CHƯƠNG 1: TỔNG QUAN 1.1 Giới thiệu Tế bào bạch cầu (WBC) là một phần của hệ thống miễn dịch và được sản xuất trong tủy xương và các mô bạch huyết. Chúng bảo vệ cơ thể chống lại các bệnh nhiễm trùng như vi khuẩn, vi rút và nấm. Có năm loại bạch cầu bao gồm lymphocytes, monocytes, eosinophils, basophils và neutrophils. Bạch cầu được chia thành hai nhóm: đa nhân (neutrophils, eosinophils, basophil) và đơn nhân (monocytes, tế bào lympho) [1].
Số lượng bạch cầu thừa hoặc thiếu có thể gây ra nhiều bệnh khác nhau [2, 3]. Chẩn đoán các bệnh này được thực hiện bằng cách xét nghiệm máu. Các xét nghiệm máu này cũng được thực hiện để theo dõi kết quả của quá trình hóa trị và xạ trị. Khi số lượng WBC ít hơn giá trị tham chiếu, nó được gọi là giảm bạch cầu.
Neutrophils tăng trong máu trong các trường hợp do nguyên nhân nội tiết tố, rối loạn chuyển hóa, tan máu và chảy máu. Ngoài ra vi khuẩn, nấm, ngoại độc tố và nội độc tố cũng gây ra sự gia tăng neutrophils [4, 5]. Các bệnh như bordetella ho gà, viêm gan, virus, brucella, bệnh bạch cầu làm tăng tế bào lympho trong máu trong khi các bệnh như HIV, brucella, poliovirus, thủy đậu, lao làm giảm số lượng tế bào lympho. Bệnh Listeriosis và bệnh sốt rét cũng như các bệnh nhiễm trùng do vi khuẩn và vi rút là một số bệnh làm tăng số lượng bạch cầu đơn nhân [6].
Các bệnh dị ứng, bệnh dị ứng và ký sinh trùng là những yếu tố làm tăng giá trị eosinophils [7, 8]. Các bệnh tăng sinh tủy ác tính, thiếu máu tán huyết, suy giáp, hội chứng thận hư, viêm nhiễm có liên quan đến basophil [9]. Các phân tích trên cho thấy việc nhận dạng các loại tế bào bạch cầu và số lượng của nó là vô cùng quan trọng trong hỗ trợ chẩn đoán và điều trị bệnh. Phần lớn việc nhận dạng được thực hiện một cách thủ công dựa trên ảnh xét nghiệm.
Xét nghiệm truyền thống dựa trên ảnh phết tế bào ngoại vi, là một xét nghiệm huyết đồ dựa trên việc nhuộm máu sau khi phết lên lam kính hiển vi rồi đánh giá tế bào máu dưới kính hiển vi. Do số lượng tế bào máu trên ảnh phết rất lớn và đa dạng; phát hiện tế bào, nhuộm và chiếu sáng là vấn đề khó khăn. Chồng chéo hoặc loại trừ của một số phần của hình ảnh làm mất rất nhiều thời gian và ảnh hưởng đến độ chính xác của xét nghiệm. Ngoài ra kết quả xét nghiệm còn phụ thuộc rất lớn vào kỹ năng của một nhà phân tích [10, 11].
Do đó, một quy trình tự động phân loại các tế bào máu khác nhau từ một hình ảnh phết tế bào sẽ tạo điều kiện thuận lợi rất nhiều cho toàn bộ quá trình phân tích.2 Các nghiên cứu liên quan Với sự phát triển của kỹ thuật học máy, các ứng dụng phân tích dữ liệu y sinh phát triển rất mạnh mẽ và mang lại các kết quả đáng khích lệ. Đặc biệt, các phương pháp học sâu đang được áp dụng trong các ứng dụng y tế khác nhau như phát hiện và xác định vị trí bất thường trong X-quang ngực [12], tự động phân đoạn tâm thất trái trong ảnh MR tim [13] và phát hiện bệnh võng mạc tiểu đường trong ảnh chụp võng mạc [14]. Ngoài ra còn rất nhiều nghiên cứu cùng chủ đề của bài báo này như nghiên cứu của Hedge và cộng sự được thực hiện vào năm 2018, đã đề xuất một thuật toán để phân loại dựa trên tính năng phát hiện hạt nhân của WBC [15]. Tác giả đã thử các biến thể ánh sáng để phát hiện nucleus và phương pháp Tissue Quant để tìm các biến thể màu sắc.
