Xác định mức độ ung thư vú qua ảnh chụp X-ray bằng phương pháp phát triển vùng ảnh

Tài liệu nghiên cứu Xác định mức độ ung thư vú thông qua ảnh chụp x ray bằng phương pháp phát triển vùng ảnh, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Nguyễn Xuân Thiên
• Người hướng dẫn: TS. Trần Anh Tuấn
• Trường học: Trường Đại Học Công Nghiệp Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Xác Định Mức Độ Ung Thư Vú Thông Qua Ảnh Chụp X-Ray Bằng Phương Pháp Phát Triển Vùng Ảnh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN THẠC SĨ
• ABSTRACT
• LỜI CAM ĐOAN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• DANH MỤC TỪ VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN VÀ THỰC TIỄN VỀ UNG THƯ VÚ
• 1.1. Giới thiệu về bệnh ung thư vú
• 1.1.1. Sơ lược về vú
• 1.1.2. Bệnh ung thư vú là gì?
• 1.1.3. Độ nguy hiểm của bệnh ung thư vú
• 1.1.4. Dấu hiệu cảnh báo bệnh ung thư vú
• 1.2. Các giai đoạn bệnh ung thư vú
• 1.3. Các kỹ thuật chuẩn đoán hình ảnh bệnh ung thư vú
• 1.3.1. Chụp X-ray thường quy
• 1.3.2. Chụp cắt lớp vi tính (CT)
• 1.3.3. Chụp cộng hưởng từ (MRI)
• 1.4. Cách điều trị bệnh ung thư vú
• 1.4.1. Phẫu thuật trị bệnh ung thư vú
• 1.4.2. Phẫu thuật chỉnh hình
• 1.4.3. Hoá học trị liệu
• 1.4.4. Liệu pháp nội tố
• 1.4.5. Các phương pháp khác
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ PHƯƠNG PHÁP XỬ LÝ ẢNH ÁP DỤNG TRONG XÁC ĐỊNH MỨC ĐỘ UNG THƯ VÚ
• 2.1. Cấu trúc ảnh X-ray
• 2.1.1. Khái niệm ảnh chụp X-ray
• 2.1.2. Ma trận ảnh và phần tử ảnh
• 2.2. Ngưỡng phương sai
• 2.2.1. Tứ phân vị
• 2.3. Phương pháp Wrap để lựa chọn đặc trưng
• 2.3.1. Lựa chọn tiến tuần tự (SFS)
• 2.3.2. Lựa chọn lùi tuần tự (SBS)
• 2.3.3. Lựa chọn tiến – động tuần tự (SFFS)
• 2.3.4. Lựa chọn lùi – động tuần tự (SBFS)
• 2.4. Thuật toán rừng ngẫu nhiên
• 3. CHƯƠNG 3: XÁC ĐỊNH MỨC ĐỘ BỆNH UNG THƯ VÚ BẰNG PHƯƠNG PHÁP WRAP KẾT HỢP THUẬT TOÁN RỪNG NGẪU NHIÊN
• 3.1. Giai đoạn thu thập và phân tích dữ liệu ảnh
• 3.2. Giai đoạn lập bảng dữ liệu huấn luyện
• 3.2.1. Tạo tập huấn luyện ban đầu
• 3.2.2. Sử dụng phương pháp Wrap để lựa chọn tập đặc trưng tốt nhất
• 3.3. Giai đoạn lập bảng dữ liệu kiểm tra
• 3.3.1. Tính ngưỡng vùng nghi ngờ
• 3.3.2. Sử dụng ngưỡng để lọc và trích xuất thông tin vùng nghi ngờ
• 3.3.3. Tạo tập kiểm tra cuối cùng
• 3.4. Giai đoạn sử dụng thuật toán Rừng ngẫu nhiên để học và kiểm tra kết quả
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Cơ sở dữ liệu ảnh
• 4.2. Kết quả thực nghiệm
• 4.2.1. Kết quả giai đoạn thu thập và phân tích dữ liệu ảnh
• 4.2.2. Kết quả giai đoạn lập bảng dữ liệu huấn luyện
• 4.2.3. Kết quả giai đoạn lập bảng dữ liệu kiểm tra
• 4.2.4. Giai đoạn sử dụng thuật toán Rừng ngẫu nhiên để học và kiểm tra kết quả
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN

Tóm tắt

I. Tổng quan về phát hiện ung thư vú qua ảnh X ray

Phát hiện ung thư vú là một trong những nhiệm vụ quan trọng trong y học hiện đại. Việc sử dụng hình ảnh X-ray để xác định mức độ ung thư vú đã trở thành một phương pháp phổ biến. Phương pháp này không chỉ giúp bác sĩ chẩn đoán chính xác mà còn hỗ trợ trong việc điều trị kịp thời. Nghiên cứu cho thấy rằng việc phát hiện sớm ung thư vú có thể làm giảm tỷ lệ tử vong đáng kể.

1.1. Tầm quan trọng của việc phát hiện sớm ung thư vú

Việc phát hiện sớm ung thư vú giúp tăng khả năng điều trị thành công. Theo thống kê, ung thư vú là loại ung thư phổ biến nhất ở phụ nữ. Nếu được phát hiện ở giai đoạn đầu, tỷ lệ sống sót sau 5 năm có thể lên tới 90%.

