Chương 1 TỔNG QUAN 1. Tổng quan về lĩnh vực nghiên cứu, các kết quả nghiên cứu trong và ngoài nước đã công bố Bệnh ngoài da là một trong những bệnh thường gặp ở người, có thể ảnh hưởng đến mọi lứa tuổi và giới tính. Hiện nay, trên thế giới có rất nhiều bệnh nhân mắc các bệnh về da khác nhau và rất nhiều trường hợp tử vong. Hơn nữa, bệnh ngoài da là một vấn đề toàn cầu, đứng thứ 18 trong bảng xếp hạng gánh nặng sức khỏe toàn cầu.
Trong một thống kê toàn cầu năm 2017, bệnh ngoài da chiếm khoảng 1,79% so với các bệnh khác [1], trong đó các bệnh ngoài da bao gồm viêm da (dị ứng, tiếp xúc, bã nhờn), mụn trứng cá, mày đay, vẩy nến, bệnh da do virus, bệnh nấm da, bệnh ghẻ, u ác tính, viêm tuyến thượng bì, viêm mô tế bào, ung thư biểu mô, loét do ung thư. Trong những năm gần đây, việc tăng cường hình ảnh y tế trước khi phân đoạn để nhận dạng hoặc phân loại hình ảnh đã được áp dụng [2]. Trong xác định bệnh da, tất cả các hình ảnh bệnh da được phân đoạn bằng cách sử dụng tang cường theo cấp độ [3, 4]. Ma trận đồng xuất hiện mức xám (GLCM) đã được áp dụng cho các hình ảnh được phân đoạn này để trích xuất các đặc trưng được sử dụng cho bộ phân loại dùng mạng thần kinh nhân tạo.
Hình ảnh y tế thường được lọc nhiễu để phân đoạn ROI, trong đó việc tăng cường hình ảnh để tăng độ chính xác phân loại là rất quan trọng. Hình ảnh được chụp từ các nguồn khác nhau và luôn tồn tại những loại nhiễu khác nhau. Thực tế, có nhiều loại bộ lọc để loại bỏ nhiễu trong ảnh. Để loại bỏ nhiễu không mong muốn trong một ảnh và làm sắc nét nó, bộ lọc thông cao kết hợp Gaussian và Butterworth đã được áp dụng [5, 6] trong miền tần số.
Trong [7-9], hình ảnh của các tổn thương da được phân đoạn bằng cách sử dụng phương pháp phát triển vùng, trong đó thuật toán tự động khởi tạo các điểm hạt giống được sử dụng. Kết quả của phân đoạn để trích xuất các vùng tổn thương trong hình ảnh được sử dụng trong sự kết hợp của phương pháp SVM và K-NN để phân loại với độ chính xác 61%. Trong nghiên cứu của chúng tôi, bộ lọc thông cao Butterworth sẽ được sử dụng để làm sắc nét các vùng da bị bệnh trước khi phân đoạn. Trong xử lý ảnh, thuật toán phân đoạn ảnh [10] thường được 1 1.
Tổng quan áp dụng để tách đối tượng ra khỏi ảnh để phân tích hoặc nhận dạng. Phương pháp Otsu là một trong những phương pháp phân ngưỡng thường được sử dụng cho phân đoạn [11]. Hơn nữa, phương pháp phân đoạn Otsu được sử dụng để xác định ngưỡng phát hiện vùng bệnh để phân loại [12]. Trong một ứng dụng, các tác giả đã áp dụng để tìm các điểm pixel chính, được coi là điểm mầm của da bị bệnh.
Do đó, các đặc trưng tương ứng với các điểm chính được trích xuất sau khi phân đoạn đã được áp dụng để trở thành đầu vào của bộ phân loại [13]. Trong đề tài này, phương pháp Otsu được áp dụng để phân đoạn các vùng da tổn thương, được gọi là ROI. Trong thực tế, có nhiều phương pháp lọc khác nhau để nâng cao chất lượng hình ảnh như bộ lọc trung bình và Bottom Hat, thường được áp dụng để khử nhiễu trong hình ảnh y tế. Các tác giả đã đề xuất một cách tiếp cận mới để phát hiện các đặc trưng, trong đó bộ lọc Bottom Hat được sử dụng để làm mịn hình ảnh [4, 14].
