Báo Cáo Tổng Kết Đề Tài Phân Tích Cấu Trúc Ảnh Cho Phân Loại Bệnh Da Người

Bệnh da người là một vấn đề sức khỏe toàn cầu, ảnh hưởng đến mọi lứa tuổi và giới… 91 trang · Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh · 2021.

• Tác giả: PGS. Nguyễn Thanh Hải
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Điện – Điện Tử
• Đề tài: Phân Tích Cấu Trúc Ảnh Để Phân Loại Bệnh Da Người
• Loại tài liệu: Báo cáo tổng kết
• Năm xuất bản: 2021
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• DANH SÁCH HÌNH
• DANH SÁCH BẢNG
• DANH SÁCH TỪ VIẾT TẮT
• THÔNG TIN KẾT QUẢ NGHIÊN CỨU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về lĩnh vực nghiên cứu, các kết quả nghiên cứu trong và ngoài nước đã công bố
• 1.2. Tính cấp thiết
• 1.3. Mục tiêu đề tài
• 1.4. Cách tiếp cận, phương pháp nghiên cứu, phạm vi nghiên cứu
• 2. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 2.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phân Loại Bệnh Da Người Bằng Ảnh

Bệnh da người là một vấn đề sức khỏe toàn cầu, ảnh hưởng đến mọi lứa tuổi và giới tính. Việc chẩn đoán và điều trị sớm là vô cùng quan trọng để giảm thiểu tác động tiêu cực đến sức khỏe và chất lượng cuộc sống. Các phương pháp phân loại bệnh da truyền thống thường tốn thời gian và đòi hỏi chuyên môn cao. Do đó, việc ứng dụng công nghệ phân tích cấu trúc ảnh và học sâu đang ngày càng được quan tâm, hứa hẹn mang lại giải pháp nhanh chóng, chính xác và hiệu quả hơn. Theo thống kê năm 2017, bệnh ngoài da chiếm khoảng 1,79% so với các bệnh khác [1], nhấn mạnh tầm quan trọng của việc nghiên cứu và phát triển các phương pháp chẩn đoán tiên tiến.

1.1. Tầm Quan Trọng Của Chẩn Đoán Bệnh Da Sớm

Việc phát hiện sớm bệnh da có ý nghĩa then chốt trong việc ngăn ngừa các biến chứng nguy hiểm, đặc biệt là ung thư da. Các phương pháp phân tích cấu trúc ảnh giúp các bác sĩ chẩn đoán nhanh chóng, chính xác hơn. Các nghiên cứu gần đây tập trung vào việc sử dụng mạng nơ-ron tích chập (CNN) để phân loại bệnh da dựa trên hình ảnh, mang lại kết quả đầy hứa hẹn. Theo tài liệu gốc, các phương pháp tăng cường hình ảnh y tế trước khi phân đoạn để nhận dạng hoặc phân loại hình ảnh đã được áp dụng rộng rãi [2]. Việc kết hợp công nghệ và y học giúp cải thiện đáng kể hiệu quả chẩn đoán và điều trị.

1.2. Các Phương Pháp Phân Loại Bệnh Da Hiện Nay

Hiện nay, có nhiều phương pháp phân loại bệnh da, từ truyền thống đến hiện đại. Các phương pháp truyền thống dựa vào kinh nghiệm và kiến thức của bác sĩ, trong khi các phương pháp hiện đại sử dụng công nghệ xử lý ảnh và học máy. Các kỹ thuật như Ma trận đồng xuất hiện mức xám (GLCM), Phân tích LBP, và mạng nơ-ron đang được ứng dụng rộng rãi. Việc so sánh và đánh giá hiệu quả của các phương pháp khác nhau là rất quan trọng để lựa chọn phương pháp phù hợp nhất cho từng trường hợp cụ thể.

