CHƯƠNG 1 TONG QUAN VE PHAN LOẠI ANH Y TE 1.1 Tài liệu nghiên cứu trong và ngoài nước Việc phân tích, đọc hình ảnh y tế và liên hệ bệnh lý đòi hỏi thầy thuốc phải có kiến thức rộng và kinh nghiệm nhiều. Đọc thủ công không những tốn nhiều thời gian mà còn độ tin cậy không lớn. Do đó, các nhà khoa học đã và đang nghiên cứu đưa ra các thuật toán học máy tự động để phân tích ảnh y tế nhanh chóng, hiệu quả và chính xác hơn.1 Tài liệu nghiên cứu trong nước Trong nước có thé ké đến công trình nghiên cứu và hướng dẫn trước của P.GS Tiến Sĩ Ngô Quốc Tạo đã hướng dẫn kỹ thuật “Xử lý ảnh y học và chan đoán y học” [1] và “Nghiên cứu một số kỹ thuật nội suy trong hiền thị ảnh y tế ”[2] do PGS.TS Đỗ Năng Toàn hướng dẫn. Trong thời gian gần đây, với sự phát triển mạnh mẽ về khả năng tính toán của các thế hệ máy tính hiện đại cũng như sự bùng nỗ về dữ liệu thông qua mạng lưới Internet trải rộng đã tạo.
điều kiện cho lĩnh vực học máy đạt được nhiều thành tựu ấn tượng đặc biệt trong lĩnh vực thị giác máy tính, điển hình là các bài toán phân loại ảnh trong đó có phân loại ảnh y tế như Computed Tomography ( CT), X _Quang, Siêu âm, Nội soi, Điện tim. các ảnh của các xét nghiệm mô học được xem 1:a Hình CT (Computed Tomography) 1.b Hình X_Quang Hình 1: Các loại ảnh y tế Các nghiên cứu phân loại ảnh y tế ngày càng cụ thé cho từng loại ảnh như phân loại anh CT để chẩn đoán tai biến mạch máu não; phân loại X- Quang dé chan đoán viêm phổi, ung thư phôi; phân loại ảnh mô vú dé chan đoán ung thư vú, gần đây nhất có nghiên cứu của TS. Lê Minh Hưng [3] đã sử dụng tập dữ liệu ICIAR 2018, được chia làm 4 lớp biêu thị mức độ nguy hiém của ung thư như Bình Thường (N), Lành Tinh (B), Ung Thư Biểu Mô tại chỗ (IS), Ung Thư Biểu Mô Xâm Lan (IV) ( minh họa các mức độ ở hình 2) , để phân loại ảnh mô vú hỗ trợ chan đoán ung thư với độ chính xác lên tới 95% và nếu kết hợp các ảnh loại Bình Thường (B) và Lành Tính (B) thành một nhóm và kết hop các ảnh Ung Thư Biểu Mô (IS) và Ung Thư Biểu Mô Xâm Lan (IV) thành một nhóm thì kết quả phân loại cho 2 nhóm này lên tới 97,5%. Các nghiên cứu trên đều có ưu điểm nhất định và đạt được hiệu quả ngày càng cao nhưng cũng cần phải nghiên cứu và cải tiến thêm nữa dé việc phân loại ảnh đạt hiệu quả cao hơn nữa.2 Tài liệu nghiên cứu nước ngoài Trong những năm gần đây, đã có nhiều cách tiếp cận chuyên dụng khác nhau được đề xuất dé phân loại ung thư vú.
