Phân loại ảnh ung thư vú từ xa sử dụng mạng học sâu

Đồ án nghiên cứu tốt nghiệp công nghệ kỹ thuật điện tử viễn thông phân loại ảnh ung thư vú từ xa sử dụng mạng học, áp dụng công nghệ tiên tiến, tối ưu giải pháp kỹ thuật cho bài

• Tác giả: Nguyễn Thành Trung
• Người hướng dẫn: PGS. Nguyễn Thanh Hải
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điện Tử - Viễn Thông
• Đề tài: Phân Loại Ảnh Ung Thư Vú Từ Xa Sử Dụng Mạng Học Sâu
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục tiêu, đối tượng và giới hạn nghiên cứu
• 1.2. Nội dung thực hiện
• 1.3. Bố cục
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Một số khái niệm về các giai đoạn ung thư vú
• 2.2. Các bước thực hiện kĩ thuật chụp x-quang vú
• 2.3. Phân loại các tổn thương X-quang vú
• 2.4. Cách thức hoạt động của Deep Learning
• 2.5. Ưu và nhược điểm của Deep Learning
• 2.6. Convolutional Neural Networks (CNN)
• 2.7. Một số Mô Hình Phân Loại Dựa Trên Mô Hình CNN
• 2.8. Ứng dụng của Website trong lĩnh vực y tế
• 3. CHƯƠNG 3: PHÂN LOẠI HÌNH ẢNH UNG THƯ VÚ DÙNG MẠNG EFFICIENTNET-B0
• 3.1. Sơ đồ khối của hệ thống
• 3.2. Thu thập dữ liệu
• 3.3. Cơ Sở Dữ Liệu Mini-DDSM
• 3.4. Xử lý dữ liệu
• 3.5. Biến đổi dữ liệu (Data Transform)
• 3.6. Tinh Chỉnh Mô Hình
• 3.7. Mô hình mạng EfficientNet-B0
• 3.8. Quá Trình Huấn Luyện Mô Hình
• 3.9. Thông tin phần cứng sử dụng để huấn luyện mô hình
• 4. CHƯƠNG 4: XÂY DỰNG HỆ THỐNG CHẨN ĐOÁN TỪ XA
• 4.1. Thiết kế hệ thống chẩn đoán từ xa bệnh ung thư vú dựa trên trí tuệ nhân tạo
• 4.2. Mô hình hệ thống hỗ trợ chẩn đoán từ xa bệnh ung thư vú
• 4.3. Tổng quan về hệ thống
• 4.4. Xây dựng ứng dụng
• 4.5. Thi Công Frontend
• 4.6. Thi Công Backend
• 4.7. Thi công model API
• 5. CHƯƠNG 5: KẾT QUẢ VÀ NHẬN XÉT
• 5.1. Kết quả huấn luyện hệ thống
• 5.2. Kết quả huấn luyện thể hiện ở dạng biểu đồ
• 5.3. Đánh giá theo phương pháp ma trận nhầm lẫn
• 5.4. Kiểm tra độ chính xác và độ ổn định của hệ thống
• 5.5. Độ chính xác của hệ thống
• 5.6. Độ ổn định của hệ thống
• 5.7. Kết quả thực thi Website
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Hướng phát triển
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH SÁCH CÁC TỪ VIẾT TẮT

Tóm tắt

I. Tổng quan về phân loại ảnh ung thư vú từ xa bằng mạng học sâu

Phân loại ảnh ung thư vú từ xa bằng mạng học sâu đang trở thành một trong những giải pháp tiên tiến trong lĩnh vực y tế. Công nghệ này không chỉ giúp phát hiện sớm bệnh mà còn nâng cao độ chính xác trong chẩn đoán. Việc áp dụng mạng học sâu trong phân tích hình ảnh y tế đã mở ra nhiều cơ hội mới cho việc chăm sóc sức khỏe, đặc biệt là trong việc phát hiện ung thư vú, một trong những căn bệnh phổ biến nhất ở phụ nữ.

1.1. Khái niệm về phân loại ảnh ung thư vú

Phân loại ảnh ung thư vú là quá trình sử dụng các thuật toán học máy để phân tích và phân loại hình ảnh X-quang vú thành các nhóm như bình thường, u lành tính và ung thư. Điều này giúp bác sĩ đưa ra quyết định chính xác hơn trong việc chẩn đoán.