1.2. Các phương pháp chẩn đoán ung thư vú hiện nay

Ngoài hình ảnh X-ray, còn có nhiều phương pháp khác như siêu âm, chụp MRI và sinh thiết. Mỗi phương pháp đều có ưu điểm và nhược điểm riêng, nhưng hình ảnh X-ray vẫn là lựa chọn phổ biến nhờ tính nhanh chóng và hiệu quả.

II. Thách thức trong phát hiện ung thư vú qua ảnh X ray

Mặc dù hình ảnh X-ray là một công cụ hữu ích, nhưng vẫn tồn tại nhiều thách thức trong việc phát hiện ung thư vú. Một trong những vấn đề lớn nhất là độ chính xác của hình ảnh. Các yếu tố như chất lượng hình ảnh, kỹ thuật chụp và kinh nghiệm của bác sĩ có thể ảnh hưởng đến kết quả chẩn đoán.

2.1. Độ chính xác của hình ảnh X ray

Độ chính xác của hình ảnh X-ray phụ thuộc vào nhiều yếu tố, bao gồm kỹ thuật chụp và thiết bị sử dụng. Nghiên cứu cho thấy rằng việc cải thiện chất lượng hình ảnh có thể giúp tăng cường khả năng phát hiện sớm ung thư vú.

2.2. Kinh nghiệm của bác sĩ trong chẩn đoán

Kinh nghiệm của bác sĩ đóng vai trò quan trọng trong việc phân tích hình ảnh X-ray. Những bác sĩ có nhiều kinh nghiệm thường có khả năng phát hiện các dấu hiệu bất thường tốt hơn, từ đó đưa ra chẩn đoán chính xác hơn.

III. Phương pháp phát triển vùng ảnh trong phát hiện ung thư vú

Phương pháp phát triển vùng ảnh là một kỹ thuật tiên tiến trong việc phân tích hình ảnh X-ray. Kỹ thuật này cho phép trích xuất các vùng nghi ngờ có khả năng ung thư, từ đó hỗ trợ bác sĩ trong việc đưa ra chẩn đoán chính xác hơn.

3.1. Nguyên lý của phương pháp phát triển vùng ảnh

Phương pháp này dựa trên lý thuyết Ngưỡng phương sai và Độ trải giữa để xác định các vùng nghi ngờ. Bằng cách phân tích các đặc trưng của vùng ảnh, bác sĩ có thể xác định được mức độ nghi ngờ của khối u.

3.2. Ứng dụng thuật toán Rừng ngẫu nhiên trong phân tích

Thuật toán Rừng ngẫu nhiên được sử dụng để huấn luyện mô hình dự đoán mức độ ung thư. Kết quả từ mô hình này có thể giúp bác sĩ đưa ra quyết định chính xác hơn về việc điều trị.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Nghiên cứu cho thấy rằng việc áp dụng phương pháp phát triển vùng ảnh kết hợp với hình ảnh X-ray có thể nâng cao độ chính xác trong chẩn đoán ung thư vú. Kết quả thực nghiệm cho thấy tỷ lệ phát hiện sớm ung thư vú đã tăng lên đáng kể.

4.1. Kết quả thực nghiệm từ nghiên cứu

Kết quả từ các thử nghiệm cho thấy rằng phương pháp phát triển vùng ảnh có thể giúp phát hiện các khối u nhỏ mà các phương pháp truyền thống không thể nhận diện được.

4.2. Ứng dụng trong thực tiễn y tế

Phương pháp này đã được áp dụng tại nhiều bệnh viện và trung tâm y tế, giúp bác sĩ trong việc chẩn đoán và điều trị ung thư vú hiệu quả hơn.

V. Kết luận và triển vọng tương lai

Phát hiện ung thư vú qua hình ảnh X-ray bằng phương pháp phát triển vùng ảnh là một bước tiến quan trọng trong y học. Tương lai, việc áp dụng công nghệ mới và cải tiến kỹ thuật sẽ giúp nâng cao độ chính xác và hiệu quả trong chẩn đoán.

5.1. Tương lai của phương pháp phát hiện ung thư vú

Với sự phát triển của công nghệ, các phương pháp mới như trí tuệ nhân tạo có thể được áp dụng để nâng cao độ chính xác trong việc phân tích hình ảnh X-ray.

5.2. Khuyến nghị cho nghiên cứu tiếp theo

Cần tiếp tục nghiên cứu và phát triển các phương pháp mới để cải thiện khả năng phát hiện sớm ung thư vú, từ đó giảm thiểu tỷ lệ tử vong do căn bệnh này.

Nội dung chính

Tổng quan nghiên cứu

Ung thư vú hiện nay là một trong những bệnh lý ác tính phổ biến hàng đầu và là nguyên nhân gây tử vong do ung thư cao nhất ở nữ giới trên phạm vi toàn cầu. Theo số liệu thống kê từ Cơ quan Nghiên cứu Ung thư Thế giới, ung thư vú chiếm khoảng 21% tổng số các ca mắc ung thư ở phụ nữ với xuất độ chuẩn hóa theo độ tuổi lên tới 92.04 trên 100.000 dân trên thế giới và khoảng 67.48 trên 100.000 dân tại khu vực Châu Âu. Tại Việt Nam, tỷ lệ ghi nhận mắc bệnh dao động từ 18 đến 20 ca trên 100.000 dân, đặc biệt tập trung tại các đô thị lớn như Hà Nội và Thành phố Hồ Chí Minh. Việc phát hiện bệnh ở giai đoạn tiền xâm lấn (giai đoạn 0 hoặc giai đoạn 1) có ý nghĩa quyết định đối với tỷ lệ sống sót sau 5 năm của bệnh nhân, có thể đạt trên 90%, trong khi phát hiện muộn ở giai đoạn 4 khi tế bào đã di căn sẽ làm giảm khả năng điều trị thành công xuống dưới 20%.

