Xây dựng thuật toán phân vùng để phân loại và xác định kích thước khối u não

Phân loại và đo kích thước khối u não chính xác với thuật toán phân vùng. Tìm hiểu các phương pháp chẩn đoán và đánh giá khối u não hiệu quả.

• Tác giả: Mai Phạm Tuân
• Người hướng dẫn: Ts. Nguyễn Thanh Nghĩa
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Y Sinh
• Đề tài: Xây Dựng Thuật Toán Phân Vùng Để Phân Loại Và Xác Định Kích Thước Khối U Não
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Phân Loại Đo Kích Thước Khối U Não

U não là một bệnh lý nguy hiểm, ảnh hưởng lớn đến sức khỏe và tính mạng con người. Việc phát hiện sớm và đánh giá chính xác kích thước, loại khối u đóng vai trò then chốt trong việc lựa chọn phương pháp điều trị phù hợp. Các phương pháp chẩn đoán hình ảnh, đặc biệt là ảnh cộng hưởng từ (MRI) và ảnh cắt lớp vi tính (CT), cung cấp những thông tin quan trọng về vị trí, hình dạng, kích thước và đặc điểm của khối u. Tuy nhiên, việc phân tích và đo đạc thủ công tốn nhiều thời gian và dễ mắc sai sót. Do đó, việc ứng dụng thuật toán phân vùng ảnh y tế để tự động hóa quá trình này là vô cùng cần thiết. Thuật toán phân vùng giúp xác định ranh giới của khối u, từ đó tính toán kích thước và phân loại khối u một cách chính xác và nhanh chóng. Các nghiên cứu gần đây tập trung vào việc sử dụng học sâu trong phân vùng khối u, đặc biệt là các mạng nơ-ron tích chập (CNN), mang lại kết quả đầy hứa hẹn. Theo thống kê của GLOBOCAN năm 2020, u não là một trong những nguyên nhân gây tử vong hàng đầu do ung thư, đặc biệt ở trẻ em và thanh thiếu niên. “U não chiếm 2% trong tổng số các ca ung thư từ mọi nhóm tuổi” (Trích dẫn từ khóa luận tốt nghiệp). Do đó, việc cải tiến và ứng dụng các thuật toán phân vùng khối u não hiệu quả có ý nghĩa vô cùng quan trọng trong việc nâng cao chất lượng chẩn đoán và điều trị bệnh.

1.1. Tầm quan trọng của phân loại và đo lường chính xác

Phân loại và đo lường chính xác khối u não là yếu tố then chốt để xác định giai đoạn bệnh, lựa chọn phương pháp điều trị (phẫu thuật, xạ trị, hóa trị, hoặc kết hợp), và theo dõi đáp ứng điều trị. Sự khác biệt về kích thước và loại khối u ảnh hưởng trực tiếp đến tiên lượng bệnh và khả năng sống sót của bệnh nhân. Các ứng dụng của phân vùng khối u não trong điều trị rất đa dạng, từ lập kế hoạch phẫu thuật đến đánh giá hiệu quả của thuốc. Ví dụ, phân loại khối u não theo mức độ ác tính giúp bác sĩ đưa ra quyết định về việc có nên phẫu thuật cắt bỏ hoàn toàn khối u hay không. Đánh giá sự phát triển của khối u não theo thời gian, dựa trên kết quả đo kích thước định kỳ, giúp theo dõi diễn tiến bệnh và điều chỉnh phác đồ điều trị kịp thời. Điều này đặc biệt quan trọng trong trường hợp khối u không thể phẫu thuật hoặc có nguy cơ tái phát cao.

1.2. Giới thiệu các phương pháp chẩn đoán hình ảnh u não chính

Chẩn đoán hình ảnh đóng vai trò trung tâm trong việc phát hiện và đánh giá u não. Ảnh cộng hưởng từ não (MRI) là phương pháp được ưa chuộng do khả năng cung cấp hình ảnh chi tiết về cấu trúc não và phân biệt rõ ràng giữa các mô khác nhau. MRI có thể phát hiện những thay đổi nhỏ nhất trong não, giúp phát hiện sớm khối u và đánh giá mức độ xâm lấn. Ảnh cắt lớp vi tính não (CT) cũng là một lựa chọn phổ biến, đặc biệt trong trường hợp khẩn cấp hoặc khi bệnh nhân không thể chụp MRI. CT nhanh chóng và dễ thực hiện, cung cấp thông tin hữu ích về kích thước và vị trí của khối u. Ngoài ra, các kỹ thuật hình ảnh tiên tiến khác như chụp PET (Positron Emission Tomography) và SPECT (Single Photon Emission Computed Tomography) cũng được sử dụng để đánh giá hoạt động trao đổi chất của khối u, giúp phân biệt giữa khối u lành tính và ác tính. Việc preprocessing ảnh MRI não là rất quan trọng để cải thiện chất lượng ảnh và chuẩn bị cho quá trình phân vùng.

