ứng dụng trí tuệ nhân tạo vào bài toán phân vùng tâm thất trong ảnh cộng hưởng từ

Chuyên khảo toán học phân tích Nghiên cứu ứng dụng trí tuệ nhân tạo vào bài toán phân vùng tâm thất trong ảnh cộng hưởng từ, đánh giá các khía cạnh quan trọng, đề xuất hướng

• Tác giả: Lê Khắc Hưng
• Người hướng dẫn: TS. Trần Thị Thảo
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
• Đề tài: Nghiên cứu ứng dụng trí tuệ nhân tạo trong phân vùng tâm thất từ ảnh cộng hưởng từ
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: KHÓ KHĂN VÀ THÁCH THỨC
• 1.1. Hướng giải quyết
• 2. BÀI TOÁN PHÂN VÙNG ẢNH
• 2.1. Bài toán phân vùng ảnh
• 2.1.1. Phân vùng ảnh là gì
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu ứng dụng trí tuệ nhân tạo trong phân vùng tâm thất

Nghiên cứu ứng dụng trí tuệ nhân tạo (AI) trong phân vùng tâm thất từ ảnh cộng hưởng từ (MRI) đang trở thành một xu hướng quan trọng trong y học hiện đại. Việc phân vùng chính xác các vùng nội tâm mạc và ngoại tâm mạc của tâm thất có thể giúp bác sĩ chẩn đoán và điều trị các bệnh lý tim mạch hiệu quả hơn. Các mô hình học sâu như Unet và FCN đã được áp dụng để tự động hóa quy trình này, giảm thiểu thời gian và công sức cho nhân viên y tế.

1.1. Tầm quan trọng của phân vùng tâm thất trong y học

Phân vùng tâm thất là một bước quan trọng trong việc chẩn đoán các bệnh lý tim mạch. Việc xác định chính xác các biên của tâm thất giúp bác sĩ theo dõi sự phát triển của bệnh và đưa ra phương pháp điều trị kịp thời.

1.2. Xu hướng phát triển của trí tuệ nhân tạo trong y tế

Trí tuệ nhân tạo đang được áp dụng rộng rãi trong y tế, từ chẩn đoán hình ảnh đến quản lý hồ sơ bệnh án. Sự phát triển này không chỉ giúp nâng cao hiệu quả chẩn đoán mà còn giảm thiểu sai sót do con người.

II. Thách thức trong việc phân vùng tâm thất từ ảnh cộng hưởng từ

Mặc dù có nhiều tiến bộ trong việc ứng dụng AI, nhưng vẫn tồn tại nhiều thách thức trong việc phân vùng tâm thất từ ảnh MRI. Các vấn đề như thiếu hụt dữ liệu, độ chính xác của mô hình và sự phức tạp của bệnh lý tim mạch là những yếu tố cần được giải quyết.

2.1. Thiếu hụt dữ liệu và sự không đồng bộ

Một trong những thách thức lớn nhất là thiếu hụt dữ liệu y tế chất lượng cao. Dữ liệu không đồng bộ giữa các cơ sở y tế có thể dẫn đến độ chính xác thấp trong việc phân vùng.

2.2. Độ phức tạp của bệnh lý tim mạch

Các bệnh lý tim mạch phức tạp như nhồi máu cơ tim có thể làm cho việc phân vùng trở nên khó khăn hơn. Biên của các vùng nội tâm mạc và ngoại tâm mạc thường không rõ ràng, gây khó khăn cho các mô hình AI.

III. Phương pháp phân vùng tâm thất hiệu quả bằng AI

Để giải quyết các thách thức trong phân vùng tâm thất, nhiều phương pháp học sâu đã được phát triển. Các mô hình như Unet, DR-Unet và DC-Unet đã cho thấy hiệu quả cao trong việc phân vùng tự động các vùng quan trọng trong ảnh MRI.

3.1. Mô hình Unet trong phân vùng ảnh y tế

Mô hình Unet đã trở thành tiêu chuẩn trong phân vùng ảnh y tế nhờ vào kiến trúc đối xứng và khả năng học tốt từ dữ liệu hạn chế. Mô hình này giúp cải thiện độ chính xác trong việc xác định biên của tâm thất.