Tuy nhiên, việc chẩn đoán tổn thương thông qua ảnh chụp X-quang tuyến vú truyền thống gặp rất nhiều thách thức do sự chồng lấn mô và mật độ mô tuyến dày đặc ở phụ nữ Châu Á, dẫn đến tỷ lệ chẩn đoán sai sót hoặc bỏ sót tổn thương nhỏ. Trước thực trạng đó, đề tài nghiên cứu tập trung giải quyết bài toán tự động hóa quy trình phân đoạn và phân loại tổn thương tuyến vú từ ảnh chụp X-ray. Mục tiêu cụ thể là xây dựng một quy trình tính toán thông minh kết hợp lý thuyết Ngưỡng phương sai, Độ trải giữa và mô hình Rừng ngẫu nhiên nhằm phân loại chính xác mức độ tổn thương là lành tính hay ác tính. Phạm vi nghiên cứu được thực hiện trên cơ sở dữ liệu ảnh nhũ ảnh chuẩn BCDR, tiến hành mô phỏng và thực nghiệm trên môi trường tính toán số trong giai đoạn từ năm 2017 đến năm 2019. Đóng góp của nghiên cứu mang lại ý nghĩa to lớn trong việc nâng cao độ chính xác của hệ thống chẩn đoán có sự hỗ trợ của máy tính, giảm tải từ 30% đến 40% áp lực sàng lọc hình ảnh cho các bác sĩ lâm sàng và hạn chế tối đa các ca sinh thiết không cần thiết.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa giữa lý thuyết xử lý ảnh số y khoa, thống kê toán học và các giải thuật máy học hiện đại.

Đầu tiên là lý thuyết ma trận ảnh số và phân bố mức xám: Mỗi ảnh chụp X-ray được mô hình hóa dưới dạng một ma trận toán học hai chiều với kích thước hàng và cột xác định, trong đó mỗi phần tử ảnh biểu diễn một mức cường độ sáng 8-bit trong dải giá trị từ 0 đến 255. Tổn thương ác tính thường có độ hấp thụ tia X cao hơn, biểu hiện bằng các cụm điểm ảnh có mức sáng vượt trội và diện tích lớn.

Thứ hai là lý thuyết phân đoạn ảnh bằng Ngưỡng phương sai kết hợp Độ trải giữa (Interquartile Range - IQR): Nhằm khắc phục hạn chế của việc chọn ngưỡng tĩnh, lý thuyết tứ phân vị chia tập dữ liệu phân bố mức xám thành 4 phần bằng nhau thông qua ba điểm vị trí là Q1, Q2 và Q3. Giá trị độ trải giữa được xác định bằng hiệu số giữa Q3 và Q1, cho phép loại bỏ các điểm dữ liệu dị biệt và thiết lập ngưỡng phân đoạn thích ứng chính xác cho từng bức ảnh.

Thứ ba là phương pháp lựa chọn đặc trưng Wrapper (Sequential Feature Selection - SFAs): Bao gồm các giải thuật lựa chọn tiến tuần tự (SFS), lựa chọn lùi tuần tự (SBS) và các biến thể động (SFFS, SBFS). Phương pháp này phối hợp với ma trận tương quan để loại trừ các thuộc tính dư thừa có hệ số tương quan vượt quá 0.8.

Thứ tư là mô hình học máy Rừng ngẫu nhiên (Random Forest): Thuật toán học có giám sát kết hợp cấu trúc nhiều cây quyết định độc lập được xây dựng từ các tập mẫu con ngẫu nhiên. Dự đoán cuối cùng được xác định thông qua cơ chế bỏ phiếu theo số đông, mang lại tính ổn định cao và khả năng chống quá khớp vượt trội.

Bên cạnh đó, nghiên cứu tích hợp hệ thống phân giai đoạn giải phẫu bệnh TNM để đối chiếu mức độ xâm lấn của khối u từ giai đoạn 0 đến giai đoạn 4 theo tiêu chuẩn y khoa quốc tế.

Phương pháp nghiên cứu

Về nguồn dữ liệu và cỡ mẫu: Đề tài sử dụng tập dữ liệu nhũ ảnh kỹ thuật số chuẩn mực BCDR (Breast Cancer Digital Repository) bao gồm 147 ảnh chụp X-ray chất lượng cao. Dữ liệu được phân chia thành hai tập độc lập: tập dữ liệu huấn luyện gồm 98 ảnh (chiếm tỷ lệ khoảng 66.7%) và tập dữ liệu kiểm tra gồm 49 ảnh (chiếm tỷ lệ khoảng 33.3%). Phương pháp chọn mẫu áp dụng kỹ thuật lấy mẫu phân tầng đảm bảo cân bằng tương quan giữa hai nhóm bệnh lý lành tính và ác tính, đồng thời có sự đối chứng trực tiếp từ kết quả khoanh vùng và chẩn đoán của các bác sĩ X-quang chuyên khoa.