II. Vấn Đề Thách Thức Khi Phân Vùng Khối U Não MRI

Mặc dù các thuật toán phân vùng khối u não đã có những tiến bộ đáng kể, nhưng vẫn còn nhiều thách thức cần vượt qua. Một trong những thách thức lớn nhất là sự biến đổi lớn về hình dạng, kích thước và vị trí của khối u giữa các bệnh nhân. Khối u có thể xuất hiện ở bất kỳ vị trí nào trong não, với hình dạng phức tạp và kích thước khác nhau, gây khó khăn cho việc xây dựng các thuật toán phân vùng tổng quát. Ngoài ra, sự hiện diện của các hiệu ứng nhiễu, artifact và sự không đồng nhất cường độ trong ảnh MRI cũng ảnh hưởng đến độ chính xác của phân vùng. Một số nghiên cứu chỉ ra rằng, độ chính xác phân vùng khối u có thể bị ảnh hưởng bởi các yếu tố như độ phân giải ảnh, kỹ thuật chụp ảnh và loại máy quét MRI được sử dụng. Hơn nữa, việc phân biệt giữa khối u và các cấu trúc não bình thường lân cận, đặc biệt là trong trường hợp khối u có ranh giới không rõ ràng, là một thách thức không nhỏ. Cuối cùng, việc đánh giá và so sánh hiệu quả của các thuật toán phân vùng khác nhau là một vấn đề nan giải do thiếu bộ dữ liệu chuẩn và các tiêu chí đánh giá thống nhất. Do đó, việc phát triển các thuật toán phân vùng mạnh mẽ, có khả năng thích ứng với sự biến đổi lớn của khối u và giảm thiểu ảnh hưởng của nhiễu, artifact là vô cùng quan trọng.

2.1. Sự phức tạp của khối u và ảnh hưởng nhiễu ảnh MRI

Sự phức tạp của khối u, thể hiện ở sự đa dạng về hình dạng, kích thước và vị trí, là một thách thức lớn đối với các thuật toán phân vùng. Các khối u có thể có hình dạng bất thường, với các phần mở rộng xâm lấn vào các mô não xung quanh, gây khó khăn cho việc xác định ranh giới chính xác. Ngoài ra, nhiễu ảnh MRI và sự không đồng nhất cường độ có thể làm mờ ranh giới khối u, gây khó khăn cho việc phân biệt giữa khối u và các mô não bình thường. Các artifact do chuyển động của bệnh nhân, sự hiện diện của kim loại trong cơ thể hoặc các yếu tố kỹ thuật khác cũng có thể làm giảm chất lượng ảnh và ảnh hưởng đến độ chính xác của phân vùng. Việc postprocessing kết quả phân vùng khối u là cần thiết để loại bỏ các vùng phân vùng sai và cải thiện độ chính xác tổng thể.

2.2. Vấn đề phân biệt khối u với các cấu trúc não lân cận

Một trong những thách thức lớn nhất trong phân vùng khối u não là việc phân biệt giữa khối u và các cấu trúc não bình thường lân cận, đặc biệt là trong trường hợp khối u có ranh giới không rõ ràng hoặc xâm lấn vào các mô não xung quanh. Các cấu trúc não như chất trắng, chất xám, não thất và mạch máu có thể có cường độ tín hiệu tương tự như khối u trên ảnh MRI, gây khó khăn cho việc phân biệt. Sự hiện diện của phù não (edema) xung quanh khối u cũng có thể làm mờ ranh giới và gây khó khăn cho việc phân vùng chính xác. Các thuật toán phân vùng cần phải được thiết kế để có khả năng phân biệt các đặc điểm hình thái và cường độ tín hiệu khác nhau giữa khối u và các cấu trúc não lân cận, đồng thời giảm thiểu ảnh hưởng của phù não.

2.3. Thiếu dữ liệu chuẩn và tiêu chí đánh giá thống nhất

Việc đánh giá và so sánh hiệu quả của các thuật toán phân vùng khác nhau là một vấn đề nan giải do thiếu bộ dữ liệu chuẩn và các tiêu chí đánh giá thống nhất. Hiện tại, có rất nhiều bộ dữ liệu u não MRI khác nhau, với kích thước, độ phân giải và đặc điểm khác nhau, gây khó khăn cho việc so sánh kết quả giữa các nghiên cứu. Ngoài ra, các tiêu chí đánh giá như Dice score và IoU (Intersection over Union) có thể không phản ánh đầy đủ hiệu quả của thuật toán phân vùng trong một số trường hợp nhất định. Cần có sự đồng thuận về việc sử dụng bộ dữ liệu chuẩn và các tiêu chí đánh giá thống nhất để đảm bảo tính khách quan và khả năng so sánh của các nghiên cứu về phân vùng khối u não.