II. Thách Thức Trong Phân Tích Ảnh Bệnh Da Chính Xác

Mặc dù có nhiều tiềm năng, việc phân tích cấu trúc ảnh để phân loại bệnh da vẫn đối mặt với nhiều thách thức. Sự đa dạng về hình dạng, kích thước và màu sắc của các tổn thương da, cũng như sự hiện diện của nhiễu trong ảnh, có thể ảnh hưởng đến độ chính xác của quá trình phân loại. Các yếu tố như ánh sáng, góc chụp và chất lượng hình ảnh cũng cần được xem xét. Việc thu thập và chuẩn hóa dữ liệu hình ảnh bệnh da là một yêu cầu quan trọng để đảm bảo tính khách quan và tin cậy của các kết quả nghiên cứu. Theo tài liệu gốc, hình ảnh được chụp từ các nguồn khác nhau và luôn tồn tại những loại nhiễu khác nhau.

2.1. Vấn Đề Về Chất Lượng Hình Ảnh Và Nhiễu

Chất lượng hình ảnh đóng vai trò then chốt trong quá trình phân tích cấu trúc ảnh. Nhiễu, ánh sáng không đều và các yếu tố khác có thể làm giảm độ chính xác của các thuật toán phân loại. Các phương pháp tiền xử lý ảnh, như lọc nhiễu và tăng cường độ tương phản, cần được áp dụng để cải thiện chất lượng hình ảnh trước khi tiến hành phân tích. Các bộ lọc thông cao kết hợp Gaussian và Butterworth đã được áp dụng [5, 6] trong miền tần số để loại bỏ nhiễu không mong muốn trong một ảnh và làm sắc nét nó.

2.2. Sự Đa Dạng Của Các Loại Bệnh Da

Mỗi loại bệnh da có những đặc điểm riêng biệt về hình dạng, kích thước, màu sắc và kết cấu. Điều này đòi hỏi các thuật toán phân loại phải có khả năng nhận diện và phân biệt các đặc điểm này một cách chính xác. Việc xây dựng các bộ dữ liệu huấn luyện đa dạng và phong phú là rất quan trọng để đảm bảo khả năng tổng quát hóa của các mô hình học máy.

III. Phương Pháp GLCM Cho Trích Xuất Đặc Trưng Ảnh Da

Phương pháp Ma trận đồng xuất hiện mức xám (GLCM) là một kỹ thuật mạnh mẽ để trích xuất các đặc trưng kết cấu từ ảnh. GLCM phân tích mối quan hệ không gian giữa các pixel có các giá trị mức xám khác nhau, từ đó cung cấp thông tin về sự phân bố và sự lặp lại của các mẫu kết cấu trong ảnh. Các đặc trưng được trích xuất từ GLCM có thể được sử dụng để phân loại các loại bệnh da khác nhau. Phương pháp GLCM đóng một vai trò quan trọng vì nó có thể chứa thông tin của vùng da bị bệnh [21-24].

3.1. Các Bước Thực Hiện Phân Tích GLCM

Quá trình phân tích GLCM bao gồm các bước sau: (1) Chọn vùng quan tâm (ROI) trong ảnh, (2) Tính toán ma trận đồng xuất hiện mức xám cho ROI, (3) Trích xuất các đặc trưng từ ma trận GLCM, chẳng hạn như độ tương phản, năng lượng, độ đồng nhất và entropy. Các đặc trưng này thể hiện các thuộc tính thống kê của kết cấu trong ảnh.

3.2. Ưu Điểm Và Hạn Chế Của Phương Pháp GLCM

Ưu điểm của phương pháp GLCM là khả năng trích xuất thông tin kết cấu phong phú và dễ dàng triển khai. Tuy nhiên, GLCM cũng có một số hạn chế, chẳng hạn như độ phức tạp tính toán cao và sự nhạy cảm với các tham số như khoảng cách và hướng. Việc lựa chọn các tham số phù hợp là rất quan trọng để đạt được kết quả tốt nhất.

IV. Ứng Dụng Mạng Nơ Ron Phân Loại Bệnh Da Người

Mạng nơ-ron, đặc biệt là mạng nơ-ron nhiều lớp (MLNNs) và mạng nơ-ron tích chập (CNN), đã chứng minh hiệu quả trong việc phân loại bệnh da dựa trên hình ảnh. Các mạng nơ-ron có khả năng học các đặc trưng phức tạp từ dữ liệu hình ảnh và đưa ra dự đoán chính xác. Việc kết hợp phân tích GLCM với mạng nơ-ron có thể mang lại kết quả phân loại tốt hơn. 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].