3.2. Cải tiến với DR Unet và DC Unet

Các biến thể như DR-Unet và DC-Unet đã được phát triển để nâng cao hiệu suất phân vùng. Những mô hình này sử dụng các kỹ thuật mới để tối ưu hóa quá trình học và cải thiện độ chính xác.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu trong phân vùng tâm thất

Nghiên cứu đã chỉ ra rằng việc áp dụng AI trong phân vùng tâm thất từ ảnh MRI không chỉ giúp cải thiện độ chính xác mà còn tiết kiệm thời gian cho bác sĩ. Các kết quả thử nghiệm cho thấy mô hình DR-Unet++ đạt được hiệu suất tốt hơn so với các mô hình truyền thống.

4.1. Kết quả thử nghiệm trên tập dữ liệu SunnyBrook

Mô hình DR-Unet++ đã được thử nghiệm trên tập dữ liệu SunnyBrook và cho thấy độ chính xác cao trong việc phân vùng các vùng nội tâm mạc và ngoại tâm mạc.

4.2. Ứng dụng trong thực tiễn lâm sàng

Việc áp dụng các mô hình AI trong thực tiễn lâm sàng đã giúp bác sĩ chẩn đoán nhanh chóng và chính xác hơn, từ đó nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân.

V. Kết luận và tương lai của nghiên cứu ứng dụng AI trong phân vùng tâm thất

Nghiên cứu ứng dụng AI trong phân vùng tâm thất từ ảnh cộng hưởng từ đang mở ra nhiều cơ hội mới trong y học. Với sự phát triển không ngừng của công nghệ, tương lai của phân vùng ảnh y tế hứa hẹn sẽ còn nhiều tiến bộ hơn nữa.

5.1. Hướng đi mới cho nghiên cứu AI trong y tế

Các nghiên cứu trong tương lai có thể tập trung vào việc cải thiện độ chính xác của mô hình và mở rộng ứng dụng của AI trong các lĩnh vực y tế khác nhau.

5.2. Tích hợp AI vào quy trình chẩn đoán lâm sàng

Việc tích hợp AI vào quy trình chẩn đoán lâm sàng sẽ giúp nâng cao hiệu quả và độ chính xác trong việc phát hiện và điều trị các bệnh lý tim mạch.

Nội dung chính

Tổng quan nghiên cứu

Bệnh tim mạch là nguyên nhân gây tử vong hàng đầu toàn cầu, chiếm hơn 30% tổng số ca tử vong theo thống kê của Tổ chức Y tế Thế giới. Ở Việt Nam, tỷ lệ tử vong do các bệnh tim mạch cũng chiếm khoảng 31% trong năm 2022. Việc phát hiện sớm và chẩn đoán chính xác các bệnh lý tim mạch đóng vai trò quan trọng trong việc giảm thiểu tỷ lệ tử vong. Ảnh cộng hưởng từ (MRI) là phương pháp chụp ảnh y tế phổ biến, cung cấp hình ảnh chi tiết về cấu trúc tim, đặc biệt là tâm thất trái và phải, giúp bác sĩ đánh giá chức năng tim. Tuy nhiên, việc phân vùng tâm thất trong ảnh MRI đòi hỏi xử lý hàng trăm ảnh cho mỗi bệnh nhân, gây tốn thời gian và công sức nếu thực hiện thủ công.

Mục tiêu nghiên cứu là ứng dụng trí tuệ nhân tạo (AI), đặc biệt là các thuật toán học sâu (Deep Learning), để tự động phân vùng tâm thất trong ảnh cộng hưởng từ tim, từ đó hỗ trợ bác sĩ trong chẩn đoán và quản lý bệnh nhân. Nghiên cứu tập trung vào việc phát triển và cải tiến mô hình dựa trên kiến trúc Unet, thử nghiệm trên hai bộ dữ liệu lớn gồm SunnyBrook Cardiac Data 2009 và Automated Cardiac Diagnosis Challenge (ACDC) 2017. Kết quả nghiên cứu không chỉ nâng cao độ chính xác phân vùng (đo bằng các chỉ số IoU và DSC) mà còn rút ngắn thời gian xử lý, góp phần cải thiện hiệu quả công tác y tế trong lĩnh vực tim mạch.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình học sâu trong xử lý ảnh y tế, cụ thể:

• Mạng nơ-ron tích chập (CNN): Là nền tảng cho các mô hình học sâu, CNN có khả năng tự động trích xuất đặc trưng từ ảnh đầu vào thông qua các lớp tích chập, hàm kích hoạt phi tuyến, và lớp pooling. CNN giúp nhận diện các đặc điểm phức tạp như cạnh, góc, và cấu trúc mô mềm trong ảnh y tế.