1.2. Tầm quan trọng của mạng học sâu trong y tế

Mạng học sâu, đặc biệt là các mô hình CNN, đã chứng minh được hiệu quả vượt trội trong việc phân tích hình ảnh y tế. Chúng có khả năng học từ dữ liệu lớn và cải thiện độ chính xác chẩn đoán, từ đó hỗ trợ bác sĩ trong việc phát hiện sớm ung thư vú.

II. Vấn đề và thách thức trong phân loại ảnh ung thư vú

Mặc dù công nghệ phân loại ảnh ung thư vú từ xa bằng mạng học sâu mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức lớn. Chất lượng dữ liệu đầu vào, sự đa dạng của các loại hình ảnh và khả năng giải thích kết quả là những vấn đề cần được giải quyết để nâng cao hiệu quả của hệ thống.

2.1. Chất lượng dữ liệu ảnh X quang

Chất lượng và độ chính xác của hệ thống phân loại phụ thuộc rất nhiều vào dữ liệu huấn luyện. Việc sử dụng các tập dữ liệu không đồng nhất có thể dẫn đến sai sót trong chẩn đoán.

2.2. Độ phức tạp trong việc giải thích kết quả

Một trong những thách thức lớn là khả năng giải thích kết quả của mô hình học sâu. Bác sĩ cần hiểu rõ lý do đằng sau các quyết định của hệ thống để có thể tin tưởng vào kết quả chẩn đoán.

III. Phương pháp phân loại ảnh ung thư vú bằng mạng học sâu

Để phân loại ảnh ung thư vú, nhiều mô hình mạng học sâu đã được áp dụng, trong đó có VGG-16, EfficientNet-B0 và DenseNet. Mỗi mô hình có những ưu điểm và nhược điểm riêng, và việc lựa chọn mô hình phù hợp là rất quan trọng để đạt được kết quả tốt nhất.

3.1. Mô hình VGG 16 trong phân loại ảnh

VGG-16 là một trong những mô hình CNN phổ biến, nổi bật với cấu trúc đơn giản nhưng hiệu quả. Mô hình này đã được chứng minh là có khả năng phân loại hình ảnh ung thư vú với độ chính xác cao.

3.2. Mô hình EfficientNet B0 và ưu điểm của nó

EfficientNet-B0 là một mô hình mới hơn, được thiết kế để tối ưu hóa hiệu suất và độ chính xác. Mô hình này có khả năng xử lý nhanh và chính xác hơn so với các mô hình truyền thống.

IV. Ứng dụng thực tiễn của phân loại ảnh ung thư vú từ xa

Hệ thống phân loại ảnh ung thư vú từ xa không chỉ giúp bác sĩ trong việc chẩn đoán mà còn có thể được áp dụng rộng rãi trong các cơ sở y tế. Việc sử dụng công nghệ này có thể giảm tải khối lượng công việc cho bác sĩ và nâng cao chất lượng chăm sóc sức khỏe.

4.1. Hệ thống chẩn đoán từ xa

Hệ thống cho phép người dùng tải lên ảnh X-quang và nhận kết quả phân loại ngay lập tức. Điều này giúp tiết kiệm thời gian và chi phí cho bệnh nhân.

4.2. Kết quả nghiên cứu và đánh giá hiệu quả

Nghiên cứu cho thấy hệ thống phân loại ảnh ung thư vú từ xa đạt được độ chính xác cao, giúp phát hiện sớm các dấu hiệu của bệnh và hỗ trợ bác sĩ trong quá trình chẩn đoán.

V. Kết luận và tương lai của phân loại ảnh ung thư vú

Phân loại ảnh ung thư vú từ xa bằng mạng học sâu là một lĩnh vực nghiên cứu đầy tiềm năng. Với sự phát triển không ngừng của công nghệ, hệ thống này hứa hẹn sẽ ngày càng hoàn thiện và được áp dụng rộng rãi trong thực tiễn, góp phần nâng cao chất lượng chăm sóc sức khỏe.

5.1. Hướng phát triển trong tương lai

Trong tương lai, việc cải thiện chất lượng dữ liệu và phát triển các mô hình học sâu mới sẽ là những yếu tố quan trọng để nâng cao hiệu quả của hệ thống phân loại ảnh ung thư vú.