Hơn nữa, bộ lọc trung vị thường được sử dụng để loại bỏ muối và nhiễu trong hình ảnh y tế. Trong nghiên cứu này, chúng tôi sẽ áp dụng các bộ lọc trung vị và Bottom Hat để loại bỏ nhiễu và làm mờ các vùng bệnh ngoài da. Để phân đoạn hiệu quả nhằm tách ROI trong ảnh, cần phát hiện cạnh của các đối tượng trong ảnh. Trong [15], các tác giả đã đề xuất bộ dò cạnh Canny với bộ lọc trung vị lặp lại (IMF) để phát hiện đường viền tổn thương da, trong đó thuật toán phân đoạn lặp lại được cải tiến để phát hiện đường viền của các tổn thương da thật đã cho thấy sự hiệu quả.
Hiệu suất của thuật toán này tốt hơn so với thuật toán phân đoạn truyền thống. Trong bài báo của chúng tôi, phương pháp Canny được áp dụng để phát hiện các cạnh của vùng bệnh da trong hình ảnh để tách ROI. Phép toán hình thái học [16, 17] được sử dụng trong việc xử lý hình ảnh MRI có tần số T1, trong đó sự giãn nở là để nâng cao phương pháp ước lượng thể tích. Rõ ràng là phương pháp này tốt hơn so với phương pháp Stereology vì ít lát cắt MRI hơn và ít điểm kiểm tra hơn.
Trong phương pháp học sâu để phân loại tổn thương da, các yếu tố hình thái chính là một mô-đun trong hệ thống phát hiện tự động. Kết quả của phân loại này là độ chính xác 76,00% cho 5 lớp của các thành phần hình thái chính và độ chính xác 81,67% cho 3 lớp [18]. Trong nghiên cứu của chúng tôi, sự giãn nở và xói mòn theo phương pháp hình thái học được áp dụng để loại bỏ các mụn nhỏ không mong muốn và kết nối các đường chấm ở các vùng da bị bệnh. Tổng quan Trong hình ảnh y tế, việc tách ROI để trích xuất đặc điểm là rất cần thiết.
Có thể áp dụng một cách tiếp cận đơn giản và đáng tin cậy để phân đoạn vùng da nhằm tạo ROI. Trong một nghiên cứu, một phương pháp phân đoạn các vùng da mà không tạo ra nhiều vùng da nhỏ đã được đề xuất trong [19]. ROI có thể được phân tách dựa trên phân tích các chi tiết hình học của ảnh tổn thương da. Kết quả là hiệu suất trung bình của phương pháp này tốt hơn các kỹ thuật hiện đại nhất mà không cần huấn luyện [20].
Rõ ràng là đã có nhiều phương pháp khác nhau để tách ROI trong ảnh. Trong nghiên cứu của chúng tôi, sau khi tiền xử lý ảnh, phát hiện cạnh Canny sẽ được áp dụng để tách ROI nhằm trích xuất các đặc trưng tối ưu bằng phương pháp GLCM. Đối với phân loại bệnh da, trích xuất đặc trưng của ảnh bằng phương pháp GLCM đóng một vai trò quan trọng vì nó có thể chứa thông tin của vùng da bị bệnh [21-24]. Hiện nay, nhiều phương pháp đã được áp dụng để phân loại tổn thương da [25, 26].
Do đó, các thành phần đặc trưng này đã được sử dụng để làm đầu vào của bộ phân loại. Với nhiều bệnh ngoài da khác nhau của con người, việc phân loại và tìm ra bệnh tự động là rất quan trọng vì nó giúp bác sĩ chẩn đoán sớm bệnh và người bệnh có thể điều trị sớm và hiệu quả. Trong những năm gần đây, việc phân loại bằng phương pháp Trí tuệ nhân tạo (AI) đã rất phổ biến và hiệu quả [27, 28]. Đặc biệt, các tác giả đã đề xuất một mạng nơ ron tích chập (CNN) để phân loại các bệnh da bị tổn thương [27].