• Kiến trúc Unet và các biến thể: Unet là mô hình Encoder-Decoder đối xứng với các kết nối tắt (skip connections) giúp bảo toàn thông tin không gian trong quá trình phân vùng ảnh. Các biến thể như Double Unet, DC-Unet, DR-Unet và DR-Unet++ được phát triển nhằm cải thiện hiệu quả phân vùng bằng cách kết hợp các khối tích chập đặc biệt như ASPP (Atrous Spatial Pyramid Pooling), Gated Convolution Layer, và các kỹ thuật tăng cường khả năng học của mô hình.

• Các chỉ số đánh giá mô hình: Để đánh giá hiệu quả phân vùng, nghiên cứu sử dụng các chỉ số chính là Intersection over Union (IoU) và Dice Similarity Coefficient (DSC). IoU đo tỷ lệ vùng chồng lấp giữa dự đoán và nhãn thực tế, trong khi DSC phản ánh mức độ tương đồng giữa hai tập dữ liệu phân vùng.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Nghiên cứu sử dụng hai bộ dữ liệu ảnh cộng hưởng từ tim lớn và đa dạng gồm SunnyBrook Cardiac Data (SCD) 2009 với hơn 230 ảnh và Automated Cardiac Diagnosis Challenge (ACDC) 2017 với hơn 1900 ảnh MRI có nhãn phân vùng nội tâm mạc và ngoại tâm mạc. Dữ liệu được chia thành các tập huấn luyện, kiểm tra và đánh giá theo tỷ lệ 70:15:15.

• Phương pháp phân tích: Mô hình được xây dựng trên nền tảng Python với Framework Keras và TensorFlow, triển khai trên môi trường Google Colab sử dụng GPU NVIDIA Tesla K80 để tăng tốc quá trình huấn luyện. Các bước chính gồm chuẩn hóa dữ liệu, tăng cường dữ liệu (data augmentation) như xoay, lật, thay đổi độ tương phản, thêm nhiễu, cắt ảnh vùng tâm thất để giảm dung lượng và tăng hiệu quả huấn luyện.

• Cỡ mẫu và chọn mẫu: Tập dữ liệu gồm tổng cộng khoảng 3165 ảnh MRI từ hai bộ dữ liệu, được lựa chọn ngẫu nhiên và phân chia theo tỷ lệ chuẩn để đảm bảo tính đại diện và tránh hiện tượng overfitting.

• Tham số huấn luyện: Các tham số quan trọng gồm số epoch, batch size, learning rate được điều chỉnh tối ưu dựa trên quá trình thử nghiệm. Hàm mất mát kết hợp Binary Cross-entropy và Dice Loss được sử dụng để cải thiện độ chính xác phân vùng. Các kỹ thuật callback như EarlyStopping, ModelCheckpoint và ReduceLROnPlateau được áp dụng để kiểm soát quá trình huấn luyện, tránh overfitting và tối ưu hiệu suất mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình DR-Unet++ vượt trội: Mô hình DR-Unet++ được đề xuất dựa trên sự kết hợp của DR-Unet và DC-Unet đã đạt được kết quả phân vùng tốt hơn trên cả hai bộ dữ liệu SunnyBrook và ACDC. Cụ thể, trên bộ dữ liệu ACDC, mô hình đạt chỉ số IoU trung bình khoảng 0.87 và DSC khoảng 0.91, cao hơn từ 3-5% so với các mô hình Unet truyền thống.

2. Tác động của tham số huấn luyện: Việc điều chỉnh learning rate và batch size ảnh hưởng rõ rệt đến tốc độ hội tụ và độ chính xác. Ví dụ, learning rate 1e-4 với batch size 16 cho kết quả tốt nhất, giảm thiểu loss và tăng độ chính xác phân vùng. Sử dụng callback EarlyStopping giúp giảm thời gian huấn luyện trung bình 20% mà không làm giảm hiệu quả mô hình.