5.2. Tác động đến ngành y tế

Công nghệ này không chỉ giúp phát hiện sớm ung thư vú mà còn có thể mở rộng ra nhiều lĩnh vực khác trong y tế, từ chẩn đoán đến điều trị, mang lại lợi ích cho hàng triệu bệnh nhân.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan - Trình bày tóm tắt về bệnh ung thư vú, phương pháp chẩn đoán và điều trị hiện nay. Vai trò của chụp X-quang vú (Mammography) trong chẩn đoán ung thư vú. - Giới thiệu về mạng học sâu, các kiến trúc phổ biến, ưu điểm và ứng dụng trong y tế, đặc biệt là trong phân loại ảnh. - Xác định mục tiêu đối tượng và giới hạn nghiên cứu, xây dựng nội dung thực hiện và bố cục đồ án Chương 2: CƠ SỞ LÝ THUYẾT - Tóm tắt các mô hình mạng học sâu phổ biến cho phân loại ảnh ung thư vú, phân tích ưu nhược điểm của từng mô hình và lựa chọn mô hình phù hợp cho bài toán.

- Mô tả các nguồn dữ liệu ảnh ung thư vú uy tín, cấu trúc và đặc điểm của tập dữ liệu, cũng như kỹ thuật xử lý dữ liệu trước khi huấn luyện mô hình. - Giới thiệu các chỉ số đánh giá hiệu quả mô hình phân loại, phương pháp phân tích kết quả đánh giá và điều chỉnh mô hình. 5 - Giới thiệu và cách thiết lập Website để kết nối máy học Chương 3: XÂY DỰNG MÔ HÌNH HUẤN LUYỆN - Giới thiệu khung phần mềm và công cụ phát triển được sử dụng để xây dựng mô hình. - Trình bày kiến trúc mạng học sâu được thiết kế, bao gồm các lớp mạng, hàm kích hoạt, hàm mất mát và kỹ thuật tối ưu hóa kiến trúc.

- Mô tả chi tiết quá trình huấn luyện mô hình, bao gồm chia tập dữ liệu, cài đặt tham số huấn luyện, theo dõi quá trình huấn luyện và điều chỉnh tham số khi cần thiết. - Giải thích phương pháp lưu trữ và chia sẻ mô hình sau khi hoàn thành huấn luyện. Chương 4: THI CÔNG HỆ THỐNG - Trình bày thiết kế và triển khai hệ thống web để phân loại ảnh ung thư vú từ xa. - Mô tả giao diện người dùng, chức năng chính của hệ thống, quy trình xử lý ảnh và kết quả phân loại.

- Giải thích các kỹ thuật web được sử dụng để xây dựng hệ thống, bao gồm ngôn ngữ lập trình, framework web, cơ sở dữ liệu và bảo mật web. Chương 5: KẾT QUẢ VÀ NHẬN XÉT, ĐÁNH GIÁ MÔ HÌNH - Trình bày kết quả thu được sau khi huấn luyện mô hình, bao gồm độ chính xác, độ nhạy, độ đặc hiệu và các chỉ số đánh giá khác. - Phân tích hiệu quả của mô hình và so sánh với các phương pháp phân loại ảnh ung thư vú truyền thống. - Đưa ra nhận xét về ưu và nhược điểm của mô hình, cũng như những hạn chế của nghiên cứu.

Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN - Tóm tắt những kết quả chính của nghiên cứu và khả năng hoạt động của hệ thống. 6 - Đưa ra kết luận về tiềm năng ứng dụng của hệ thống trong chẩn đoán ung thư vú từ xa. - Gợi ý một số hướng phát triển tiếp theo cho nghiên cứu, bao gồm cải thiện độ chính xác của mô hình, mở rộng khả năng phân loại sang các loại ung thư khác, và triển khai hệ thống vào thực tế lâm sàng. 7 Chương 2: CƠ SỞ LÝ THUYẾT 2.

