CHƯƠNG 1. Giới thiệu chung Các ứng dụng của máy học, học sâu đến các ngành y học trong thời gian gần đây nhận được sự chú ý rất lớn từ các nhà nghiên cứu, cùng với đó là những thành tựu và kết quả rất đáng được mong đợi đã đạt được. Phân tích, xử lý ảnh y tế, chân đoán bệnh bằng máy học ngày một nhanh chóng và chính xác hơn. Bệnh võng mạc đái tháo đường (VMDTD) là kết quả các mạch máu rất nhỏ trong võng mạc bị ton thương do bệnh đái thao đường (DTD) gây ra.
Bệnh có nhiều giai đoạn như: chưa tăng sinh (nhẹ/vừa/nặng), và tăng sinh (nặng nhất). Khi nặng có thê dẫn tới giảm hoặc mắt thị lực. Mạch máu mới tăng sinh Phình mạch Xuất tiết dạng chấm Hình 1. Các bệnh lý đặc trưng của bệnh VMĐTĐ.
Hình ảnh chụp đáy mắt 1. Tình hình nghiên cứu trong và ngoài nước 1. Tình hình nghiên cứu trong nước Trí tuệ nhân tạo ngày càng được ứng dụng nhiều trong y học như: hỗ trợ chân đoán bệnh; nghiên cứu, phát triển thuốc; tối ưu hóa trong điều trị cho từng cá nhân; chỉnh sửa gen. Tác giả Hoang Nhut Huynh và các cộng sự thực hiện công trình nghiên cứu “Classification of Stages Diabetic Retinopathy Using MobileNetV2 Model” [1] huấn luyện mô hình MobileNetV2 phân lớp bệnh VMDTD trên bộ dữ liệu APTOS 2019, sử dụng ký thuật xác thực cross validation để đánh giá mô hình huấn luyện, độ chính xác tới 93.
Các công trình nghiên cứu như: “Nội suy ảnh trong hỗ trợ chân đoán hình ảnh” [2] của Nguyễn Quốc Hưng do PGS.TS Đỗ Năng Toàn hướng dẫn, trình bày các hướng tiếp cận và ứng dụng kỹ thuật nội suy ảnh. Năm 2019, Vinmec cùng với Bệnh viện Phôi Trung ương và VinBrain đã hợp tác trién khai ứng “DrAid - AI Trợ lý bác sĩ trong chân đoán hình ảnh” [7],. Đây là một trong những phần mềm dau tiên tại Việt Nam ứng dụng trí tuệ nhân tao, kết hợp thị giác máy tính và công nghệ xử lý ngôn ngữ tự nhiên hỗ trợ chân đoán và điều trị bệnh. Giao diện ứng dụng DrAidTM cho Radiology (Nguồn hình [7]) 1.
Công trình nghiên cứu ngoài nước Trong các năm gần đây, có nhiều công trình nghiên cứu thuật toán máy học, mô hình học sâu đề phân loại bệnh VMĐTĐ. Có nhiều hướng tiếp cận khác nhau cho bài toán phân loại ảnh chụp đáy mắt. Carrera cùng cộng sự với công trình “Automated detection of điabetic retinopathy using SVM” [4], sử dụng các kỹ thuật xử lý ảnh để trích xuất đặc trưng: xác định mạch máu, vi phình mạch, xuất tiết sau đó dùng thuật toán SVM để phát hiện bệnh VMĐTĐ trên ảnh chụp đáy mắt, đạt độ chính xác 92. Việc nghiên cứu các mô hình học sâu ngày càng rộng rãi cùng với việc phát triển mạnh phần cứng máy tính hỗ trợ máy học, học sâu, các kỹ thuật xử lý ảnh, tăng cường tập dữ liệu cho các tập dir liệu ít, việc huấn luyện các mô hình trở nên dễ đàng, nhanh chóng hơn, độ chính xác cũng cao hơn rất nhiều.
Alan Lands cùng cộng sự của ông với công trình “Implementation of deep 10 learning based algorithms for diabetic retinopathy classification from fundus images” [5] str dung cac kiến trúc ResNet50, DenseNet121, DenseNet169 trên bộ dữ liệu APTOS 2015 và 2019 tổng cộng 23302 ảnh. Áp dụng kỹ thuật tăng cường (lật, tăng độ sáng, tăng độ tương phản) cho bộ dữ liệu để tăng lên số lượng 7000 ảnh mỗi lớp. Tiền xử lý ảnh bằng phương pháp “Gaussian Blur Subtraction”. Huấn luyện các mô hình học sâu cho độ chính xác khá cao: ResNet50 (89%), DenseNet121 (93%), DenseNet169 (95%).