Các phương pháp tiếp cận thông thường chủ yếu tập trung vào kỹ thuật tính năng sau đó là bộ phân loại dé phân loại các đặc điểm được trích xuất thành các loại ung thư vú khác nhau. Các tính năng này có thể là các tính năng được tạo thủ công hoặc bộ mô tả tính năng, ví dụ: biến đổi tính năng thay đổi tỷ lệ (SIFT)[4] , ma trận đồng biến mức xám (GMCL)[5] , biểu đồ của gradient có định hướng (HOG)[6] , v. Zhang et Al[7] đã sử dụng các tính năng thủ công và áp dung phân tích thành phần chính (PCA) để phân loại ung thư vú lành tính và ác tính, Spanhol và cộng sự áp dụng phương pháp học máy để phân loại ung thư vú dựa trên phương tiện của các bộ mô tả tính năng khác nhau [8], Wang và cộng sự đã sử dụng 138 bộ mô tả đặc điểm dạng văn bản sau đó là bộ phân loại nhị phân SVM để phân 3 loại hai loại ung thư vú lành tính và ác tính [9]. Mặc dù các phương pháp dựa trên kỹ thuật tính năng thu được độ chính xác thích hợp trong phân loại ung thư vú, nhưng công việc như vậy đòi hỏi quá trình xử lý trước rộng rãi, phân đoạn vùng quan tâm (ROI) và trích xuất thủ công, điều này phụ thuộc vào tính toán và con người.
Hơn nữa, các tính năng hoặc bộ mô tả tính năng được làm thủ công được coi là một tính năng cấp thấp không thể nắm bat tat cả thông tin có giá trị ân trong hình ảnh, ví dụ: thong tin hình thái học, thông tin cấu trúc mô tế bào và đặc điểm sâu khác của mô tế bào.[3] Trái ngược với các phương pháp học máy truyền thống dựa trên các tính năng được làm thủ công, các mô hình học sâu có khả năng tự động đưa ra các tính năng phức tạp và cấp độ cao từ hình ảnh. Do đó, nhiều nghiên cứu gần đây đã sử dụng phương pháp học sâu, có và không sử dụng các mô hình được đào tạo trước, để phân loại hình ảnh mô bệnh học ung thư vú. Spanhol et al. đã sử dụng CNN dé phân loại hình ảnh mô bệnh học ung thư vú và đạt được độ chính xác cao hơn từ 4 đến 6 điểm phần trăm trên tập dữ liệu BreakHis khi sử dụng một biến thể của AlexNet.
Tương tự, Bayramoglu et al. đã sử dung CNN dé phân loại các hình ảnh mô bệnh học ung thư vú không phân biệt độ phân giải của chúng bằng cách sử dụng bộ dữ liệu BreakHis. Cụ thể, nhóm tác giả đề xuất các kiến trúc CNN đơn nhiệm vụ và đa nhiệm vụ; trong khi cái trước chỉ có khả năng dự đoán độ ác tính và cái sau chỉ có thể dự đoán độ ác tính và cường độ phóng đại của hình ảnh đồng thoi[ 10]. Bằng phương pháp sử dụng mô hình VGG16 và VGG19 được tinh chỉnh cung cấp độ nhạy 97,73% cho loại ung thư biểu mô và độ chính xác tổng thé là 95,29%.
Ngoài ra, nó cung cấp điểm FI là 95,29%.[10] Thêm vào đó các mạng nơ-ron chuyển đổi (CNN) đã được chứng minh là vượt quá hiệu suất của con người trong nhiều nhiệm vụ thị giác máy tính. Nhiều mô hình CNN đã được áp dụng để phân loại ảnh y sinh bao gồm AlexNet [11], ResNet[12], Inception [13], Inception-V4 và Inception-ResNet[ 14]. Jaffar đề xuất sử dụng mô hình CNN để phân loại hình ảnh chụp X-quang tuyến vú và thu được kết quả vượt trội. Qiu và cộng sự [15] đã sử dụng máy phân loại CNN đề dự đoán nguy cơ ung thư vú ngắn han và đạt được độ chính xác trung bình là 71,4%.
Ertosun va Rubin [16] đã sử dung CNN để tìm kiếm trực quan khối lượng cũng như phân loại ung thư vú và thu được độ chính xác 85%. Qui va cộng sự [17] đã sử dung CNN dé phân loại ung thư lành tinh và ác tính trong hình ảnh chụp X-quang tuyến vú. Tương tự, trong cùng một nhiệm vụ, Jiao et al [18] thu được độ chính xác là 96,7%. Sahiner và cộng sự [19] đã áp dụng bộ phân loại CNN với miền không gian và hình ảnh kết cầu đề phân loại hình ảnh chụp X quang tuyến vú và đạt được AUC là 0,87.