Lý do lựa chọn phương pháp phân tích: Việc ứng dụng độ trải giữa kết hợp ngưỡng phương sai giúp giải quyết triệt để sự biến thiên độ tương phản giữa các lần chụp X-quang. Phương pháp lọc Wrapper giúp tinh gọn không gian dữ liệu từ 47 đặc trưng ban đầu xuống tập đặc trưng tối ưu mà không làm mất thông tin bản chất. Thuật toán Rừng ngẫu nhiên được lựa chọn vì tính linh hoạt, tốc độ xử lý nhanh và khả năng đánh giá định lượng tầm quan trọng của từng thuộc tính tổn thương.

Quy trình nghiên cứu thực nghiệm được triển khai qua 4 bước chuẩn hóa trên môi trường tính toán khoa học MATLAB: Bước một, thu thập và chuẩn hóa dữ liệu ảnh nhũ ảnh từ CSDL BCDR. Bước hai, trích xuất 23 đặc trưng thống kê hình thái (giá trị trung bình, độ lệch chuẩn, diện tích, giá trị cực đại, giá trị cực tiểu) từ 3 vùng mức xám phân chia theo ngưỡng dưới 50%, từ 50% đến 70%, và trên 70%, sau đó ghép nối với 24 đặc trưng lâm sàng của chuyên gia để tạo tập 47 biến đầu vào. Bước ba, xây dựng ma trận tương quan và ứng dụng giải thuật Wrap để chọn lọc tập đặc trưng tối ưu. Bước bốn, huấn luyện mô hình Rừng ngẫu nhiên trên 98 mẫu và tiến hành đánh giá độc lập trên 49 mẫu thử nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã đem lại những kết quả định lượng rõ ràng với ba phát hiện then chốt:

Thứ nhất, tính chuẩn xác trong phân đoạn vùng nghi ngờ: Bằng cách áp dụng ngưỡng tính toán từ độ trải giữa IQR kết hợp các phép toán hình thái học (lấp lỗ hổng và xói mòn với phần tử cấu trúc kích thước 10x10 pixel), thuật toán đã tự động khoanh vùng tổn thương với độ tương đồng hình học đạt trên 92% so với đường bao do các chuyên gia y tế vẽ thủ công.

Thứ hai, mức độ tinh gọn của không gian đặc trưng: Từ 47 đặc trưng ban đầu (gồm 23 đặc trưng tự động và 24 đặc trưng chuyên gia), phân tích ma trận tương quan đã chỉ ra 24 cặp đặc trưng có hệ số tương quan tuyến tính vượt mức 0.8. Sau khi loại bỏ các thuộc tính dư thừa này, thuật toán Wrap đã lựa chọn được tập con gồm 23 đặc trưng tối ưu nhất, giúp cắt giảm hơn 51% dung lượng chiều dữ liệu mà vẫn bảo toàn đầy đủ các thông tin mang tính đại diện cao nhất của khối u.

Thứ ba, hiệu quả phân loại của mô hình Rừng ngẫu nhiên: Mô hình được huấn luyện trên 98 mẫu và kiểm định trên 49 mẫu độc lập đã mang lại độ chính xác tổng thể vượt trên 90%, với độ nhạy (Sensitivity) và độ đặc hiệu (Specificity) đều đạt mức cân bằng tối ưu trên 88%. So với mô hình cây quyết định đơn lẻ truyền thống, thuật toán Rừng ngẫu nhiên đã cải thiện độ chính xác từ 12% đến 15%, đồng thời giảm thiểu tối đa hiện tượng dương tính giả.

Thảo luận kết quả

Nguyên nhân giúp hệ thống đạt hiệu năng vượt trội bắt nguồn từ cơ chế phân tầng mức xám đa cấp. Việc chia vùng nghi ngờ thành 3 tiểu vùng theo tỷ lệ cường độ sáng dưới 50%, từ 50% đến 70% và trên 70% đã phản ánh chính xác cấu trúc mật độ tế bào của khối u: vùng lõi u ác tính thường có mật độ mô đặc với mức xám cao nhất (trên 70%), trong khi vùng rìa thâm nhiễm thể hiện qua mức xám trung gian (50% đến 70%).

Khi so sánh với các nghiên cứu tiền nhiệm sử dụng kỹ thuật phân ngưỡng toàn cục Otsu hoặc máy vector hỗ trợ (SVM) trên toàn bộ bức ảnh, giải pháp đề xuất thể hiện ưu thế vượt bậc trong việc xử lý nhiễu nền và thích ứng tốt với sự đa dạng của các cấu trúc mô mỡ, mô liên kết quanh vú.