Các đặc trưng hình dạng và kết cấu của nucleus đã được sử dụng cho bộ phân lớp, nó là sự kết hợp dựa trên SVM và mạng nơ-ron. Phương pháp này đã cho độ chính xác 100% trong việc phát hiện các loại bạch cầu như 2 lymphocyte và basophil. Trong nghiên cứu của Neelam và cộng sự vào năm 2003, đã đề xuất một phương pháp phân loại bạch cầu bằng cách sử dụng K-Means Clustering và sau đó là thuật toán tối đa hóa kỳ vọng. Với phương pháp này, họ đã đạt được 80% thành công trong việc phát hiện WBC.
Nisha và cộng sự đã phân loại hình ảnh WBC trong không gian HSV bằng cách sử dụng thành phần S trong nghiên cứu của họ vào năm 2012 [17]. Họ đạt được khoảng 94% thành công trong việc phát hiện WBC. Arslan và cộng sự, trong nghiên cứu của họ vào năm 2014, đã đề xuất một phương pháp dựa trên thuật toán biến đổi lưu vực trong ảnh phết máu ngoại vi và ảnh tủy xương [18], kết quả của việc phân đoạn bạch cầu đạt độ chính xác 94%. Nghiên cứu của Hiremath và cộng sự được thực hiện vào năm 2010, nhận biết và phân loại monocytes, tế bào lympho, neutrophils với phương pháp phân đoạn dựa trên màu sắc và các đặc điểm hình học [19].
Các tế bào monophils được phát hiện (12 hình ảnh), tế bào lympho (34 hình ảnh), neutrophils (29 hình ảnh) với tỷ lệ chính xác lần lượt là 98%, 92%, 95%. Phân loại basophil - non basophil và phân loại 4 tế bào được tiến hành. Họ đạt được tỷ lệ thành công 98% - 99% đối với tập hợp ô dữ liệu bị hạn chế (1 hình ảnh eosinophils, hình ảnh 33 tế bào lympho, 8 hình ảnh monophils, 63 hình ảnh neutrophils, 6 hình ảnh basophil). Sawsan và cộng sự đã phân loại 5 loại tế bào bao gồm 70 hình ảnh với độ chính xác 91% bằng cách sử dụng lọc trung vị trong các hình ảnh mức xám và ngưỡng phân loại entropy biểu đồ trong nghiên cứu của họ vào năm 2000 [20].
Trong nghiên cứu của Nazlıbilek và cộng sự vào năm 2014 đã phát hiện ra hộp giới hạn, diện tích tính bằng pixel, độ dài trục chính và độ dài trục nhỏ trong ảnh màu xám [21]. Việc phân loại các loại WBC đạt 95% thành công trong nghiên cứu của họ với mạng nơ-ron và phân tích thành phần chính (PCA). Rezatofighi và cộng sự đã đề xuất một phương pháp dựa trên thuật toán Rắn và sự trực giao Gram-Schmidt để tách nhân tế bào và tế bào chất trong nghiên cứu của mình vào năm 2011 [22]. Nhóm nghiên cứu đã xác định các đặc điểm có được từ lõi và tế bào chất bằng chọn lọc chuyển tiếp tuần tự.
Sau đó phân loại WBCs bằng mạng thần kinh nhân tạo (ANN) và máy vectơ hỗ trợ (SVM). Các ô được phân loại với độ chính xác trung bình là 96%. Trong nghiên cứu của Mathur và cộng sự vào năm 2013 [23], Họ phân chia lõi và tế bào chất theo dòng trên cùng. Phân loại hình ảnh theo số lượng thùy lõi trong không gian màu HSV được thực hiện.
Nghiên cứu đạt hiệu suất trung bình là 92%. Der-Chen và cộng sự đã nghiên cứu lõi WBC bằng phương pháp Herbaceous trong vào năm 2013 [24]. Đặc điểm cốt lõi được suy ra bằng hình và ma trận đồng xuất hiện. Dùng PCA giảm bớt các thuộc tính và phân loại theo phương pháp phân cụm k-mean dựa trên các thuật toán di truyền.