Tập dữ | Hướng h STT Tên tác giả Tên công trình. Kết quả liệu tiếp cận Transfer Learning VGG16_ | Accuracy: 78% based Adarsh Pradhan APTOS Inception 1 Classification of| 2015 và cộng sự V3 Accuracy: 73 Diabetic Retinopathy Stages ResNet5 0 Accuracy: 73% Automated A A Accuracy: Diabetic VGGI6 | 50. | Retinopathy APTOS 2 | Chaturvedi và | Grading using | 2019 cộng sự Deep Inception Accuracy: Net V3 Convolutional ° 63.23% Neural Network 3 | Alan Lands va | Implementation of |APTOS 5 Training P 2015 _ | Resnet>0 | accuracy: 89% II cộng sự deep learning based | + algorithms 8 for 2019 APTOS DenseNe | Training diabetic retinopathy t121 Accuracy: 93% classification from fundus images DenseNe | Training 169 Accuracy: 95% Bang 1. Một số công trình phân loại anh chụp đáy mắt 1.
Lý do thực hiện đề tài Trong xã hội hiện đại ngày nay, bệnh tiểu đường là một trong số các bệnh mãn tính thường gặp nhất, các biến chứng từ bệnh này cũng rất nhiều. Các thiết bị hiện đại đã có thé chụp được ảnh đáy mắt với độ phân giải cao giúp bác sĩ chan đoán bệnh tốt hơn. Tuy nhiên, việc chan đoán gặp nhiều khó khăn đòi hỏi phải có kiến thức chuyên môn, kinh nghiệm nhiều. Do đó việc hỗ trợ chan đoán của trí tuệ nhân tạo dựa vào ảnh chụp đáy mắt là rất cần thiết.
Giúp giảm bớt các khó khăn khi chẩn đoán bệnh, hạn chế việc chẩn đoán sai. Mục tiêu đề tài Luận văn nay sẽ trình bay cơ sở lý thuyết trong phân loại bệnh VMĐTĐ. Giới thiệu các mô hình học sâu phân loại ảnh y khoa độ phân giải cao, giải quyết bài toán phân lớp bệnh VMĐTĐ. Xây dựng phần mềm phân loại bệnh VMĐTĐ của ảnh chụp đáy mắt, hỗ trợ chân đoán trong khám chữa bệnh.
Phân loại ảnh chụp đáy mắt xem ảnh đó thuộc lớp nào trong các lớp: Không bệnh (No DR), Bệnh nhẹ (Mild), Bệnh trung bình (Moderate), Bệnh nang (Severe), Bệnh tăng sinh — giai đoạn nặng nhất (Proliferative) bằng phương pháp sử dụng mô hình học sâu phân loại ảnh có độ phân giải cao. Đối tượng nghiên cứu 12 Nghiên cứu tổng quan về phân loại bệnh VMĐTĐ trên ảnh chụp đáy mắt. Các mô hình học sâu trong bài toán phân loại ảnh chụp đáy mắt: VGG 16, Inception 'V3, Resnet 50, Inception-Resnet V2, EfficientNet B3. Phạm vi nghiên cứu Các công trình nghiên cứu liên quan, các phương pháp kỹ thuật đã có trong bài toán phân loại bệnh VMDTD.
Các mô hình học sâu trong bài toán phân loại ảnh chụp đáy mắt, huấn luyện các mô dé phân loại ảnh. Lập trình ứng dụng .NetFramework, cơ sở dit liệu Sql Server. Lập trình ứng dung desktop UWP. Giới han, tính mới, tính khoa học của đề tài 1.
Giới hạn của đề tài Đề tài nghiên cứu đặc điểm phân loại bệnh của ảnh chụp day mắt. Tìm hiểu, áp dụng các mô hình học sâu vào bài toán phân loại ảnh chụp đáy mắt. Tìm hiểu thêm các mô hình học sâu khác đê áp dụng vào bài toán. Tính mới của đề tài Tìm hiểu các phương pháp phân loại bệnh VMĐTĐ trên ảnh chụp đáy mắt.
Ứng dụng mô hình học sâu mới EfficientNet vào bài toán phân loại ảnh chụp đáy mat. Thu thập dữ liệu ảnh chụp day mắt của người bệnh đến khám và được bác sĩ chỉ định chụp ảnh đáy mắt tại Phòng khám mắt của Bệnh viện ĐKKV Cai Lậy. Ảnh chụp đáy mắt được phân loại bởi bác sĩ tại Bệnh viện ĐKKV Cai Lậy và Bệnh viện Mắt Tp. Thực hiện gan nhãn dữ liệu.