4.1. Huấn Luyện Và Đánh Giá Mô Hình Mạng Nơ Ron

Quá trình huấn luyện mô hình mạng nơ-ron bao gồm việc cung cấp cho mạng một bộ dữ liệu lớn gồm các hình ảnh bệnh da đã được gán nhãn. Mạng sẽ học cách liên kết các đặc trưng trong hình ảnh với các loại bệnh da tương ứng. Sau khi huấn luyện, mô hình được đánh giá trên một bộ dữ liệu kiểm tra để đánh giá khả năng tổng quát hóa.

4.2. Các Loại Mạng Nơ Ron Phổ Biến Trong Phân Loại Da

Có nhiều loại mạng nơ-ron khác nhau có thể được sử dụng để phân loại bệnh da, bao gồm MLNNs, CNNs, và mạng nơ-ron tái phát (RNNs). CNNs đặc biệt phù hợp với việc xử lý dữ liệu hình ảnh do khả năng tự động học các đặc trưng không gian. Các 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.

V. Kết Quả Nghiên Cứu Và Ứng Dụng Thực Tế Phân Loại

Nghiên cứu về phân tích cấu trúc ảnh và học sâu để phân loại bệnh da đã mang lại nhiều kết quả hứa hẹn. Các mô hình được huấn luyện có thể đạt được độ chính xác cao trong việc phân loại các loại bệnh da khác nhau. Các ứng dụng thực tế bao gồm hỗ trợ bác sĩ trong chẩn đoán bệnh da, sàng lọc bệnh da trên quy mô lớn và phát triển các ứng dụng di động cho phép người dùng tự kiểm tra da tại nhà. Thanh-Hai Nguyen, Ba-Viet Ngo, “ROI-based Features for Classification of Skin Diseases Using a Multi-Layer Neural Network”, Indonesian Journal of Electrical Engineering and Computer Science, ACCEPTED, 2021

5.1. Độ Chính Xác Và Hiệu Quả Của Mô Hình

Độ chính xác và hiệu quả của mô hình phân loại phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu huấn luyện, kiến trúc mạng nơ-ron và các tham số huấn luyện. Các nghiên cứu đã chỉ ra rằng việc sử dụng các phương pháp tiền xử lý ảnh và lựa chọn đặc trưng phù hợp có thể cải thiện đáng kể hiệu suất của mô hình.

5.2. Ứng Dụng Trong Chẩn Đoán Và Điều Trị Bệnh Da

Các mô hình phân loại bệnh da dựa trên hình ảnh có thể được sử dụng để hỗ trợ bác sĩ trong việc chẩn đoán bệnh, đặc biệt là trong các trường hợp khó khăn. Chúng cũng có thể được sử dụng để sàng lọc bệnh da trên quy mô lớn, giúp phát hiện sớm các trường hợp cần điều trị. Ứng dụng trong chẩn đoán và điều trị bệnh da giúp các bác sĩ đưa ra quyết định điều trị sớm cho bệnh nhân.

VI. Kết Luận Và Hướng Phát Triển Của Nghiên Cứu

Việc phân tích cấu trúc ảnh và học sâu để phân loại bệnh da là một lĩnh vực nghiên cứu đầy tiềm năng. Trong tương lai, chúng ta có thể kỳ vọng vào sự phát triển của các mô hình phân loại chính xác hơn, hiệu quả hơn và có khả năng ứng dụng rộng rãi hơn trong thực tế. Các hướng phát triển tiềm năng bao gồm tích hợp thêm thông tin lâm sàng, sử dụng các kỹ thuật học sâu tiên tiến hơn và phát triển các ứng dụng di động thông minh cho phép người dùng tự kiểm tra da tại nhà.

6.1. Những Bước Tiến Mới Trong Lĩnh Vực Nghiên Cứu

Các nghiên cứu gần đây tập trung vào việc phát triển các mô hình học sâu có khả năng xử lý dữ liệu đa phương thức, bao gồm cả hình ảnh và thông tin lâm sàng. Điều này hứa hẹn sẽ mang lại kết quả phân loại chính xác hơn và cung cấp cho bác sĩ cái nhìn toàn diện hơn về tình trạng bệnh nhân.