Jadoon và cộng sự đã phân loại ba lớp mammogram bao gồm: bình thường, lành tính và ác tính dựa trên đặc điểm CNN mô tả [20].2 Lý do chọn đề tài Trong một số kỹ thuật hình ảnh y tế thì các hình ảnh mô bệnh học Hematoxylin và Eosin (H&E) của mô vú được coi là tiêu chuẩn vàng để chân đoán ung thư vú. Tuy nhiên, việc phân loại thủ công ung thư vú trên hình ảnh mô bệnh học gặp nhiều khó khăn : đòi hỏi kiến thức chuyên ngành, kinh nghiệm và chuyên môn của các nhà bệnh lý học, với mỗi người đọc kết quả khác nhau có thể trả lời kết quả khác nhau thậm chí đối lập nhau và thời gian dé trả lời kết quả cũng khác nhau trên cùng một hình ảnh mô bệnh. Do đó việc hỗ trợ chan đoán và tiên lượng ung thư vú có sự hỗ trợ của máy tính, từ hình ảnh mô bệnh học của mô vú là rất cần thiết. Việc này giảm bớt khó khăn cho việc chân đoán ung thư vú và tránh chân đoán sai cho các nhà bệnh lý học.3 Giới hạn, tinh mới và tính khoa học của đề tài 1.1 Giới hạn của đề tài Trong khuôn khổ dé tài tập trung nghiên cứu đặc điểm của ảnh mô bệnh và tìm hiểu phương pháp đã có đồng thời tìm hiểu phương pháp khác mới phù hợp và mới phát triển gần đây đó là mô hình EfficientNet để áp dụng cho bài toán phân loại ảnh mô bệnh của của mô vú.2 Tính mới của đề tài Đề tài đã tìm hiểu đặc điểm của ảnh mô bệnh bệnh ung thư và các phương pháp rút trích đặc trưng cho loại ảnh này đã tìm hiểu ra được phương pháp tăng cường ảnh cũng như phân loại ảnh bằng cách cắt ảnh gốc ra thành nhiều bản vá (patch) có kích thước [512,512] và chồng lấp lên nhau 50% kết quả đã thu được 35 bản vá (patch) từ ảnh gốc và việc phân loại ảnh bằng cách bằng cách xem số bản vá (patch) nào thuộc loại bệnh nào nhiều nhất thì ảnh đó thuộc loại bản vá đó đều đó tăng độ chính xác của 5 việc phân loại ảnh đáng kẻ.3 Tính khoa học của đề tài Đề ¡ đã áp dung mô hình mới phát triển, sau khi tìm hiểu thì thấy phù hợp với loại dữ liệu này và đã chạy thực nghiệm thử để so sánh hiệu quả với các phương pháp đã có.4 Mục tiêu, đối tượng và phạm vi nghiên cứu 1.1 Mục tiêu Từ những diễn giải đã nêu ở trên, đề tại tập trung nghiên cứu, phân tích những.
phương pháp đã có, kết hợp với những cải tiến để đưa vào ứng dụng thực tế nhằm đề xuất phân loại ảnh mô bệnh học của mô vú nhằm hỗ trợ chẩn đoán ung thư vú bằng phương pháp sử dụng mô hình phân loại ảnh có độ phân giải cao và sử dụng phương pháp kết hợp các tính năng học sâu đề phân loại ảnh. Với mục tiêu đặt ra, nội dung đề tài thực hiện bao gồm: - Nghiên cứu tổng quan về “phân loại ảnh y sinh” và một số mô hình tiêu biểu như: mô hình ResNet, Inception, VGG - Nghiên cứu về phương pháp kết hợp các mô hình Inception V3- ResNet. - Nghiên cứu về mô hình mới xây dựng gần đây: mô hình EfficientNet 1.2 Đối tượng và phạm vi nghiên cứu Đề tài nghiên cứu, tìm hiểu, phân tích các phương pháp, kỹ thuật đã có của việc phân loại ảnh mô tế bao. Dé từ đó vận dụng, cải tiến sao cho việc phân loại ảnh đó đạt hiệu quả cao nhất có thể.
CHƯƠNG2 CƠ SỞ KHOA HỌC 2.