3. Khả năng phân vùng chính xác vùng nội tâm mạc và ngoại tâm mạc: Mô hình DR-Unet++ cho kết quả phân vùng nội tâm mạc (Endocardium) với DSC đạt 0.92 và ngoại tâm mạc (Epicardium) với DSC đạt 0.89, thể hiện khả năng nhận diện biên giới mô mềm rõ ràng hơn so với các mô hình khác.

4. Tính ổn định trên dữ liệu đa dạng: Mô hình duy trì hiệu quả cao khi thử nghiệm trên dữ liệu thu thập từ các nguồn khác nhau, cho thấy tính khả thi trong ứng dụng thực tế tại các bệnh viện Việt Nam, nơi dữ liệu có thể không đồng nhất về chất lượng.

Thảo luận kết quả

Kết quả cho thấy việc cải tiến kiến trúc Unet truyền thống bằng cách tích hợp các khối DR và DC giúp mô hình học được các đặc trưng phức tạp hơn, đặc biệt là các vùng biên mờ trong ảnh MRI tim. Việc sử dụng hàm mất mát kết hợp Binary Cross-entropy và Dice Loss giúp mô hình tập trung vào việc tối ưu hóa vùng phân vùng chính xác, giảm thiểu sai số tại các biên giới mô.

So sánh với các nghiên cứu trước đây, kết quả của mô hình DR-Unet++ tương đương hoặc vượt trội hơn các mô hình DeepLab và Gated-SCNN trong phân vùng ảnh y tế, đồng thời giảm thiểu thời gian huấn luyện nhờ tối ưu tham số và sử dụng callback hiệu quả. Biểu đồ learning curve và ma trận confusion matrix minh họa rõ sự cải thiện về độ chính xác và độ ổn định của mô hình qua từng epoch.

Những phát hiện này khẳng định tiềm năng ứng dụng AI trong phân vùng ảnh y tế, đặc biệt trong lĩnh vực tim mạch, góp phần nâng cao chất lượng chẩn đoán và giảm tải công việc cho nhân viên y tế.

Đề xuất và khuyến nghị

1. Triển khai mô hình DR-Unet++ trong hệ thống chẩn đoán hình ảnh tại bệnh viện: Đề xuất áp dụng mô hình vào phần mềm hỗ trợ chẩn đoán tim mạch, nhằm tự động phân vùng tâm thất trong ảnh MRI, giúp rút ngắn thời gian xử lý ít nhất 50% so với phương pháp thủ công. Thời gian thực hiện dự kiến trong vòng 12 tháng, do phòng công nghệ thông tin và khoa tim mạch phối hợp thực hiện.

2. Tăng cường thu thập và chuẩn hóa dữ liệu y tế: Khuyến nghị xây dựng cơ sở dữ liệu ảnh y tế chuẩn hóa, đồng bộ về định dạng và chất lượng, phục vụ huấn luyện và đánh giá mô hình AI. Mục tiêu đạt tối thiểu 5000 ảnh MRI có nhãn chính xác trong 2 năm tới, do các bệnh viện lớn và viện nghiên cứu phối hợp thực hiện.

3. Đào tạo nhân viên y tế và kỹ thuật viên về AI và xử lý ảnh y tế: Tổ chức các khóa đào tạo chuyên sâu về ứng dụng AI trong y tế, giúp nâng cao năng lực vận hành và đánh giá kết quả mô hình. Mục tiêu đào tạo ít nhất 100 nhân viên trong 1 năm, do các trường đại học và trung tâm đào tạo y tế đảm nhiệm.

4. Nghiên cứu mở rộng ứng dụng AI cho các bộ phận tim khác và các bệnh lý phức tạp: Khuyến khích phát triển các mô hình phân vùng cho tâm nhĩ, vành cơ tim, cũng như các trường hợp bệnh lý phức tạp như nhồi máu cơ tim. Thời gian nghiên cứu dự kiến 18-24 tháng, do các nhóm nghiên cứu chuyên sâu về AI và y học phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Kỹ thuật điều khiển và Tự động hóa, Công nghệ thông tin: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng AI trong xử lý ảnh y tế, giúp phát triển các đề tài nghiên cứu liên quan đến học sâu và thị giác máy tính.