6.2. Tiềm Năng Ứng Dụng Rộng Rãi Trong Y Học

Các ứng dụng tiềm năng của phân tích cấu trúc ảnh và học sâu trong y học là rất lớn. Chúng có thể được sử dụng để chẩn đoán và theo dõi nhiều loại bệnh khác nhau, từ bệnh da đến bệnh tim mạch và ung thư. Việc phát triển các công cụ chẩn đoán thông minh dựa trên công nghệ này có thể giúp cải thiện đáng kể chất lượng chăm sóc sức khỏe và giảm chi phí điều trị.

Nội dung chính

Phân Tích Cấu Trúc Ảnh Để Phân Loại Bệnh Da Người: Giải Pháp Đột Phá Bằng Trích Xuất Đặc Trưng ROI và Mạng Nơ-Ron

---

Tóm tắt nghiên cứu

Nghiên cứu "Phân tích cấu trúc ảnh cho phân loại bệnh da người" (Mã số đề tài: T2020-29TĐ), do PGS. Nguyễn Thanh Hải làm chủ nhiệm cùng nhóm tác giả tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh thực hiện, tập trung giải quyết câu hỏi nghiên cứu cốt lõi: Làm thế nào để phân loại tự động và chính xác các bệnh da liễu phổ biến (đặc biệt là các dạng tổn thương tiền ung thư và ung thư da) từ ảnh soi da với chi phí tính toán thấp và thời gian huấn luyện tối ưu?

Về phương pháp, nhóm nghiên cứu đã xây dựng một quy trình xử lý ảnh y tế nhiều giai đoạn: chuẩn hóa dữ liệu từ bộ cơ sở dữ liệu quốc tế ISIC 2018, tăng cường và làm sắc nét ảnh bằng bộ lọc thông cao Butterworth (Butterworth Highpass Filter - BHPF), phân đoạn tách vùng tổn thương mục tiêu (Region of Interest - ROI) bằng kỹ thuật phân ngưỡng Otsu, bộ lọc Bottom-Hat loại bỏ lông da và toán tử dò biên Canny kết hợp biến đổi hình thái học. Từ vùng ROI, ma trận đồng xuất hiện mức xám (Gray-Level Co-occurrence Matrix - GLCM) được ứng dụng để trích xuất 11 đặc trưng kết cấu, từ đó tinh chọn ra 6 đặc trưng tối ưu làm đầu vào cho mạng nơ-ron nhiều lớp (Multilayer Neural Network - MLNN).

Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác phân loại tổng thể 92% trên tập 5 bệnh da (đặc biệt đạt 100% với bệnh Dermatofibroma và 95% với Melanoma), vượt trội so với việc sử dụng toàn bộ 11 đặc trưng GLCM (71%) và các mô hình học sâu truyền thống đòi hỏi tài nguyên tính toán cao. Công trình mở ra hướng ứng dụng thiết thực cho các hệ thống chẩn đoán hỗ trợ y tế (CAD - Computer-Aided Diagnosis) gọn nhẹ trên thiết bị biên.

---

Bối cảnh và tầm quan trọng

Thực trạng bệnh lý da liễu toàn cầu

Theo thống kê từ nghiên cứu Gánh nặng Bệnh tật Toàn cầu (Global Burden of Disease Study), các bệnh ngoài da đứng thứ 18 trong số những nguyên nhân gây gánh nặng sức khỏe lớn nhất trên thế giới, chiếm khoảng 1,79% tổng số ca bệnh tật. Tại Việt Nam, hàng năm có hàng chục nghìn lượt bệnh nhân thăm khám vì các tổn thương da từ lành tính như vảy nến, chàm, nấm đến các dạng u ác tính nguy hiểm.