Có nhiều nghiên cứu trong tài liệu đã phân loại hình ảnh WBC. Hầu hết các nghiên cứu này tập trung vào phân đoạn và phân loại hình ảnh. Mạng thần kinh tích chập không giống như các kỹ thuật xử lý ảnh truyền thống, không cần phải xem toàn bộ đối tượng để phân loại đối tượng. Do đó, mạng thần kinh tích chập cho thấy hiệu suất cao hơn trong việc nhận ra các ô chồng chéo hoặc các ô nằm ở rìa của hình ảnh.
Trong đề tài này, khu vực của 5 loại tế bào bạch cầu được phát hiện dựa trên các kỹ thuật xử lý ảnh và phân loại bằng mạng thần kinh tích chập, trên tập dữ liệu PBC dataset normal DIB gồm có 10298 hình ảnh trong đó có 1218 ảnh basophil, 3117 ảnh eosinophil, 1214 ảnh lymphocyte, 1420 ảnh monocyte, 3329 ảnh neutrophil. Các khái niệm, cách hiện thực và kết quả chương trình sẽ được trình bày ở các chương sau. 3 2 CHƯƠNG 2: MÔ HÌNH XỬ LÝ 2.1 Tổng quan hướng tiếp cận Đề tài được chia làm ba giai đoạn là: tiền xử lý (preprocessing), phân đoạn (segmentation), phân loại (classification). Trong giai đoạn tiền xử lý, ảnh đầu vào được chuyển đổi không gian màu từ BGR sang HSV và sau khi đánh giá độ tương phản giữa bạch cầu với nền thì ta lựa chọn phần tử H trong HSV làm kết quả của bước tiền xử lý.
Trong giai đoạn phân đoạn gồm bốn bước, chuyển ảnh xám sang ảnh nhị phân với ngưỡng là 83 [25], xóa nhiễu với diện tích đối tượng (Area) lớn hơn 300 và độ liên kết lớn hơn 0.37 (Solidity), áp dụng thuật toán watershed để phân tách các bạch cầu bị dính với nhau và bước cuối cùng là xóa các đối tượng có diện tích bé hơn hoặc bằng 300. Đối với giai đoạn phân loại, dữ liệu huấn luyện sẽ được tiền xử lý để tách bạch cầu ra khỏi ảnh nền cho tương thích với ảnh bạch cầu đã được tách ra ở giai đoạn phân đoạn, sau đó sẽ được huấn luyện trên các mô hình học sâu CNN (Convolutional Neural Network) khác nhau như AlexNet, VGG16, ResNet50, GoogLeNet và đánh giá chúng để chọn ra mô hình dự đoán tốt nhất, chi tiết các giai đoạn được thể hiện như Hình 2.1: các giai đoạn xử lý của đề tài 2.2 Dữ liệu Dữ liệu được sử dụng trong quá trình tiền xử lý, phân đoạn và dự đoán bạch cầu là bộ dữ liệu từ một bệnh viện lớn ở TP.HCM, được thể hiện như Hình 2.2: tập dữ liệu từ bệnh viện 2.3 Tiền xử lý Trong giai đoạn này, ở bước đầu tiên hình ảnh đầu vào được thay đổi kích thước thành 800x800 để đưa hình ảnh về cùng một kích thước cho các giai đoạn xử lý sau. Ở bước thứ hai, hình ảnh được chuyển từ không gian màu BGR (mặc định khi đọc ảnh bằng opencv) sang HSV (Hue, Saturation, Value) được thể hiện như Hình 2.3: chuyển ảnh từ BGR sang HSV Sau khi chuyển ảnh sang không gian màu HSV ta quan sát từng phần từ H, S, V và nhận thấy ở phần tử H có độ tương phản giữa bạch cầu và nền tốt nhất. Vậy nên ta chọn phần tử H làm ảnh cho quá trình xử lý sau.4 Phân đoạn bạch cầu Trong giai đoạn này ta sẽ tiến hành các bước để phân đoạn bạch cầu ra khỏi nền cũng như các tế bào hồng cầu khác.1 Chuyển phần tử H sang ảnh nhị phân Ở bước đầu tiên, ta sẽ tiến hành chuyển ảnh H (Hue) là kết quả của giai đoạn tiền xử lý sang ảnh nhị phân với ngưỡng là 83, ngưỡng này đã được tìm ra bởi hàng loạt thử nghiệm và đúc kết khác nhau [25].