Với phương pháp được đề xuất này, mạng học sâu đã được sử dụng để thử nghiệm hơn 900 hình ảnh bệnh về da và nó đã cho kết quả tương đối tốt. Các thuật toán trí tuệ nhân tạo đã được đề xuất để phân loại các bệnh ngoài da [29, 30]. Đặc biệt, mô hình CNN [31] hoặc mô hình phân loại dựa trên học tập sâu nhỏ gọn với mạng nơ-ron tích chập có thể phân tách [32], DNN hiện đại [33] đã được sử dụng. Trong một nghiên cứu, các tác giả đã đề xuất mạng CNN dựa trên vùng (FRCNN) để huấn luyện ảnh lâm sàng của tổn thương da sắc tố, trong đó có hình ảnh khối u ác tính [34].
Trong nghiên cứu [35], CNN đã được áp dụng trong phân loại bệnh da Vảy nến với tỷ lệ chính xác lần lượt là 82,9% và 72,4% đối với bệnh da Vảy nến và Guttate. Rõ ràng là các mô hình phân loại sử dụng phương pháp AI cho các tập hình ảnh y tế lớn là rất quan trọng. Trong đề tài này, chúng tôi đã đề xuất một phương pháp phân loại tự động, trong đó sáu đặc trưng nổi bật được trích xuất từ ảnh năm loại bệnh da và sau đó thông qua 3 1. Tổng quan mạng nơ ron nhiều lớp (MLNNs) [36, 37] để phân loại.
Tất cả những hình ảnh này đều được tiền xử lý để loại bỏ các thành phần không cần thiết, cũng như tăng cường chất lượng trước khi lọc để tách ROI và trích xuất các đặc trưng bằng GLCM. Các đặc trưng được trích xuất này được sử dụng để làm đầu vào của bộ phân loại MLNNs. Độ chính xác trung bình của bộ phân loại được đánh giá bằng cách sử dụng ma trận nhầm lẫn. Tính cấp thiết Bệnh da người là bệnh xuất hiện bên ngoài da và có rất nhiều bệnh khác nhau.
Hơn nữa, có một số bệnh da rất nguy hiểm từ việc ảnh hưởng đến sức khỏe cuộc sống sinh hoạt hằng ngày đến việc bị ung thư da và làm cho người bị tật đến chết người. Hầu như bệnh ngoài da khi chậm chữa trị có thể để lại rất nhiều tổn thương cho bệnh nhân và nhiều khó khăn cho gia đình và xã hội. Việc chẩn đoán sớm và nhanh có thể kịp chữa trị và con người có thể hoàn toàn bớt bệnh và phục hồi trở lại bình thường. Với công nghệ máy tính phát triển và những phương pháp xử lý ảnh hiện đại sẽ hỗ trợ cho việc nhận biết chính xác và nhanh dùng phương pháp phân tích cấu trúc ảnh hay thông minh nhân tạo.
Điều này sẽ hỗ trợ rất nhiều cho Bác sỹ trong việc chẩn đoán ra bệnh sớm và giúp bệnh nhân có cơ hội chữa trị sớm để trở lại cuộc sống bình thường. Bên cạnh việc tạo ra những kết quả chẩn đoán nhanh dùng phương pháp phân tích cấu trúc hay công nghệ nhận dạng để hổ trợ Bác sỹ thì việc nghiên cứu với những phương pháp hiện đại sẽ hỗ trợ trong giáo dục như giảng dạy Đại học, Cao học hay NCS. Cụ thể, đề tài sẽ giúp các học viên, nghiên cứu sinh sẽ có cơ hội tiếp cận những thuật toán, phương pháp mới để phát triển việc học. Hơn nữa, nó có thể phát triển để cho ra những sản phẩm có thể ứng dụng vào thực tế tại các phòng khám và bệnh viện.
Mục tiêu đề tài Thiết kế hệ thống nhận biết bệnh da người sử dụng phương pháp phân tích cấu trúc hay thuật toán mạng học sâu, trong đó tập dữ liệu với những bệnh phổ biến để đánh giá kết quả của thuật toán kiến nghị.