Trong số đó, ung thư da là một trong những nhóm bệnh có tốc độ gia tăng nhanh nhất, thường xuất hiện ở những vùng da tiếp xúc nhiều với ánh nắng mặt trời hoặc tia bức xạ (đầu, mặt, cổ chiếm tới 90%). Các dạng ung thư da nguy hiểm bao gồm:

• Ung thư biểu mô tế bào đáy (Basal Cell Carcinoma - BCC)
• Ung thư tế bào hắc tố (Melanoma)
• Ung thư biểu mô tế bào vảy (Squamous Cell Carcinoma - SCC)
• Dày sừng tiết bã lành tính (Benign Keratosis)
• U mô bào sợi da lành tính (Dermatofibroma)
• Nốt ruồi hắc tố (Melanocytic Nevus)

Khoảng trống nghiên cứu (Research Gap)

Chẩn đoán tổn thương da bằng mắt thường phụ thuộc sâu sắc vào trình độ chuyên môn của bác sĩ da liễu. Nhiều bệnh có biểu hiện lâm sàng, hình thái học và màu sắc tương tự nhau (ví dụ: Basal Cell Carcinoma và Benign Keratosis), dẫn đến nguy cơ chẩn đoán nhầm hoặc chậm trễ điều trị.

Mặc dù các kiến trúc học sâu (Deep Learning) như CNN, ResNet, VGG hay FRCNN gần đây đạt độ chính xác cao, chúng tồn tại những hạn chế nghiêm trọng:

1. Đòi hỏi phần cứng đồ họa (GPU) công suất lớn và tài nguyên bộ nhớ đắt đỏ.
2. Thời gian huấn luyện kéo dài từ hàng chục phút đến hàng giờ.
3. Dễ gặp hiện tượng quá khớp (overfitting) khi kích thước tập dữ liệu y tế giới hạn.
4. Hoạt động như một "hộp đen" (black-box), thiếu tính giải thích về mặt đặc trưng hình thái y khoa.

Do đó, một giải pháp kết hợp giữa xử lý ảnh cấu trúc cổ điển (tách ROI chuẩn xác) và học máy tinh gọn (GLCM + MLNN) là hướng đi cấp thiết, giúp xây dựng hệ thống chẩn đoán nhanh chóng, chính xác và có thể triển khai trên các thiết bị y tế cục bộ.

---

Phương pháp tiếp cận và quy trình nghiên cứu (Methodology)

Nghiên cứu xây dựng một quy trình khép kín gồm 4 giai đoạn chính:

1. Tập dữ liệu nghiên cứu

Nhóm nghiên cứu thu thập dữ liệu từ bộ dữ liệu chuẩn quốc tế ISIC 2018, lựa chọn 5 nhóm bệnh da tiêu biểu:

• Ung thư biểu mô tế bào đáy (Basal Cell Carcinoma)
• Dày sừng tiết bã lành tính (Benign Keratosis)
• U mô bào sợi da lành tính (Dermatofibroma)
• Nốt ruồi hắc tố (Melanocytic Nevus)
• Ung thư tế bào hắc tố (Melanoma)

Để đảm bảo tính khách quan và tránh hiện tượng thiên lệch dữ liệu (data imbalance), đề tài sử dụng tập dữ liệu cân bằng gồm 100 ảnh huấn luyện và 20 ảnh kiểm tra cho mỗi loại bệnh (tổng cộng 600 ảnh).

2. Tiền xử lý và nâng cao chất lượng ảnh

• Chuẩn hóa kích thước: Ảnh được đưa về độ phân giải chuẩn $512 \times 512$ pixel.
• Tăng cường độ sáng: Sử dụng nhân lọc chập $K_1$ kích thước $3 \times 3$.
• Lọc thông cao Butterworth trong miền tần số: Nhằm làm sắc nét chi tiết biên tổn thương trước khi phân đoạn: $$H(u, v) = \frac{1}{1 + \left[ \frac{D_0}{D(u, v)} \right]^{2n}}$$ (với tần số cắt $D_0 = 500$, bậc $n = 3$, $D(u, v)$ là khoảng cách Euclidean tới tâm ảnh).

3. Thuật toán phân đoạn và trích xuất ROI (Region of Interest)

Việc loại bỏ hậu cảnh (vùng da lành) và các yếu tố nhiễu (sợi lông, bọt khí soi da) là chìa khóa quyết định độ chính xác:

• Ngưỡng hóa Otsu: Chuyển đổi sang ảnh nhị phân để phân tách tiền cảnh/hậu cảnh.
• Bộ lọc trung vị (Median Filter) & Biến đổi Bottom-Hat: Khử nhiễu muối tiêu và xóa bỏ sợi lông da bằng phần tử cấu trúc đĩa $K_2$ kích thước $7 \times 7$.
• Dò biên Canny & Toán tử hình thái học: Xói mòn (erosion), giãn nở (dilation) bằng phần tử $K_3$ để kết nối biên đứt quãng, lấp đầy lỗ hổng (hole filling).
• Tách vùng diện tích cực đại: Lọc đối tượng có diện tích lớn nhất làm mặt nạ ROI, nhân với ảnh gốc để giữ nguyên vẹn thông tin kết cấu của vùng da bệnh.