Ung thư vú Ung thư vú là bệnh liên quan đến sự phát triển bất thường của tế bào vú. Dưới điều kiện bình thường thì tế bào vú sẽ phân chia một cách kiểm soát và tự giới hạn, nhưng trong trường hợp ung thư quá trình này bị gián đoạn và tế bào bắt đầu phát triển không kiểm soát, tạo thành khối u ác tính. Các yếu tố góp phần vào sự phát triển của ung thư vú bao gồm [3]: 1. Yếu tố Gen: Một trong những yếu tố quan trọng nhất là di truyền.

Các gen BRCA1 và BRCA2 là những gen đặc biệt có liên quan đến nguy cơ phát triển ung thư vú và chúng có thể được truyền từ thế hệ này sang thế hệ khác. Yếu tố Hormon: Hormon estrogen và progesterone có vai trò quan trọng trong sự phát triển của tế bào vú. Estrogen dư thừa trong cơ thể có thể tăng nguy cơ mắc ung thư vú. Lối sống và môi trường: Hút thuốc lá, tiêu thụ rượu, tiếp xúc với các chất độc hại, thiếu vận động và chế độ ăn uống không cân đối.

Tuổi tác: Nguy cơ mắc ung thư vú tăng theo độ tuổi, với hầu hết các trường hợp được chẩn đoán ở phụ nữ sau tuổi 50. Các triệu chứng và dấu hiệu của UTV [19] 8 2. Một số khái niệm về các giai đoạn ung thư vú Ung thư vú được chia thành các giai đoạn khác nhau dựa trên mức độ tiến triển của bệnh. Ở giai đoạn đầu hay còn gọi là tiền ung thư, các tế bào bất thường chỉ mới bắt đầu tăng trưởng bất thường trong các ống dẫn sửa.

Giai đoạn I là giai đoạn xâm lấn, các tế bào khối u đã lan sang các mô vú khỏe mạnh nhưng vẫn chỉ nằm trong một khu vực nhỏ. Đến giai đoạn II, tế bào ung thư đã phát triển và lan đến một vùng giới hạn của vú và các hạch bạch huyết. Gian đoạn III cho các tế bào ung thư đã lan rộng đến các hạch bạch huyết nhưng vẫn chưa di căn đến xương và các cơ quan khác. Cuối cùng khi đã đến gian đoạn IV thì các tế bào ung thư đã di căn xa vú gây ảnh hưởng đến xương, phổi, gan và não làm cho việc điều trị trở nên rất khó khăn so với các giai đoạn trước [4].

Các giai đoạn của ung thư vú [20] 2.Chụp X-quang vú Các phương pháp sàng lọc để phát hiện sớm ung thư vú bao gồm tự kiểm tra vú hằng ngày, khám sức khoẻ định kỳ sau tuổi 40 và đặc biệt là chụp X-quang tuyến vú (mammography). Chính vì vậy, chụp X-quang tuyến vú được coi là một phương pháp quan trọng trong việc giảm tỷ lệ chết do ung thư vú, lên tới 20-22% [5] và có giá trị cao trong chương trình sàng lọc phát hiện ung thư vú ở mỗi quốc gia. Ngoài ra, chụp X-quang được khuyến nghị cho những bệnh nhân nữ có triệu chứng lâm sàng và những người có tiền sử gia đình bị ung thư vú [6]. Theo đó, chụp X-quang vú được chỉ định như sau: Sàng lọc ung thư vú ở phụ nữ không có triệu chứng với độ tuổi sàng lọc từ 40 - 75 tuổi để chụp X-quang vú hai năm một lần và mỗi năm một lần với phụ nữ có nguy cơ cao.

Ảnh X-quang vú Nhu cầu chụp X-quang vú hiện nay là rất lớn. Chính vì thế nên cần phải có nhiều bác sĩ chuyên về phiên giải hình ảnh X-quang vú hay còn gọi là bác sĩ chẩn đoán hình ảnh ung thư vú. Tuy nhiên ở Việt Nam vẫn chưa có nghiên cứu cụ thể về số lượng bác sĩ chẩn đoán hình ảnh ung thư vú có thể đáp ứng được với nhu cầu đang tăng cao về chụp X-quang tuyến vú. Theo một nghiên cứu dự đoán tại Mỹ cho thấy rằng trong hai thập kỷ tới sẽ có sự thiếu hụt trầm trọng về số lượng bác sĩ chẩn đoán hình ảnh X-quang tuyến vú.