Tiền xử lý dữ liệu (cắt bỏ vùng màu đen xung quanh ảnh). Ứng dụng các mô hình học sâu dé phân loại bệnh VMĐTĐ trên ảnh chụp đáy mắt thu thập được. Tính khoa học của đề tài Đề tài đã áp dụng các mô hình học sâu mới phát triển vào bài toán phân lớp ảnh chụp day mắt. Tìm hiểu lý thuyết và làm các thực nghiệm dé so sánh kết qua với các mô hình khác.
Bệnh võng mạc tiểu đường (đái tháo đường) 2. Võng mạc là gì Võng mạc là bộ phận của mắt, có chức năng gửi tín hiệu dọc theo thần kinh thị giác đến não bộ giúp chúng ta có thể nhìn thấy. Võng mạc (màng thần kinh) chính là lớp màng trong cùng của nhãn cầu. Bệnh võng mạc tiểu đường là gì Bệnh VMDTD thường là do bệnh lý tiểu đường gây ra.
Bệnh xảy ra ở hầu hết ở các trường hợp người mắc bệnh tiéu đường tiến triển sau một khoảng thời gian dai. Cac giai doan tiến triển của bệnh: - Normal: Chưa bị bệnh - Mild: Giai đoạn bệnh nhẹ - Moderate: Giai đoạn bệnh vừa - Severe: Giai đoạn bệnh nặng - Proliferative: Giai đoạn bệnh nặng nhất 15 Hình 2. Sự tiến triển của bệnh lý VMĐTĐ (Nguồn hình [6]) 2. Lý thuyết máy học Bài toán xử lý, phân loại ảnh y tế đã có nhiều công trình nghiên cứu được đưa ra nhằm nâng cao độ chính xác cho kết quả phân loại.
Bắt đầu với các thuật toán machine learning, phương pháp này chủ yếu phân tích nghiên cứu và thử nghiệm các ký thuật trích xuất đặc trưng nhằm chọn ra phương pháp tối ưu nhất để đưa vào bộ phân loại. Có hai cách phổ biến phân nhóm các thuật toán Machine learning: e Dua trên phương thức học (learning style) e Dua trên chức năng (function). Lý thuyết học sâu 2. Khái niệm Mạng nơ ron tích chập (mạng CNN) Một mạng nơ ron tích chập thường có 3 thành phần sau đây: + Lớp tích chập (Convolution): Là lớp cơ bản trong kiến trúc CNN.
+ Lớp Pooling: Là lớp làm giảm kích thước không gian biểu diễn dé giảm số lượng tham số, tránh được tình trạng quá khớp (over-fitting). + Lớp Fully connected (FC): Là tầng kết nói đầy đủ các noron, thường thấy trong các lớp cuối của mạng CNN. 16 CONVOLUTION + RELY POOLING CONVOLUTION + RELU POOLING vv riAnw ruuy CONNECTED SOFTMAX há Y. HIDDEN LAYERS CLASSIFICATION Hình 2.
Cấu trúc đại diện của một mạng nơ ron tích chập. (Nguồn hình: Mathworks. Kiến trúc mạng VGG-16 VGG-16 là một mạng học sâu tích chập (CNN) được đề xuất năm 2014 trong bài báo “Very Deep Convolutional Networks for Large-Scale Image Recognition” [6] Kiến trúc mạng VGG được thé hiện trong hình 3.1, trong đó kiến trúc D được coi là kiến trúc tốt nhất và được gọi là VGG-16. VGG-16 bao gồm rất nhiều lớp tích chập (convolutional layer) có chiều sâu khác nhau đi kèm với max pooling nhằm mục đích giảm số chiều của anh, theo sau bởi 3 lớp fully-connected.
Đầu vào của VGG-16 là anh RGB có kích thước 224 x 224 pixel. Dau ra là I vector đặc trưng kích thước 1 x 1 x 1000 dùng để nhận dạng 1000 class. Đây là một kiến trúc có số lượng tham số: 138.000 VGG-16 vẫn dữ các đặc điểm của kiến trúc AlexNet nhưng có những cải tiến hơn: « Kiến trúc VGG-16 sâu hon, bao gồm 13 lớp tích chập 2 chiều (so với AlexNet là 5) và 3 lớp fully connected. 17 + _ Trong VGG-16 xuất hiện khái niệm về khối tích chập (block).
Day là những kiến trúc gồm một tập hợp các layers CNN được lặp lại giống nhau. « VGG-16 cũng kế thừa lại hàm kích hoạt activation ReLU ở mô hình AlexNet.