4. Trích xuất đặc trưng GLCM và Tinh chọn tối ưu

Từ vùng ROI, ma trận đồng xuất hiện mức xám (GLCM) được tính toán theo 4 hướng ($\theta = 0^\circ, 45^\circ, 90^\circ, 135^\circ$) với khoảng cách $d = 1, 2, 3, 4$. Trong số 11 đặc trưng tính toán ban đầu, nhóm tác giả đã phân tích phương sai và loại bỏ các đặc trưng dư thừa/trùng lặp (Correlation, Smoothness, IDM, Variance, RMS). 6 đặc trưng tối ưu được lựa chọn bao gồm:

1. Độ tương phản (Contrast): Phản ánh cường độ biến thiên mức xám cục bộ.
2. Năng lượng (Energy): Đo lường tính đồng nhất và lặp lại của kết cấu.
3. Tính đồng nhất (Homogeneity): Thể hiện độ nhám bề mặt cấu trúc.
4. Mức xám trung bình (Mean): Giá trị độ sáng trung bình của tổn thương.
5. Độ lệch chuẩn (Standard Deviation): Mức độ phân tán của phổ mức xám.
6. Entropy: Đo lường mức độ ngẫu nhiên, phức tạp của cấu trúc tổn thương.

5. Mô hình Mạng Nơ-ron Nhiều Lớp (MLNN)

• Kiến trúc mạng: 6 nút đầu vào (tương ứng 6 đặc trưng), 3 lớp ẩn (mỗi lớp 100 nút), 5 nút đầu ra (tương ứng 5 loại bệnh).
• Hàm kích hoạt: Log-sigmoid (logsig).
• Hàm mất mát: Sai số bình phương trung bình (Mean Squared Error - MSE).
• Tốc độ học (Learning Rate): $10^{-4}$.

---

Phát hiện và kết quả nghiên cứu chính

1. Hiệu năng phân loại vượt trội của mô hình 6 đặc trưng tối ưu

Thực nghiệm phân loại trên tập kiểm tra độc lập gồm 100 ảnh (20 ảnh/loại bệnh) mang lại độ chính xác trung bình đạt 92%. Ma trận nhầm lẫn (Confusion Matrix) chi tiết:

Nhóm bệnh da liễu	Độ chính xác phân loại (%)	Ghi chú nhầm lẫn chính
Dermatofibroma (U mô bào sợi da)	100%	Phân biệt tuyệt đối nhờ giá trị Homogeneity và Energy vượt trội
Melanoma (Ung thư tế bào hắc tố)	95%	19/20 ảnh nhận dạng chính xác
Benign Keratosis (Dày sừng tiết bã)	95%	19/20 ảnh nhận dạng chính xác
Basal Cell Carcinoma (K biểu mô đáy)	85%	Nhầm lẫn 15% sang Benign Keratosis do tương đồng sắc thái
Melanocytic Nevus (Nốt ruồi hắc tố)	85%	Nhầm lẫn 10% (2/20 ảnh) sang Basal Cell Carcinoma
Trung bình toàn bộ hệ thống	92%	Đạt chuẩn hỗ trợ chẩn đoán lâm sàng

2. Bằng chứng thực nghiệm về việc tinh chọn đặc trưng

Nghiên cứu đã thực hiện đối chuẩn giữa các nhóm đặc trưng khác nhau nhằm khẳng định giá trị của việc chọn lọc:

• Sử dụng toàn bộ 11 đặc trưng GLCM: Độ chính xác chỉ đạt 71% (do hiện tượng đa cộng tuyến và nhiễu đặc trưng).
• Sử dụng nhóm 3 đặc trưng (Contrast, Energy, Entropy): Độ chính xác đạt 78%.
• Sử dụng nhóm 6 đặc trưng đề xuất: Độ chính xác đạt đỉnh 92%.