Điều này gợi ra một vấn đề quan trọng về việc cần phải đảm bảo có đủ nguồn nhân lực chuyên môn trong lĩnh vực này để đáp ứng nhu cầu sàng lọc và chẩn đoán ung thư vú. Các bước thực hiện kĩ thuật chụp x-quang vú – Giải thích cho bệnh nhân về quy trình chụp Xquang vú. – Bệnh nhân cởi áo ngoài và áo lót, có thể thay áo rộng không cần cài cúc phía trước để thuận tiện cho quá trình chụp. – Bệnh nhân sẽ đứng hoặc ngồi quay mặt về phía máy chụp.

– Đặt vú lên bảng nhận ảnh, ép vú bởi tấm nhựa ép vú của máy. Ép đủ lực cho tuyến vú mỏng ra và dàn đều giúp quan sát rõ hơn tổn thương vú, giảm cường độ chiếu tia, ảnh không bị rung do di động (chú ý cảm giác đau của bệnh nhân). – Chụp ít nhất ở hai tư thế: Tư thế thẳng trên dưới, tư thế chếch trong-ngoài .Có thể chụp tư thế nghiêng phối hợp xác định rõ hơn vị trí của tổn thương. – Chụp ép phóng đại khu trú vùng nghi ngờ tổn thương hoặc tổn thương chưa được bộc lộ rõ trên các tư thế đã chụp.

10 – Hình ảnh chụp X-quang vú sẽ được xử lý và lưu trữ dưới dạng hình ảnh số hoặc được in phim. – Siêu âm vú phối hợp (Hình ảnh X-quang vú luôn được đọc phối hợp với hình ảnh siêu âm vú). – Phân tích hình ảnh, kết luận hình ảnh tuyến vú theo phân loại BIRADS [7]. Ảnh minh họa chụp ung thư vú tại bệnh viện.

Phân loại các tổn thương X-quang vú Hiện nay, tại Việt Nam tất cả các bệnh viện đều đang áp dụng hệ thống phân loại BIRADS năm 2013 (Breast Imaging Reporting and Data System) để phân loại mức độ ác tính của các tổn thương trên X-quang tuyến vú [8]: • BI-RADS 0: không đánh giá được tổn thương trên X-quang tuyến vú, cần dựa vào các thăm dò khác. • BI-RADS 1: Tuyến vú bình thường, không có tổn thương. • BI-RADS 2: Tổn thương ở vú thuộc dạng lành tính. • BI-RADS 3: Tuyến vú có tổn thương khả năng là tổn thương lành tính.

Tuy nhiên cần theo dõi trong khoảng thời gian ngắn để đưa ra các kết luận chính xác. Nguy cơ ác tính >0% nhưng <2%. • BI-RADS 4: Vùng vú có những dấu hiệu bất thường khả năng là tổn thương ác tính. Bác sĩ sẽ chỉ định người bệnh làm sinh thiết để đánh giá được chính xác mức độ tổn thương.

• BI-RADS 5: Ở mức độ này, tổn thương ở vú gần như chắc chắn là ác tính, tỷ lệ mắc phải ung thư vú là rất cao (lớn hơn 95%). Mô vú có tổn thương (hình bên trái) và các kiểu mô vú (hình bên phải) theo BI-RADS. Một vấn đề phổ biến trong hệ thống y tế ở Việt Nam hiện nay là ngoài sự thiếu hụt các bác sĩ có chuyên môn về đọc phim X-quang tuyến vú thì còn có khoảng cách lớn về trình độ của giữa các bệnh viện trung ương với tuyến cơ sở. Điều này ảnh hưởng trực tiếp đến độ chính xác của chẩn đoán X-quang tuyến vú.

Để giải quyết vấn đề này, một giải pháp được đề xuất là sử dụng trí tuệ nhân tạo để phát triển một hệ thống hỗ trợ chẩn đoán X-quang ung thư vú. Mục tiêu của hệ thống này là tăng độ chính xác của chẩn đoán, giảm thời gian đọc kết quả và giảm sự chênh lệch về độ chính xác giữa các bác sĩ ở các tuyến khác nhau. Hiện nay, nghiên cứu về ứng dụng trí tuệ nhân tạo (AI) trong chẩn đoán ung thư vú đang thu hút sự quan tâm lớn trên toàn cầu, bao gồm cả Việt Nam.