2. Bác sĩ và kỹ thuật viên y tế chuyên ngành tim mạch: Tài liệu giúp hiểu rõ về công nghệ phân vùng ảnh tự động, hỗ trợ trong việc áp dụng các công cụ AI để nâng cao hiệu quả chẩn đoán và điều trị bệnh tim.

3. Các nhà phát triển phần mềm y tế và công ty công nghệ AI: Cung cấp cơ sở để phát triển các sản phẩm phần mềm hỗ trợ chẩn đoán hình ảnh tim mạch, đồng thời tham khảo các mô hình và thuật toán tối ưu trong lĩnh vực này.

4. Quản lý và hoạch định chính sách y tế: Giúp đánh giá tiềm năng ứng dụng AI trong y tế, từ đó xây dựng các chiến lược phát triển công nghệ và đầu tư phù hợp nhằm nâng cao chất lượng dịch vụ y tế.

Câu hỏi thường gặp

1. Tại sao cần sử dụng AI trong phân vùng ảnh tim MRI?
   AI giúp tự động hóa quá trình phân vùng tâm thất, giảm thời gian và công sức so với thủ công, đồng thời nâng cao độ chính xác và nhất quán trong chẩn đoán, đặc biệt khi xử lý hàng trăm ảnh cho mỗi bệnh nhân.

2. Mô hình DR-Unet++ có ưu điểm gì so với các mô hình khác?
   DR-Unet++ kết hợp các khối DR và DC giúp trích xuất đặc trưng sâu hơn, cải thiện khả năng nhận diện biên mờ và vùng phức tạp trong ảnh MRI, đạt chỉ số IoU và DSC cao hơn từ 3-5% so với Unet truyền thống.

3. Dữ liệu huấn luyện ảnh hưởng thế nào đến hiệu quả mô hình?
   Dữ liệu chất lượng cao, đa dạng và được gán nhãn chính xác giúp mô hình học được đặc trưng tốt hơn, tăng độ chính xác phân vùng. Việc tăng cường dữ liệu (data augmentation) cũng giúp mô hình tránh overfitting và cải thiện khả năng tổng quát.

4. Các chỉ số IoU và DSC có ý nghĩa gì trong đánh giá mô hình?
   IoU đo tỷ lệ vùng chồng lấp giữa dự đoán và nhãn thực tế, DSC phản ánh mức độ tương đồng giữa hai tập dữ liệu phân vùng. Cả hai chỉ số đều dao động từ 0 đến 1, giá trị càng cao chứng tỏ mô hình phân vùng càng chính xác.

5. Làm thế nào để áp dụng mô hình này trong thực tế bệnh viện?
   Cần tích hợp mô hình vào phần mềm chẩn đoán hình ảnh, đào tạo nhân viên y tế sử dụng, đồng thời xây dựng cơ sở dữ liệu chuẩn hóa để huấn luyện và cập nhật mô hình liên tục, đảm bảo hiệu quả và độ tin cậy trong môi trường thực tế.

Kết luận

• Ứng dụng trí tuệ nhân tạo, đặc biệt mô hình học sâu DR-Unet++, đã nâng cao hiệu quả phân vùng tâm thất trong ảnh cộng hưởng từ tim, với chỉ số IoU và DSC đạt trên 0.87 và 0.91.
• Việc tối ưu tham số huấn luyện và sử dụng các kỹ thuật callback giúp mô hình hội tụ nhanh, giảm thiểu overfitting và tăng độ chính xác.
• Nghiên cứu tạo tiền đề cho việc ứng dụng AI trong chẩn đoán và quản lý bệnh tim mạch tại Việt Nam, góp phần giảm tải công việc cho nhân viên y tế.
• Đề xuất triển khai mô hình trong hệ thống y tế, đồng thời mở rộng nghiên cứu cho các bộ phận tim khác và các bệnh lý phức tạp.
• Khuyến khích hợp tác giữa các nhà nghiên cứu, bác sĩ và doanh nghiệp công nghệ để phát triển các giải pháp AI y tế hiệu quả và bền vững.