  Độ chính xác phân loại theo nhóm đặc trưng (%)
               Tất cả 11 đặc     Nhóm 3 đặc        Nhóm 6 đặc
                  trưng             trưng          trưng tối ưu

3. Tối ưu hóa thời gian tính toán và huấn luyện

So với các mô hình học sâu hiện đại sử dụng mạng tích chập lớn, phương pháp đề xuất của nhóm nghiên cứu thể hiện sự vượt trội về mặt tốc độ xử lý:

• Thời gian trích xuất ROI và 6 đặc trưng (500 ảnh): ~25 phút.
• Thời gian huấn luyện mạng MLNN: Chỉ 10 giây.
• So sánh với các mạng CNN khác:
  • AlexNet: Mất 25 phút huấn luyện.
  • ResNet-18: Mất 70 phút huấn luyện.
  • VGG16: Mất 90 phút huấn luyện.
  • ResNet-101: Mất tới 230 phút huấn luyện.

4. So sánh với các nghiên cứu công bố quốc tế

Tác giả & Công trình	Phương pháp tiếp cận	Số lớp bệnh	Độ chính xác (%)
Shunichi et al.	Faster R-CNN (FRCNN)	6 bệnh	86.2%
Sara et al.	Depthwise Separable CNN	6 bệnh	87.24%
Mahbod et al.	CNN đa tầng (Transfer Learning)	3 bệnh	87.7%
Li-sheng Wei et al.	Phân đoạn ảnh + GLCM + SVM	3 bệnh	90.0%
Nhóm nghiên cứu đề xuất	ROI Extraction + GLCM (6 feats) + MLNN	5 bệnh	92.0%

5. Thử nghiệm trên các quy mô phân loại khác nhau

• Phân loại 3 bệnh (Benign Keratosis, Dermatofibroma, Melanoma): Tập Train đạt 99.3%, Tập Test đạt 98.3%.
• Phân loại 4 bệnh (thêm Melanocytic Nevus): Tập Train đạt 98%, Tập Test đạt 95%.
• Phân loại 5 bệnh (toàn bộ danh mục): Tập Train đạt 98.2%, Tập Test đạt 92%.

---

Đóng góp khoa học và giá trị thực tiễn

Đóng góp về mặt lý thuyết và phương pháp luận

1. Chuẩn hóa quy trình tiền xử lý ảnh y tế: Thiết lập chuỗi thuật toán kết hợp bộ lọc thông cao Butterworth, phân ngưỡng Otsu và biến đổi Bottom-Hat giúp triệt tiêu hoàn toàn nhiễu lông và bọt khí mà không làm biến dạng biên tổn thương da.
2. Khẳng định tính ưu việt của 6 đặc trưng kết cấu GLCM: Chứng minh trên cơ sở toán học và thực nghiệm rằng 6 chỉ số (Contrast, Energy, Homogeneity, Mean, SD, Entropy) là tập hợp tối thiểu đủ để mô tả sự khác biệt hình thái của 5 nhóm bệnh da liễu phức tạp.

Đóng góp thực tiễn và ứng dụng

• Sản phẩm ứng dụng: Xây dựng thành công phần mềm mô phỏng nhận dạng và phân loại bệnh da người, phục vụ trực tiếp công tác đào tạo Đại học và Sau Đại học tại Khoa Điện - Điện tử, Trường ĐH Sư phạm Kỹ thuật TP.HCM.
• Khả năng thương mại hóa: Nhờ cấu trúc mạng MLNN cực kỳ gọn nhẹ (chỉ tốn 10 giây huấn luyện), giải pháp có thể nhúng trực tiếp vào các thiết bị soi da cầm tay (Handheld Dermatoscope) hoặc ứng dụng y tế di động (mHealth / Telemedicine) mà không cần máy chủ GPU đắt tiền.

Công bố khoa học

Kết quả của đề tài đã được thẩm định và công bố trên tạp chí khoa học quốc tế uy tín thuộc danh mục Scopus (Q3):

Thanh-Hai Nguyen, Ba-Viet Ngo, "ROI-based Features for Classification of Skin Diseases Using a Multi-Layer Neural Network", Indonesian Journal of Electrical Engineering and Computer Science, 2021.