III. Phương Pháp Phân Vùng Khối U Não Bằng Thuật Toán GraphCut

Thuật toán GraphCut là một phương pháp phân vùng ảnh mạnh mẽ, dựa trên lý thuyết đồ thị. Ý tưởng cơ bản của GraphCut là biểu diễn ảnh dưới dạng một đồ thị, trong đó mỗi pixel tương ứng với một nút, và các pixel lân cận được nối với nhau bằng các cạnh. Trọng số của các cạnh thể hiện mức độ tương đồng giữa các pixel. Bài toán phân vùng ảnh được chuyển thành bài toán tìm một lát cắt trên đồ thị, sao cho lát cắt này chia đồ thị thành hai phần, tương ứng với đối tượng và nền. Lát cắt được chọn sao cho tổng trọng số của các cạnh bị cắt là nhỏ nhất, tức là đảm bảo rằng các pixel tương đồng được gộp lại với nhau, và các pixel khác biệt được tách rời. Trong ứng dụng phân vùng khối u não, GraphCut có thể được sử dụng để phân biệt giữa khối u và các mô não bình thường. Các công cụ phân vùng khối u não dựa trên GraphCut thường kết hợp thông tin về cường độ tín hiệu, hình dạng và vị trí của khối u để xây dựng đồ thị và tìm lát cắt tối ưu. Các nghiên cứu cho thấy rằng GraphCut có thể đạt được độ chính xác cao trong phân vùng khối u não, đặc biệt là trong trường hợp khối u có ranh giới rõ ràng.

3.1. Cơ sở lý thuyết của thuật toán GraphCut trong xử lý ảnh

Thuật toán GraphCut dựa trên lý thuyết đồ thị, trong đó ảnh được biểu diễn dưới dạng một đồ thị có trọng số. Mỗi pixel trong ảnh được coi là một nút trong đồ thị, và các pixel lân cận được kết nối bằng các cạnh. Trọng số của mỗi cạnh biểu thị mức độ tương đồng giữa hai pixel lân cận. Mục tiêu của thuật toán GraphCut là tìm một lát cắt trên đồ thị sao cho chia đồ thị thành hai tập hợp nút, tương ứng với đối tượng và nền, sao cho tổng trọng số của các cạnh bị cắt là nhỏ nhất. Việc tìm kiếm lát cắt tối thiểu này có thể được thực hiện bằng các thuật toán tối ưu hóa đồ thị hiệu quả. GraphCut có khả năng xử lý các bài toán phân vùng phức tạp, trong đó đối tượng có hình dạng bất thường hoặc ranh giới không rõ ràng.

3.2. Ứng dụng GraphCut để phân vùng khối u Ưu và nhược điểm

Trong ứng dụng phân vùng khối u não, GraphCut có thể được sử dụng để phân biệt giữa khối u và các mô não bình thường dựa trên sự khác biệt về cường độ tín hiệu, hình dạng và vị trí. Thuật toán này có ưu điểm là có thể kết hợp nhiều loại thông tin khác nhau để xây dựng đồ thị và tìm lát cắt tối ưu, giúp cải thiện độ chính xác của phân vùng. Tuy nhiên, GraphCut cũng có một số nhược điểm, bao gồm yêu cầu tính toán lớn, đặc biệt là đối với ảnh có kích thước lớn, và sự phụ thuộc vào các tham số điều chỉnh, chẳng hạn như trọng số của các cạnh, có thể ảnh hưởng đến kết quả phân vùng. Ngoài ra, GraphCut có thể gặp khó khăn trong việc phân vùng các khối u có ranh giới không rõ ràng hoặc xâm lấn vào các mô não xung quanh.

3.3. Pinpoint Cải tiến GraphCut cho phân vùng khối u chính xác

Pinpoint là một thuật toán cải tiến dựa trên GraphCut, được thiết kế đặc biệt cho phân vùng khối u não. Pinpoint sử dụng một phương pháp gán trọng số cạnh thông minh, dựa trên thông tin về cường độ tín hiệu và vị trí của khối u, để cải thiện độ chính xác của phân vùng. Thuật toán này cũng sử dụng một kỹ thuật hậu xử lý để loại bỏ các vùng phân vùng sai và làm mịn ranh giới của khối u. Các nghiên cứu cho thấy rằng Pinpoint có thể đạt được độ chính xác cao hơn so với GraphCut truyền thống trong phân vùng khối u não, đặc biệt là trong trường hợp khối u có ranh giới không rõ ràng hoặc xâm lấn vào các mô não xung quanh. Nghiên cứu trong luận văn tham khảo có sử dụng “mạng nơ - ron và thuật toán GraphCut - Pinpoint để phân vùng ảnh”. Việc kết hợp GraphCut - pinpoint với các kỹ thuật học sâu có thể mang lại kết quả phân vùng tốt hơn.