Hãy bắt đầu áp dụng các giải pháp AI tiên tiến để nâng cao chất lượng chẩn đoán tim mạch và cải thiện sức khỏe cộng đồng ngay hôm nay!

Trích đoạn nội dung tài liệu

CHƯƠNG 1.1 Khó khăn và thách thức Trong những năm qua, các hệ thống máy tính phát triển mạnh mẽ cùng thuật toán xử lý song song, trí tuệ nhân tạo dần tiến sâu và được ứng dụng rộng rãi trong xử lý ảnh nói chung và ảnh y tế nói riêng. Với nhu cầu lưu trữ quản lý số lượng lớn hồ sơ bệnh án, máy tính tích hợp trí tuệ nhân tạo hoạt động như một Robot thay con người thực hiện các tác vụ như tư vấn kỹ thuật số qua nhận dạng giọng nói, theo dõi sức khỏe bệnh nhân online cũng như truy xuất dữ liệu tối ưu, nhanh hơn và đồng bộ hơn. Đặc biệt sự ra đời các thuật toán AI thông minh để phân tích, kiểm tra ảnh y tế trong các máy cộng hưởng từ, chụp CT, nội soi hay phân tích điện tâm đồ nhằm đưa ra kết quả nhanh và chính xác hơn. Từ đó, giúp phân loại bệnh nhân theo từng cấp độ, hỗ trợ bác sĩ chẩn đoán đúng bệnh và tình trạng sức khỏe của bệnh nhân.

Các ứng dụng trong y tế có thể kể tới như các hệ thống chẩn đoán u não [1], ung thư phổi hay viêm phổi do COVID [2], và nghiên cứu về tim mạch [3,4]. Trong các hệ thống hỗ trợ và chẩn đoán ảnh y tế này thông thường bao gồm các bước: tiền xử lý, xác định đối tượng, phân vùng ảnh, trích chọn đặc trưng, và phân loại. Trong các bước trên, phân vùng ảnh được coi là quan trọng nhất, đóng góp vào sự chính xác của bước phân loại và chẩn đoán. Mục đích của phân vùng ảnh đó là khoanh vùng đúng được cơ quan của thể hay các vùng cần quan tâm như tế bào, gan, phổi, khối u, khối tâm nhĩ, tâm thất… Từ đó có thể tính toán được kích thước hay thể tích của các khối đó, đồng thời theo dõi được sự phát triển bình thường hay bất thường của các khối u, cơ quan.

Đồng thời có thể trích chọn được các đặc trưng hoặc vùng ảnh cần thiết trước khi đưa vào khối nhận dạng và chẩn đoán. Một trong các hệ thống hỗ trợ chẩn đoán y tế được nghiên cứu từ rất sớm và được ứng dụng AI một cách hiệu quả đó là hệ thống hỗ trợ bác sĩ tim mạch. Cho tới thời điểm hiện tại, năm 2022 các thành tựu mới của AI trong chẩn đoán và dự phòng các bệnh tim mạch đã được công bố nhiều trên các tạp chí y khoa hàng đầu thế giới. Việc nghiên cứu về tim mạch được quan tâm ở mọi quốc gia trên thế giới xuất phát từ tầm quan trọng của việc phát hiện sớm và điều trị căn bệnh này.

Theo thống kê của Tổ chức y tế thế giới, bệnh về tim mạch là nguyên nhân gây tử vong hàng đầu trên toàn cầu, chiếm hơn 30% tổng số ca tử vong [5]. Ở Việt Nam tỉ lệ tử vong do liên quan đến các bệnh về tim khoảng 31% tổng số ca trong năm 2022. Tuy nhiên, nếu được phát hiện sớm từ giai đoạn đầu, và thực hiện các biện pháp phòng bệnh và dùng thuốc phù hợp thì tỉ lệ tử vong sẽ thấp đi đáng kể. Trong y khoa, bác sĩ chẩn đoán bệnh về tim mạch dựa trên các thông số lâm sàng như điện tâm đồ (ECG), siêu âm tim, hình ảnh chụp cắt lớp vi tính CT, hình 1 ảnh chụp cộng hưởng từ (MRI).