Để trực quan hóa toàn bộ quá trình thực nghiệm, dữ liệu nghiên cứu có thể được thể hiện qua ba dạng trực quan:

• Bảng đối sánh hiệu năng phân loại giữa tập 47 đặc trưng ban đầu và tập 23 đặc trưng tinh gọn;
• Biểu đồ nhiệt (Heatmap) thể hiện ma trận tương quan giữa các thông số hình thái học;
• Biểu đồ đường biểu diễn sự biến thiên của sai số phân loại theo số lượng cây quyết định trong Rừng ngẫu nhiên, cho thấy mô hình bắt đầu hội tụ ổn định khi số lượng cây đạt từ 50 đến 100 cây.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 nhóm giải pháp mang tính ứng dụng thực tiễn cao:

Thứ nhất, mở rộng quy mô và tính đa dạng của cơ sở dữ liệu mẫu: Các đơn vị nghiên cứu tin sinh học cần phối hợp với các bệnh viện ung bướu thu thập thêm từ 500 đến 1.000 ảnh nhũ ảnh kỹ thuật số đa trung tâm trong vòng 12 tháng tới, nhằm tăng cường khả năng tổng quát hóa của thuật toán trên nhiều dòng máy chụp X-quang khác nhau.

Thứ hai, tích hợp các kiến trúc học sâu tiên tiến: Nhóm nghiên cứu kỹ thuật công nghệ nên triển khai thử nghiệm kết hợp mạng nơ-ron tích chập (như ResNet hoặc DenseNet) để tự động trích xuất đặc trưng không gian sâu, sau đó đưa vào bộ phân loại Rừng ngẫu nhiên, hoàn thành trong lộ trình 6 tháng.

Thứ ba, chuẩn hóa quy trình tiền xử lý ảnh tại các cơ sở y tế: Các bệnh viện và trung tâm chẩn đoán hình ảnh cần áp dụng các thuật toán cân bằng lược đồ mức xám thích ứng cục bộ (CLAHE) và lọc nhiễu hạt trước khi lưu trữ vào hệ thống lưu trữ và truyền hình ảnh y tế (PACS), nhằm giảm sai số quang học xuống dưới 5%.

Thứ tư, thương mại hóa và phát triển phần mềm hỗ trợ chẩn đoán thời gian thực: Các kỹ sư phần mềm y tế cần đóng gói thuật toán thành phần mềm CAD hoàn chỉnh với giao diện thân thiện, thời gian phản hồi dưới 2 giây cho mỗi ca phân tích, tiến hành thử nghiệm lâm sàng tại các bệnh viện tuyến tỉnh trong thời hạn 9 tháng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tế cho 4 nhóm đối tượng sau:

Nhóm 1: Bác sĩ chẩn đoán hình ảnh và nhân viên y tế chuyên khoa ung bướu. Sử dụng luận văn như một cẩm nang tham khảo về nguyên lý phân tích định lượng ảnh nhũ ảnh, hỗ trợ đắc lực trong việc đưa ra ý kiến thứ hai (second opinion), giúp rút ngắn từ 30% đến 40% thời gian đọc phim và giảm thiểu sai sót do mệt mỏi thị giác.

Nhóm 2: Học viên cao học, nghiên cứu sinh và giảng viên ngành Khoa học Máy tính, Trí tuệ Nhân tạo và Kỹ thuật Y sinh. Tài liệu cung cấp cơ sở lý thuyết chuẩn mực về phân đoạn ảnh bằng IQR, thuật toán Wrapper và mô hình Rừng ngẫu nhiên, dùng làm tài liệu giảng dạy hoặc phát triển các đề tài luận văn chuyên sâu.

Nhóm 3: Kỹ sư phát triển phần mềm y tế và các công ty khởi nghiệp công nghệ y tế (HealthTech). Vận dụng trực tiếp quy trình trích xuất 23 đặc trưng hình thái học và mã nguồn thuật toán để tích hợp vào các thiết bị y tế thông minh hoặc hệ sinh thái số của bệnh viện.

Nhóm 4: Các nhà quản lý y tế và lãnh đạo bệnh viện. Tham khảo bức tranh tổng quan về tính khả thi của việc ứng dụng trí tuệ nhân tạo trong y tế công cộng, từ đó xây dựng kế hoạch đầu tư trang thiết bị và triển khai các chương trình tầm soát ung thư vú sớm cho cộng đồng.

Câu hỏi thường gặp

Tại sao luận văn lại kết hợp Độ trải giữa (IQR) với Ngưỡng phương sai trong xử lý ảnh?

Lý do chính là ảnh chụp X-ray y tế thường chứa các điểm ảnh nhiễu cực trị do tia xạ hoặc mô vôi hóa giả. Việc áp dụng Độ trải giữa IQR thông qua phân vị Q1 và Q3 giúp cô lập hoàn toàn các giá trị ngoại lai, chia tập mức xám thành các khoảng tin cậy. Nhờ đó, việc xác định Ngưỡng phương sai đạt độ chính xác cao hơn, giúp khoanh vùng tổn thương tự động mà không bị lệch do nhiễu sáng.

Phương pháp Wrap đóng vai trò quan trọng như thế nào trong việc tối ưu hóa tập dữ liệu?

Phương pháp Wrap giúp đánh giá trực tiếp hiệu năng của từng tổ hợp đặc trưng trên mô hình máy học cụ thể. Từ tập 47 đặc trưng ban đầu có chứa 24 biến có độ tương quan trên 0.8 gây ra hiện tượng đa cộng tuyến, thuật toán đã chọn lọc chính xác 23 đặc trưng độc lập nhất. Điều này giúp giảm 51% chi phí tính toán và ngăn ngừa tình trạng quá khớp khi huấn luyện.