IV. Phân Vùng Khối U Não Dùng Mạng Nơ ron Tích Chập CNN

Mạng nơ-ron tích chập (CNN) đã chứng minh được hiệu quả vượt trội trong nhiều bài toán xử lý ảnh, bao gồm cả phân vùng ảnh y tế. CNN có khả năng tự động học các đặc trưng quan trọng từ ảnh, giúp phân biệt giữa khối u và các mô não bình thường. Các kiến trúc CNN phổ biến được sử dụng cho phân vùng khối u não bao gồm U-Net, V-Net và Mask R-CNN. U-Net là một kiến trúc CNN đặc biệt hiệu quả cho phân vùng ảnh y tế, với cấu trúc hình chữ U giúp kết hợp thông tin từ nhiều mức độ phân giải khác nhau. V-Net là một biến thể của U-Net, được thiết kế đặc biệt cho phân vùng ảnh 3D. Mask R-CNN là một kiến trúc CNN mạnh mẽ, có khả năng phát hiện và phân vùng nhiều đối tượng khác nhau trong ảnh, bao gồm cả khối u não. Các nghiên cứu cho thấy rằng CNN có thể đạt được độ chính xác cao trong phân vùng khối u não, vượt trội so với các phương pháp truyền thống.

4.1. Ưu điểm của CNN trong phân vùng ảnh y tế nói chung

CNN có nhiều ưu điểm vượt trội so với các phương pháp phân vùng ảnh truyền thống. CNN có khả năng tự động học các đặc trưng quan trọng từ ảnh, giúp giảm thiểu sự can thiệp của con người trong quá trình thiết kế đặc trưng. CNN có thể xử lý ảnh có kích thước lớn và độ phức tạp cao, đồng thời có khả năng thích ứng với sự biến đổi lớn của dữ liệu. Ngoài ra, CNN có thể được huấn luyện trên một lượng lớn dữ liệu, giúp cải thiện độ chính xác và khả năng tổng quát hóa của mô hình. Các nghiên cứu cho thấy rằng CNN có thể đạt được độ chính xác cao hơn so với các phương pháp truyền thống trong nhiều bài toán phân vùng ảnh y tế, bao gồm phân vùng khối u não, phân vùng tim mạch và phân vùng phổi.

4.2. Kiến trúc U Net và ứng dụng cụ thể trong phân vùng khối u

U-Net là một kiến trúc CNN đặc biệt hiệu quả cho phân vùng ảnh y tế, với cấu trúc hình chữ U giúp kết hợp thông tin từ nhiều mức độ phân giải khác nhau. U-Net bao gồm hai phần chính: phần giảm mẫu (encoding path) và phần tăng mẫu (decoding path). Phần giảm mẫu có chức năng trích xuất các đặc trưng từ ảnh đầu vào, trong khi phần tăng mẫu có chức năng tái tạo lại ảnh phân vùng từ các đặc trưng đã trích xuất. Cấu trúc hình chữ U của U-Net cho phép kết hợp thông tin từ cả hai phần, giúp cải thiện độ chính xác của phân vùng. Các nghiên cứu cho thấy rằng U-Net có thể đạt được độ chính xác cao trong phân vùng khối u não, vượt trội so với các kiến trúc CNN khác.

4.3. Các chiến lược huấn luyện và tối ưu hóa CNN cho bài toán này

Để đạt được hiệu quả tốt nhất trong phân vùng khối u não bằng CNN, cần áp dụng các chiến lược huấn luyện và tối ưu hóa phù hợp. Một trong những chiến lược quan trọng là sử dụng dữ liệu tăng cường (data augmentation) để tăng kích thước và sự đa dạng của tập huấn luyện. Các kỹ thuật dữ liệu tăng cường phổ biến bao gồm xoay ảnh, lật ảnh, thay đổi độ sáng và độ tương phản. Ngoài ra, cần sử dụng các hàm mất mát (loss function) phù hợp, chẳng hạn như Dice loss hoặc IoU loss, để tối ưu hóa mô hình cho bài toán phân vùng. Cuối cùng, cần sử dụng các kỹ thuật điều chỉnh siêu tham số (hyperparameter tuning) để tìm ra các giá trị tối ưu cho các tham số của mô hình, chẳng hạn như tốc độ học (learning rate) và kích thước batch (batch size).