---

Đối tượng thụ hưởng và quan tâm

• Bác sĩ da liễu và Chuyên gia y tế: Sử dụng như một công cụ chẩn đoán hỗ trợ (Second Opinion) đáng tin cậy giúp sàng lọc nhanh các ca nghi ngờ ung thư tế bào hắc tố (Melanoma).
• Kỹ sư AI và Xử lý ảnh Y sinh: Tham khảo giải pháp trích xuất đặc trưng hình thái học và phân đoạn ROI tối ưu để áp dụng cho các dạng ảnh y khoa khác như X-quang, CT hay MRI.
• Doanh nghiệp Thiết bị Y tế (MedTech): Ứng dụng thuật toán vào phần mềm nhúng của máy soi da thông minh thế hệ mới.
• Giảng viên và Sinh viên/Học viên Cao học: Tài liệu học tập và nghiên cứu thực nghiệm tiêu chuẩn trong các môn học Xử lý ảnh số, Nhận dạng mẫu và Trí tuệ nhân tạo.

---

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của đề tài này là gì?

Nghiên cứu chứng minh rằng không cần đến các mạng học sâu phức tạp (CNN) tiêu tốn hàng giờ huấn luyện, việc phân đoạn ROI chính xác kết hợp 6 đặc trưng GLCM tối ưu và mạng nơ-ron MLNN truyền thống có thể đạt độ chính xác 92%, vượt trội hơn nhiều kiến trúc Deep Learning hiện hành.

2. Điểm khác biệt trong phương pháp xử lý ảnh của nhóm nghiên cứu là gì?

Nhóm tác giả đã kết hợp sáng tạo giữa bộ lọc thông cao Butterworth trong miền tần số (để làm sắc nét biên) cùng thuật toán Bottom-Hat và phép toán hình thái học (để bóc tách hoàn toàn sợi lông da và bọt khí), tạo ra mặt nạ ROI sạch trước khi tính toán ma trận GLCM.

3. Tại sao chọn 6 đặc trưng lại cho kết quả tốt hơn toàn bộ 11 đặc trưng GLCM?

Trong 11 đặc trưng ban đầu, nhiều đặc trưng có độ tương quan cao (như Mean và Variance, RMS và Contrast) hoặc không có sự khác biệt giữa các bệnh (như Smoothness, IDM). Việc nạp toàn bộ 11 đặc trưng gây ra hiện tượng dư thừa dữ liệu và nhiễu đầu vào, khiến độ chính xác giảm xuống 71%. Tinh chọn 6 đặc trưng giúp mô hình học tập trung và chính xác hơn.

4. Kết quả của nghiên cứu có thể tổng quát hóa (generalize) cho các bệnh viện không?

Có. Quy trình trích xuất ROI và phân loại đặc trưng hoàn toàn có thể áp dụng cho các tập dữ liệu ảnh lâm sàng thực tế tại các bệnh viện da liễu sau khi được chuẩn hóa độ phân giải và cân bằng ánh sáng.

5. Hướng phát triển tiếp theo của đề tài là gì?

Nhóm nghiên cứu hướng tới mở rộng tập dữ liệu từ các bệnh viện da liễu trong nước, tăng số lượng bệnh phân loại lên trên 10 nhóm và phát triển ứng dụng di động hỗ trợ bác sĩ tuyến cơ sở thăm khám từ xa.

---

Kết luận

Đề tài nghiên cứu của PGS. Nguyễn Thanh Hải và các cộng sự tại Trường Đại học Sư phạm Kỹ thuật TP.HCM đã đưa ra một giải pháp công nghệ toàn diện, cân bằng hoàn hảo giữa độ chính xác chẩn đoán (92%) và hiệu năng tính toán (huấn luyện 10 giây).

Bằng việc kết hợp tinh tế giữa xử lý ảnh hình thái học, phân tích kết cấu GLCM và mạng nơ-ron nhiều lớp, công trình không chỉ đóng góp một bài báo khoa học chất lượng trên trường quốc tế mà còn mở ra tiềm năng ứng dụng to lớn trong việc nâng cao năng lực chẩn đoán sớm ung thư da, mang lại giá trị thiết thực cho ngành y tế và cộng đồng.

Trích đoạn nội dung tài liệu

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.