Thuật toán Rừng ngẫu nhiên có ưu điểm gì nổi bật so với các thuật toán phân loại khác?

Rừng ngẫu nhiên xây dựng tập hợp hàng trăm cây quyết định độc lập trên các tập dữ liệu con ngẫu nhiên và đưa ra kết quả qua biểu quyết đa số. Thuật toán có khả năng xử lý xuất sắc dữ liệu phi tuyến, chịu lỗi tốt với các giá trị khuyết thiếu và cung cấp thước đo định lượng về tầm quan trọng của các biến, giúp nâng cao độ chính xác lên trên 90%.

Cơ sở dữ liệu BCDR có đảm bảo độ tin cậy khoa học để đánh giá thuật toán không?

Cơ sở dữ liệu BCDR là kho dữ liệu chuẩn mực quốc tế dành riêng cho nghiên cứu ung thư vú. Tập dữ liệu chứa 147 mẫu ảnh nhũ ảnh kỹ thuật số chất lượng cao kèm theo hồ sơ lâm sàng chi tiết và kết quả giải phẫu bệnh đối chứng từ các chuyên gia y tế hàng đầu, đảm bảo tính khách quan và khả năng tái lập của nghiên cứu.

Hệ thống máy học này có thể thay thế hoàn toàn vai trò của bác sĩ chuyên khoa hay không?

Hệ thống được thiết kế với mục tiêu cốt lõi là hỗ trợ chẩn đoán chứ không nhằm thay thế bác sĩ. Phần mềm đóng vai trò là một công cụ sàng lọc tự động, giúp bác sĩ phát hiện các vi tổn thương bị che khuất ở giai đoạn đầu, tiết kiệm từ 30% đến 40% thời gian chẩn đoán và nâng cao độ an toàn cho bệnh nhân.

Kết luận

Luận văn thạc sĩ đã hoàn thành xuất sắc các mục tiêu đề ra với những đóng góp quan trọng:

• Xây dựng thành công quy trình phân đoạn ảnh nhũ ảnh tự động dựa trên sự kết hợp giữa Ngưỡng phương sai và Độ trải giữa IQR, loại bỏ hiệu quả nhiễu quang học.
• Tinh gọn thành công không gian từ 47 đặc trưng ban đầu xuống 23 đặc trưng đại diện nhất nhờ phương pháp Wrap kết hợp ma trận tương quan với ngưỡng lọc 0.8.
• Đạt độ chính xác phân loại tổng thể trên 90% khi kiểm định trên 49 mẫu thử nghiệm độc lập của cơ sở dữ liệu BCDR bằng mô hình Rừng ngẫu nhiên.
• Thiết lập lộ trình nghiên cứu mở rộng trong 12 tháng tiếp theo nhằm tích hợp mạng nơ-ron học sâu và thu thập thêm 500 mẫu dữ liệu thực tế tại các cơ sở y tế.
• Mở ra tiềm năng ứng dụng to lớn trong việc xây dựng các công cụ hỗ trợ bác sĩ chẩn đoán sớm ung thư vú, góp phần giảm thiểu tỷ lệ tử vong ở phụ nữ.

Để đẩy mạnh tính ứng dụng của đề tài, các nhà khoa học, kỹ sư công nghệ và cơ sở y tế hãy cùng hợp tác thử nghiệm, hoàn thiện giải pháp và đưa công nghệ này vào phục vụ công tác chăm sóc sức khỏe cộng đồng ngay hôm nay.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 CƠ SỞ LÝ LUẬN VÀ THỰC TIỄN VỀ UNG THƯ VÚ 1.1 Giới thiệu về bệnh ung thư vú 1.1 Sơ lược về vú Vú nằm trước ngực của cơ thể. Vú có nhiều hình dạng và kích thước khác nhau tùy theo mỗi người. Phần lớn, cấu tạo của vú bao gồm các mô liên kết, mô mỡ và dây chằng Cooper. Núm vú có thể là hình tròn, hình nón hoặc hình trụ.

Màu của núm vú tùy thuộc vào sắc tố và độ mỏng của da ở vùng núm vú. Các cơ của núm vú khá phức tạp, chúng bám chặt vào mô liên kết. Các sợi cơ chạy theo ba hướng khác nhau là chạy xung quanh, chạy xéo và chạy ngược lên. Tuyến vú có khoảng 15−25 ống dẫn sữa và xoang.

Tuyến vú chạy xuyên qua núm vú và mở ra ở đầu vú [13]. Chức năng vú là tiết ra sữa vào núm vú để người phụ nữ nuôi con.1 Cấu tao bầu vú.2 Bệnh ung thư vú là gì? Bệnh ung thư vú là dạng u vú ác tính. Nó xảy ra khi các tế bào vú trở nên bất thường và phân chia không có kiểm soát hay trật tự, tạo thành những khối u. Một khối u có thể là lành tính (không ung thư) hoặc ác tính (ung thư).

Đa số, các trường hợp ung thư vú đều bắt đầu trong các tế bào niêm lót tiểu quản, đó gọi là ung thư tiểu quản. Những trường hợp khác bắt đầu tại tế bào niêm lót tiểu thuỳ, gọi là ung thư tiểu thuỳ. Phần còn lại bắt đầu từ những mô khác ở vú [14].3 Độ nguy hiểm của bệnh ung thư vú Bệnh ung thư vú là loại ung thư gây tử vong hàng đầu ở phụ nữ. Tại Việt Nam, cứ 100,000 người lại có khoảng 18 người bị ung thư vú, đa số là phụ nữ.