V. Đánh Giá Kết Quả Phân Vùng Ứng Dụng Trong Y Học

Việc đánh giá kết quả phân vùng khối u não là vô cùng quan trọng để đảm bảo tính chính xác và độ tin cậy của thuật toán. Các chỉ số đánh giá phổ biến bao gồm Dice score, IoU và độ nhạy (sensitivity), độ đặc hiệu (specificity). Dice score và IoU đo mức độ chồng lấp giữa kết quả phân vùng và nhãn gốc (ground truth), trong khi độ nhạy và độ đặc hiệu đo khả năng phát hiện chính xác khối u và loại trừ các mô não bình thường. Kết quả phân vùng khối u não có thể được ứng dụng trong nhiều lĩnh vực khác nhau của y học, bao gồm lập kế hoạch phẫu thuật, xạ trị và theo dõi đáp ứng điều trị. Việc sử dụng AI trong chẩn đoán khối u não, đặc biệt là phân vùng tự động, có thể giúp bác sĩ đưa ra quyết định điều trị chính xác và kịp thời, từ đó cải thiện tiên lượng bệnh cho bệnh nhân.

5.1. Các chỉ số đánh giá hiệu quả phân vùng Dice IoU Sens

Dice score là một chỉ số đánh giá phổ biến, đo mức độ tương đồng giữa kết quả phân vùng và nhãn gốc. Dice score có giá trị từ 0 đến 1, với giá trị 1 thể hiện sự trùng khớp hoàn hảo. IoU (Intersection over Union) cũng là một chỉ số đánh giá phổ biến, đo tỷ lệ diện tích giao nhau giữa kết quả phân vùng và nhãn gốc so với diện tích hợp của chúng. IoU cũng có giá trị từ 0 đến 1, với giá trị 1 thể hiện sự trùng khớp hoàn hảo. Độ nhạy (sensitivity) đo khả năng phát hiện chính xác khối u, trong khi độ đặc hiệu (specificity) đo khả năng loại trừ các mô não bình thường. Các chỉ số này cung cấp thông tin quan trọng về hiệu quả của thuật toán phân vùng và giúp so sánh hiệu quả giữa các thuật toán khác nhau.

5.2. Ứng dụng phân vùng trong lập kế hoạch phẫu thuật và xạ trị

Kết quả phân vùng khối u não có thể được sử dụng để lập kế hoạch phẫu thuật và xạ trị một cách chính xác và hiệu quả. Trong lập kế hoạch phẫu thuật, kết quả phân vùng giúp bác sĩ xác định vị trí, kích thước và hình dạng của khối u, từ đó lựa chọn phương pháp phẫu thuật phù hợp và giảm thiểu tổn thương cho các mô não xung quanh. Trong lập kế hoạch xạ trị, kết quả phân vùng giúp bác sĩ xác định liều lượng và vùng xạ trị phù hợp, đảm bảo rằng khối u nhận được đủ liều xạ trị trong khi các mô não bình thường được bảo vệ. Việc sử dụng kết quả phân vùng trong lập kế hoạch phẫu thuật và xạ trị có thể giúp cải thiện kết quả điều trị và giảm thiểu tác dụng phụ cho bệnh nhân.

5.3. Theo dõi đáp ứng điều trị dựa trên kích thước khối u

Kết quả phân vùng khối u não có thể được sử dụng để theo dõi đáp ứng điều trị theo thời gian. Bằng cách so sánh kích thước khối u trên các ảnh MRI được chụp ở các thời điểm khác nhau, bác sĩ có thể đánh giá hiệu quả của phương pháp điều trị và điều chỉnh phác đồ điều trị nếu cần thiết. Việc theo dõi đáp ứng điều trị dựa trên kích thước khối u là một phương pháp khách quan và hiệu quả, giúp bác sĩ đưa ra quyết định điều trị chính xác và kịp thời.

VI. Kết Luận Hướng Phát Triển Thuật Toán Phân Vùng U Não

Phân vùng khối u não là một lĩnh vực nghiên cứu đầy tiềm năng, với nhiều cơ hội để cải thiện độ chính xác và hiệu quả của thuật toán. Các hướng phát triển trong tương lai bao gồm việc kết hợp thông tin từ nhiều nguồn khác nhau, chẳng hạn như ảnh MRI, CT và thông tin lâm sàng, để cải thiện độ chính xác của phân vùng. Ngoài ra, việc phát triển các thuật toán phân vùng có khả năng xử lý ảnh 3D và ảnh có độ phân giải cao cũng là một hướng đi đầy hứa hẹn. Cuối cùng, việc xây dựng các thuật toán phân vùng dựa trên học máy có khả năng tự động thích ứng với sự biến đổi lớn của dữ liệu là một mục tiêu quan trọng. Với những tiến bộ trong lĩnh vực này, hy vọng rằng trong tương lai, phân vùng khối u não sẽ trở thành một công cụ chẩn đoán và điều trị mạnh mẽ, giúp cải thiện tiên lượng bệnh cho bệnh nhân.