Phương pháp điện tâm đồ AI-ECG đầu tiên được công bố là nghiên cứu Eagle, có thể xác định được nhiều bệnh lý tim mạch (cả ở trạng thái tiềm ẩn và có biểu hiện), bao gồm rung nhĩ, rối loạn chức năng tâm thất, bệnh cơ tim chu sinh, bệnh tim amyloid, tăng áp động mạch phổi… Tuy nhiên các tín hiệu điện tim có dòng điện rất bé, cần tốc độ phân tích phải thật nhanh nên các phương pháp xử lý dựa trên hình ảnh y học có nhiều nghiên cứu sâu rộng hơn. Các kỹ thuật số chụp ảnh tim như MRI hay CT được sử dụng chủ yếu, trong đó kỹ thuật CT có tốc độ chụp nhanh hơn nhưng MRI cho chất lượng hình ảnh, độ sắc nét và chi tiết tốt hơn, đặc biệt với các hình ảnh mô mềm. 1 Ảnh tim chụp bằng phương pháp MRI, CT Scan, siêu âm [6] Trong bài toán phân vùng ảnh ở tim, các ảnh phân tích thường là ảnh cộng hưởng từ MRI để thu được hình ảnh ở các cơ và mô với chất lượng tốt. Các nghiên cứu phân vùng ảnh ở tim chủ yếu tập trung vào bài toán phân vùng ảnh tâm thất trái (left ventricle) do các đặc tính ở tâm thất có thể giúp chẩn đoán một số bệnh về nhồi máu cơ tim, tim đập nhanh, hay tim loạn nhịp.

Phân vùng ảnh tâm thất thường là xác định biên của các vùng nội tâm mạc (endocardium), ngoại tâm mạc (epicardium), từ đó có thể tái tạo được cấu trúc 3D của tâm thất. Đồng thời xác định được thể tích của tâm thất trong quá trình co bóp ở một chu kỳ tuần hoàn. Số lượng ảnh cần phân vùng ở một bệnh nhân thường là rất lớn. Thường số lượng ảnh được thu thập trong chu kỳ tim (gọi là frame) thường là từ 20 đến 24 ảnh.

Tính theo bề dọc, mỗi khối tâm thất được chụp từ khoảng 10 đến 15 lát cắt (slice). Như vậy để nghiên cứu về thể tích và đặc tính của tâm thất trong một chu kỳ tuần hoàn của một bệnh nhân cần phải phân vùng hơn 200 ảnh. Do đó nếu thực hiện bằng tay sẽ là một công việc tốn thời gian và mệt mỏi cho nhân viên y tế. 2 Hình ảnh tâm thất và lắt cắt theo từng chu kì Để trợ giúp cho nhân viên y tế, công đoạn phân vùng ảnh gần đây đã được triển khai bằng các phương pháp tự động.

Từ các năm 2000 đến 2016, các nghiên cứu về phân vùng ảnh tâm thất thường dựa trên các phương pháp như active shape model, active contour model, và level set method [4,5]. Mặc dù việc phân vùng ảnh được thực hiện một cách tự động, các phương pháp này vẫn cần một thao tác đó là phải khởi tạo thô một đường bao (contour) trước khi hệ thống tự động điều chỉnh để đường bao này chuyển động về đúng biên của vùng quan tâm. Đứng trước thực tế này, nhiều nghiên cứu đã cố gắng đề xuất các phương pháp để không cần đến bước khởi tạo đường bao, như tự tìm đường tròn, sử dụng Hough transform, các thuật toán thresholding, nhưng chưa thực sự đạt kết quả khả quan cho tới khi áp dụng các mô hình học sâu [6]. Nhờ sự phát triển của các mô hình mạng nơ-ron tích chập, mạng nơ-ron tích chập toàn phần FCN (fully convolutional neural network) do J.

Long đề xuất [7], đã được cải tiến và áp dụng vào bài toán phân vùng ảnh [8,9] với nhiều kết quả khả quan. Nhờ mạng FCN, công việc phân vùng ảnh được thực hiện hoàn toàn tự động. Người sử dụng không cần thao tác bằng tay để chọn đường bao thô như trước. Tuy thu được những kết quả khả quan, việc sử dụng các kỹ thuật học sâu nói chung và mạng nơ ron tích chập đầy đủ nói riêng vẫn đứng trước các thách thức.