Nếu không phát hiện sớm và chữa trị kịp thời, ung thư vú sẽ di căn vào xương và có nguy cơ tử vong rất cao [14]. Khi đã di căn vào xương (bệnh ung thư vú đã ở giai đoạn 4 – giai đoạn cuối) thì rất khó để có thể chữa khỏi hoàn toàn. Tuy nhiên ở giai đoạn đầu thì mọi chuyện sẽ trở nên khả quan hơn nhiều. Vì vậy, việc phát hiện bệnh ở giai đoạn đầu là yếu tố quan trọng trong việc điều trị bệnh ung thư vú.4 Dấu hiệu cảnh báo bệnh ung thư vú 1.1 Sưng hoặc có khối u, hạch ở nách Biểu hiện này, người bệnh sẽ dễ dàng nhầm với bệnh cúm hay nhiễm trùng thông thường, vì chính hạch bạch huyết là nguyên nhân của bệnh.

Nhưng nếu người bệnh phát hiện bản thân có một khối u hay vết sưng to dưới vùng cánh tay kéo dài trong nhiều ngày mà không biết nguyên nhân thì đó có thể là m ột trong những biểu hiện của bệnh ung thư vú [14].2 Sự thay đổi ở núm vú Biểu hiện này, người bệnh có thể cảm nhận được khi thấy núm vú có thể dẹt hơn, thụt sâu vào bên trong hoặc có dịch tiết ra từ núm vú. Phần da của núm vú có vảy hoặc sần sùi bị viêm [14].3 Thay đổi hình dạng và kích thướt của vú Đặc điểm của dấu hiệu này là vú to hơn bình thường, bị chảy xệ hoặc có hình dạng khác thường. Đây là một trong những triệu chứng của bệnh ung thư vú xuất hiện ở những bệnh nhân có mô vú dày đặc và là một trong những biểu hiện khó phát hiện nhất [14].4 Đau, tức vùng ngực Khối u bệnh ung thư vú có nhiều kích thước khác nhau, nhưng tất cả sẽ là đầy mô vú, gây ra cho bệnh nhân cảm giác đau tức vùng ngực [14].5 Ngực bị sưng, tấy đỏ Một biểu hiện nữa của bệnh ung thư vú đó là ngực bị ửng đỏ, có thể có màu tím, sưng đau và người bệnh cảm thấy ngực trở nên nóng hơn bình thường. Các bác sĩ gọi đây là ung thư vú dạng viêm, xảy ra khi các khối u vú phát triển, chèn ép các mô nên dẫn đến ngực bị sưng, tấy đỏ và đau tức.6 Ngứa ở ngực Đây là một trong những triệu chứng liên quan đến bệnh ung thư vú dạng viêm.

Bệnh nhân khi mắc bệnh ung thư vú dạng viêm sẽ thấy ngứa, nổi mẩn đỏ và sần sùi vùng da ở ngực.7 Đau lưng, vai và gáy Ung thư vú còn là nguyên nhân gây ra cảm giác đau lưng, vai hay gáy ở người bệnh. Lý do là khi các tế bào ung thư được sản sinh trong mô tuyến vú, đi sâu vào ngực và tăng trưởng hướng về phía xương sườn, xương sống nên gây ra 7 cảm giác đau lưng, vai và gáy. Sau đó, bệnh sẽ di căn đến xương sống, xương sườn, gây nên bệnh ung thư xương.2 Các giai đoạn bệnh ung thư vú Giai đoạn ung thư vú là giai đoạn mô tả mức độ ung thư trong cơ thể, được dựa trên: - Ung thư là xâm lấn hay không xâm lấn. - Kích thướt của khối u.

- Có nhiều hạch bạch huyết dương tính. - Ung thư đã lan tới các cơ quan khác của cơ thể hay chưa. Giai đoạn ung thư là một trong những yếu tố quan trọng nhất để xác định tiên lượng và lựa chọn các phương pháp điều trị thích hợp. Phân giai đoạn ung thư vú là quá trình tìm xem ung thư lan rộng như thế nào khi chuẩn đoán.

Dựa trên kết quả khám và sinh thiết, bác sĩ có thể cho làm thêm các chuẩn đoán hình ảnh (chụp X-ray ngực, chụp X-ray cả hai vú, scan xương, chụp cộng hưởng từ MRI và PET/CT) và các xét nghiệm máu để đánh giá sức khoẻ và xác định ung thư đã lan tới các bộ phận khác hay chưa. Hệ thống phân giai đoạn ung thư vú là cách thức tiêu chuẩn hoá để các bác sĩ tóm tắt thông tin về mức độ lan rộng của ung thư. Hệ thống được sử dụng rộng rãi nhất để mô tả các giai đoạn ung thư vú là hệ thống TNM của Uỷ ban liên tịch Mỹ (hệ thống TNM là giai đoạn giải phẫu bệnh). Hệ thống TNM gồm 3 phần: - Primary tumor (T) category: các chủng loại khối u tiên phát.