6.1. Tóm tắt kết quả đạt được và những hạn chế còn tồn tại

Các thuật toán phân vùng khối u não đã đạt được những tiến bộ đáng kể trong những năm gần đây, với độ chính xác và hiệu quả ngày càng được cải thiện. Tuy nhiên, vẫn còn nhiều hạn chế cần vượt qua, bao gồm sự biến đổi lớn về hình dạng, kích thước và vị trí của khối u, sự hiện diện của nhiễu ảnh MRI và sự khó khăn trong việc phân biệt giữa khối u và các cấu trúc não lân cận. Ngoài ra, việc thiếu dữ liệu chuẩn và tiêu chí đánh giá thống nhất cũng là một thách thức lớn.

6.2. Các hướng nghiên cứu tiềm năng trong tương lai

Có nhiều hướng nghiên cứu tiềm năng trong tương lai để cải thiện hiệu quả của các thuật toán phân vùng khối u não. Một trong những hướng đi đầy hứa hẹn là kết hợp thông tin từ nhiều nguồn khác nhau, chẳng hạn như ảnh MRI, CT và thông tin lâm sàng, để xây dựng các mô hình phân vùng chính xác hơn. Ngoài ra, việc phát triển các thuật toán phân vùng có khả năng xử lý ảnh 3D và ảnh có độ phân giải cao cũng là một hướng đi quan trọng. Cuối cùng, việc sử dụng các kỹ thuật học sâu tiên tiến, chẳng hạn như mạng nơ-ron tích chập (CNN) và mạng nơ-ron tái phát (RNN), để xây dựng các thuật toán phân vùng có khả năng tự động thích ứng với sự biến đổi lớn của dữ liệu là một mục tiêu quan trọng.

6.3. Ứng dụng tiềm năng của thuật toán trong y học hiện đại

Các thuật toán phân vùng khối u não có nhiều ứng dụng tiềm năng trong y học hiện đại. Chúng có thể được sử dụng để lập kế hoạch phẫu thuật và xạ trị một cách chính xác và hiệu quả, theo dõi đáp ứng điều trị theo thời gian và dự đoán tiên lượng bệnh. Ngoài ra, chúng có thể được sử dụng để hỗ trợ các bác sĩ trong việc chẩn đoán bệnh, đặc biệt là trong các trường hợp khó khăn hoặc không rõ ràng. Việc ứng dụng các thuật toán phân vùng khối u não trong y học hiện đại có thể giúp cải thiện kết quả điều trị và chất lượng cuộc sống cho bệnh nhân.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan Trình bày khái quát vấn đề đặt ra, đưa ra những lý do chọn đề tài, mục tiêu đề tài hướng đến, những nội dung đã nghiên cứu trong quá trình làm, giới hạn và bố cục đề tài. Chương 2: Cơ sở lý thuyết Trình bày về u não ở người, ảnh MRI, phương pháp phân loại u não, phân vùng u não. Chương 3: Tính toán và thiết kế hệ thống Trình bày sơ đồ khối của đề tài, phương pháp và cách tính toán của từng khối để có được kết quả, phương pháp dùng để đánh giá kết quả và thiết kế giao diện. Chương 4: Kết quả, đánh giá và nhận xét Trình bày kết quả thu được, so sánh với những mô hình huấn luyện khác.

Trình bày giao diện và hướng dẫn sử dụng phân loại và tính kích thước khối u não Đưa ra nhận xét và đánh giá về kết quả sau khi hoàn thành. Chương 5: Kết luận và hướng phát triển Trình bày những nội dung đã thực hiện được, những hạn chế của đề tài cần được giải quyết, đối chiếu với mục tiêu và đề ra hướng phát triển. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 3 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Chương 2.1 MÔ TẢ VỀ BỆNH U NÃO 2.1 Khái quát về u não U não là một tập hợp số lượng lớn các tế bào não phát triển bất thường vượt ngoài tầm kiểm soát của cơ thể.

Các u não có thể bắt đầu trực tiếp các tế bào não, tế bào đệm của hệ thần kinh trung ương, hoặc cũng có thể bắt đầu từ các bộ phận khác, rồi theo máu đến não, được gọi là u di căn não. Cơ chế hình thành: Thông thường, từ lúc sinh ra đến lúc mất đi, không có thêm tế bào thần kinh nào được sinh thêm ra nữa. Khi có đột biến không rõ nguyên nhân trong DNA khiến các tế bào phân chia mất kiểm soát thì sẽ hình thành nên u não. Ảnh hưởng: Tốc độ phát triển cũng như vị trí của u não quyết định mức độ nghiệm trọng và tầm ảnh hưởng của nó đến chức năng hệ thần kinh, thậm chí là đe doạ đến tính mạng nếu không được chẩn đoán, theo dõi và chữa trị kịp thời.