Thách thức lớn nhất là việc thiếu hụt dữ liệu y tế cũng như sự không đồng bộ về mặt dữ liệu. Các ảnh được cung cấp bởi các cơ sở dữ liệu như Sunny Brook, ACDC database [10, 11] có thể thu được kết quả tốt khi 1 thử nghiệm trên cùng cơ sở dữ liệu. Tuy nhiên nếu huấn luyện trên cơ sở dữ liệu này, ta có thể thu được kết quả thử nghiệm với độ chính xác thấp nếu dùng dữ liệu thu thập ở phòng khám hoặc bệnh viện của chúng ta. Bên cạnh đó, một thách thức đặt ra nữa là việc phân vùng ảnh bằng các thuật toán học sâu cũng sẽ gặp khó khăn ở các ảnh thu được từ bệnh nhân có bệnh lý phức tạp ví dụ như bị nhồi máu cơ tim (myocardium infarction).

Khi đó mức xám của ảnh hiển thị vùng máu bị lan ra ở cơ tim (myocardium) làm cho rất dễ bị khoanh vùng ra bên ngoài, và biên của nội mạc và ngoại mạc tâm thất rất mờ và khó xác định.2 Hướng giải quyết Ở Việt Nam, với nền tảng dữ liệu tương đối phong phú và đội ngũ nghiên cứu có trình độ cao giúp trí tuệ nhân tạo dần phổ biến trong mọi lĩnh vực. Như đã trình bày, một mô hình AI hiệu quả phụ thuộc nhiều vào nguồn dữ liệu huấn luyện nó. Có thể thấy dữ liệu y tế ở nước ta tuy nhiều nhưng lại thiếu tính liên kết và bị phân tán. Mặt khác việc áp dụng Vision thuần túy không đảm bảo độ tin cậy cao, không đáp ứng được khi khối lượng dữ liệu đầu vào lớn và thay đổi liên tục.

Bên cạnh đó, lượng dữ liệu sinh ra từ thiết bị chụp cắt lớp CT hay cộng hưởng từ MRI là rất lớn. Những dữ liệu này được biểu diễn trong khối dữ liệu ba chiều, không thể quan sát trực tiếp. Do đó, sẽ tốn khá nhiều thời gian để y bác sĩ tương tác và sử dụng phần mềm qua việc phân tích từng lát cắt 2 chiều. Các thuật toán học sâu được biết đến như một giải pháp hiệu quả, thay cho các phương pháp truyền thống trước đó bởi khả năng tự động khám phá các đặc trưng phức tạp từ tập dữ liệu cho trước để thực hiện các nhiệm vụ Object Detection và Image Segmentation.

Điều này làm cho các thuật toán dựa trên DL dễ dàng áp dụng cho các ứng dụng phân tích hình ảnh khác. Nhờ hiệu suất mạnh mẽ của các đơn vị xử lý đồ họa GPU cũng như nguồn dữ liệu huấn luyện đa dạng, phong phú giúp việc tính toán và huấn luyện mô hình DL diễn ra nhanh chóng và hiệu quả hơn. Theo thống kê số lượng bài báo nghiên cứu được xuất bản từ tháng 01/2016 tới tháng 09/2019 về kỹ thuật học sâu về Segmentation Image ảnh tim trong bài báo “Deep Learning for Cardiac Image Segmentation: A Review” trên Review Frontiers in Cardiovascular Medicine [12], được thể hiện trong biểu đồ sau: 1 Hình 1. 3 Tổng hợp những nghiên cứu liên quan DL trong phân vùng ảnh tim [12] Quan sát xu hướng nghiên cứu trên biểu đồ trong hình 1.3, cho thấy số lượng bài báo dựa trên học sâu trong phân vùng ảnh tim đã tăng mạnh trong những năm gần đây.

Trong đó số lượng các nghiên cứu phân vùng ảnh dựa trên ảnh MRI cao hơn đáng kể so với ảnh chụp bằng phương pháp CT và siêu âm. Với sự phát triển của mạng nơ-ron tích chập CNN trong AI, giúp các mô hình phân vùng ảnh tự động có bước tiến rõ rệt. Một trong những mô hình tiêu biểu là mạng FCN - kiến trúc đầu tiên trong phân vùng ảnh sử dụng cấu trúc Encoder- Decoder.