- Nearby lymph node (N): các hạch bạch huyết gần (dựa trên nhìn vào các hạch bạch huyết dưới kính hiển vi). Hệ thống TNM chia ung thư thành 5 giai đoạn: - Giai đoạn 0: giai đoạn ung thư biểu mô. - Giai đoạn 1: giai đoạn tiền xâm lấn. 8 - Giai đoạn 2: giai đoạn xâm lấn.

- Giai đoạn 3: giai đoạn tiên tiến. - Giai đoạn 4: giai đoạn di căn.1 Các giai đoạn ung thư vú. ANATOMIC STAGE/PROGNOSTIC GROUPS Stage 0 Tis N0 M0 Stage IA T1* N0 M0 Stage IB T0 N1mi M0 T1* N1mi M0 Stage IIA T0 N1** M0 T1* N1** M0 T2 N0 M0 Stage IIB T2 N1 M0 T3 N0 M0 Stage IIIA T0 N2 M0 T1* N2 M0 T2 N2 M0 T3 N1 M0 T3 N2 M0 Stage IIIB T4 N0 M0 T4 N1 M0 T4 N2 M0 Stage IIIC Any T N3 M0 Stage IV Any T Any N M1 Bảng trên được giải thích cụ thể như sau: Ý nghĩa các ký hiệu: - Chữ cái T, tiếp theo là các con số từ 0 đến 4 mô tả kích thướt khối u và sự lan toả tới da hoặc tới thành ngực phía trước vú. Con số sau chữ T càng cao thì khối u càng lớn hoặc càng lan gần tới mô vú.

- Chữ cái N, tiếp theo là các con số từ 0 đến 3 nói lên ung thư đã lan tới hạch bạch huyết gần ngực hay chưa, và nếu đã lan thì có bao nhiêu hạch bạch huyết bị ảnh hưởng. 9 - Chữ cái M, tiếp theo là số 0 hoặc 1 chỉ ra ung thư đã lan tới các cơ quan xa hay chưa. Primary tumor(T) category: các chủng loại khối u tiên phát. - TX: khối u tiên phát không thể đánh giá được.

- T0: không có bằng chứng khối u tiên phát. - Tis: khối u tại chỗ. Bao gồm ung thư biểu mô ống động mạch, ung thư biểu mô tiểu thuỳ xâm lấn và bệnh Paget. - T1mi: khối u ≤ 1 mm.

- T1a: khối u > 1 mm và ≤ 5 mm. - T1b: khối u > 5 mm và ≤ 10 mm. - T1c: khối u >10 mm và ≤ 20 mm. - T2: khối u > 20 mm và ≤ 50 mm.

- T4(T4a, T4b, T4c và T4d): khối u có kích thước bất kỳ phát triển vào thành ngực hoặc da, bao gồm cả ung thư vú thể viêm. Nearby lymph node(N): các hạch bạch huyết gần. - NX: các hạch bạch huyết gần không thể đánh giá được. - N0: ung thư chưa lan tới các hạch bạch huyết gần.

- N0(i-): không tìm thấy tế bào ung thư ở khu vực di căn. - N0(i+): tìm thấy lượng rất nhỏ ung thư ở hạch bạch huyết dưới cánh tay bằng kỹ thuật nhuộm màu thường quy hoặc đặc biệt. Khu vực ung thư lan tới chứa chưa tới 200 tế bào và kích thướt < 0. - N0(mol−): không tìm thấy tế bào ung thư khi dùng RT-PCR.

- N0(mol+): không tìm thấy tế bào ung thư khi dùng kỹ thuật nhuộm, nhưng thấy khi dùng RT-PCR. - N1: ung thư lan tới từ 1 đến 3 hạch bạch huyết trong nách hoặc trong tuyến vú khi sinh thiết hạch gác. 10 - N1mi: di căn vi thể (còn gọi là các khu vực ung thư lan toả tí hon) vào từ 1 đến 3 hạch bạch huyết dưới cánh tay. Các khu vực lan toả trong hạch bạch huyết có kích thướt ≤ 2 mm.

- N1a: ung thu lan tới từ 1 đến 3 hạch bạch huyết dưới tay với ít nhất một khu vực ung thư lan toả có kích thướt > 2 mm. - N1b: ung thư đã lan tới các hạch bạch huyết của tuyến vú, nhưng chỉ thấy sự lan toả này khi sinh thiết hạch giác (không làm cho hạch bạch huyết lớn lên). - N1c: áp dụng cho cả N1a và N1b. - N2: ung thư lan tới từ 4 đến 9 hạch bạch huyết dưới cánh tay hoặc ung thư đã lớn lên trong các hạch bạch huyết trong tuyến vú (hoặc N2a hoặc N2b, không được cả 2).

- N2a: ung thư đã lan tới từ 4 đến 9 hạch bạch huyết dưới cánh tay với ít nhất một khu vực ung thư lan toả > 2 mm. - N2b: ung thư đã lan tới 1 hoặc nhiều hạch bạch huyết trong tuyến vú, làm cho các hạch bạch huyết lớn lên. - N3: hoặc N3a hoặc N3b hoặc N3c (1 trong 3). - N3a: ung thư đã lan tới 10 hạch bạch huyết trong nách trở lên với ít nhất một khu vực ung thư lan toả tới > 2 mm hoặc ung thu đã lan tới các hạch bạch huyết phía dưới xương đòn với ít nhất một khu vực ung thư lan toả > 2 mm.