Mức độ phổ biến: U não chiếm 2% trong tổng số các ca ung thư từ mọi nhóm tuổi. Trong số các trường hợp tử vong do ung thử ở trẻ em dưới 15 tuổi và nhóm từ 20 – 39 tuổi, bệnh u não là nguyên nhân gây tử vong cao thứ 2. Người ngoài 85 tuổi có tỉ lệ bị u não cao nhất. Có khoảng 120 loại u não khác nhau, hầu hết là các khối u trong mô não, ngoài ra là u ở màng não, tuyến yên, dây thần kinh sọ não,.

Bất cứ dạng u não nào cũng có thể gây nguy hiểm cho người bệnh. Các khối u ở mô não hoặc u não lành tính thường tiến triển chậm, các triệu chứng của u não trong trường hợp này cũng sẽ xuất hiện chậm và diễn biến âm ỉ hơn. Ngược lại, nếu u não phát triển nhanh, người bệnh sẽ thầy các triệu chứng rõ rệt hơn cả về tần suất và mức độ [5].2 Phân loại bệnh u não Chia u não theo 4 cấp độ (hay còn gọi 4 giai đoạn) từ giai đoạn 1 đến giai đoạn 4. Để xác định cấp độ (giai đoạn) của khối u, bác sĩ sẽ căn cứ theo đặc điểm hình dạng của tế bào khối u quan sát được dưới kính hiển vi.

Hình BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 4 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT dạng mẫu tế bào u trông càng bình thường (giống với tế bào khoẻ mạnh) thì cấp độ u não càng thấp [5]. Hiện nay, có 03 loại khối u não thường gặp là: Glioma – U thần kinh đệm, Meningioma – U màng não, Pituitary – U tuyến yên. - U não loại Glioma U thần kinh đệm là những khối u nguyên phát bắt nguồn từ nhu mô não.

Các triệu chứng rất đa dạng và thay đổi theo vị trí, biểu hiện như thiếu sót thần kinh khu trú, bệnh não hoặc co giật. Chẩn đoán chủ yếu dựa trên MRI, bao gồm cả hình ảnh chuẩn theo trọng số T1 và T2. Tế bào thần kinh đệm được phân thành nhiều loại khác nhau, bao gồm nhiều tế bào hình hạt, tế bào hình sao và tế bào đệm. Các loại u thần kinh đệm khác nhau sẽ được đặt tên dựa trên vị trí tế bào mà chúng phát sinh, ví dụ như u tế bào hình sao, u nguyên bào thần kinh đệm, u tế bào thần kinh đệm hoặc u ác [6].

u tế bào hình sao u nguyên bào u tế bào thần kinh đệm Hình 2.1: Ảnh MRI u não loại Glioma - U não loại Meningioma U màng não là loại u nội sọ lành tính thường gặp nhất. Khi khối u phát triển lớn có thể gây triệu chứng thần kinh hoặc đe doạ tới tính mạng bệnh nhân. Vì vậy, người bệnh cần được chẩn đoán u màng não sớm đếm được điều trị kịp thời, hiệu quả. U màng não là một loại u nguyên phát của hệ thần kinh trung ương, u phát triển từ màng cứng hay màng nhện – lớp màng mỏng phủ lên nhu mô não và tuỷ sống.

U màng não phát triển chậm, không thầm nhiễm (xâm lấn) và đẩy các tổ chức lân cận. Phần lớn các trường hợp mắc u màng não là lành tính. Tuy BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 5 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT nhiên, chúng có thể phát triển tới kích thước rất lớn và ở một vài vị trí đặc biệt, có thể gây các triệu chứng thần kinh (yếu liệt nửa người, rối loạn thị giác, rối loạn tri giác),… hoặc đe doạ tính mạng bệnh nhân [7].2: Ảnh MRI u não loại Meningioma - U não loại Pituitary U tuyến yên là khối u tăng trưởng bất thường phát triển trong tuyến yên.

U tuyến yên nằm trong số những khối u nội tiết hay gặp nhất, chỉ đứng sau u tuyến giáp. U tuyến yên chiếm khoảng 10% các khối u trong não. Tuyến yên là tuyến hình hạt đậu nhỏ nằm ở đáy não, hơi phía sau mũi và giữa hai tai. Mặc dù có kích thước nhỏ nhưng tuyến ảnh hưởng gần như tất cả các phần của cơ thể.

Các hormone nó tạo giúp điều chỉnh chức năng quan trọng, chẳng hạn như tăng trưởng và sinh sản. U tuyến yên là khối u tăng trưởng bất thường phát triển trong tuyến yên. Những khối u tuyến yên nằm trong số những nội tiết hay gặp nhất, chỉ đứng sau u tuyến giáp. U tuyến yên chiếm khoảng 10% các khối u trong não.3: Ảnh MRI u não loại Pituitary Đại đa số các khối u tuyến yên là khối u lành tính.

Khối u tiên phát thường gặp nhất là u tuyến yên thường lành tính, phát sinh từ tế bào thuỳ trước tuyến yên. U tuyến thường giới hạn trong tuyến yên hoặc các mô hình xung quanh mà không lan sang các bộ phận khác của cơ thể [8]. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 6 CHƯƠNG 2.2 GIỚI THIỆU VỀ ẢNH MRI MRI (Magnetic Resonance Imaging) còn được gọi là chụp cộng hưởng từ, là một kỹ thuật chẩn đoán y khoa, tạo ra hình ảnh giải phẫu của cơ thể nhờ sử dụng từ trường và sóng radio. Máy MRI là một thiết bị đa năng, cho phép bác sĩ nhìn thấy hình ảnh các lớp cắt của các bộ phận cơ thể từ nhiều góc độ khác nhau.

MRI hiện đang được sử dụng phổ biến trên thế giới trong việc kiểm tra hầu hết các cơ quan trong cơ thể, đặc biệt là chụp ảnh chi tiết não hoặc thần kinh cột sống.4: Máy MRI Nguyên lý cơ bản để tạo ảnh MRI dựa trên hiện tượng cơ học và vô cực từ của hạt điện tử trong hạt nhân của nguyên tử, được xác định như sau: - Tạo tử trường mạnh: Một từ trường mạng được tạo ra bằng cách sử dụng nam châm mạnh. Đây là từ trường nhằm hướng các hạt điện tử trong cơ thể bệnh nhân theo một hướng thích hợp. - Tạo xoắn từ: Một ê - cơ từ được truyền vào cơ thể bệnh nhân để “đánh tan” từ trường mạnh đã tạo. Tín hiệu ê - cơ từ này làm cho các hạt điện tử trong cơ thể tiếp tục chuyển động và xoắn quanh hướng từ trường mới.

- Thu tín hiệu: Khi từ trường mạng được loại bỏ, các hạt điện tử trong cơ thể sẽ trở lại vị trí cân bằng ban đầu. Trong quá trình này, chúng sẽ tạo ra một tín hiệu điện nhỏ được ghi lại bởi các an - ten thu sóng radio nằm gần cơ thể. - Xử lý tín hiệu: Tín hiệu thu được sau đó được xử lý bởi máy quét MRI. Các thuật toán phức tạp được áp dụng để xác định vị trí và sự phân bố của các hạt điện tử trong cơ thể, từ đó tạo ra hình ảnh.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 7 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT - Hiển thị hình ảnh: Cuối cùng, hình ảnh MRI được tạo ra với màu sắc, cường độ và độ tương phản khác nhau, tương ứng với sự phân bố của các hạt điện tử trong cơ thể bệnh nhân. Nguyên lý này cho phép tạo ra các hình ảnh rõ nét và chi tiết về cầu trúc, cơ quan và mô trong cơ thể, giúp cho các chuyên gia y tế phát hiện và chẩn đoán các vấn đề sức khoẻ rõ ràng hơn.3 MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI U NÃO 2.1 Phương pháp máy vector hỗ trợ Phương pháp phân loại dùng máy vector hỗ trợ (Support Vector Machine - SVM) là một trong những phương pháp phân loại u não phổ biến. SVM là một thuật toán học máy có khả năng phân loại dữ liệu thành các lớp khác nhau dựa trên sự tách biệt tối đa giữa các điểm dữ liệu.

Phương pháp SVM trong phân loại ảnh u không chỉ mang lại hiệu quả và độ chính xác cao, mà còn có khả năng xử lý dữ liệu phi tuyến và chống lại Overfitting trong huấn luyện mô hình. Trong kỹ thuật máy vector hỗ trợ, không gian dữ liệu nhập ban đầu sẽ được ánh xạ vào không gian đặc trưng và siêu mặt phẳng phân chia tối ưu sẽ được xác định tập S gồm e các mẫu học: S  {( x1 , y1 ), ( x2 , y2 ), ( x3 , y3 ),.1) Với một vector đầu vào n chiều xi  R n thuộc lớp I hoặc lớp II (tương ứng nhãn yi = 1 đối với lớp I và yi = -1 đối với lớp II). Khi đó, với mỗi siêu phẳng nhận được ta có: f(x) ≥ 0 nếu đầu vào x thuộc lớp dương, và f(x) < 0 nếu x thuộc lớp âm.2) j 1 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH 8 CHƯƠNG 2.