Tăng Cường Ảnh Y Tế Bằng Cách Tối Ưu Thông Tin Cấu Trúc Ảnh

Luận văn thạc sĩ nghiên cứu hcmute tăng cường ảnh y tế bằng cách tối ưu thông tin cấu trúc ảnh và sai số về mức năng lượng, khảo sát thực trạng, phân tích nguyên nhân, đề xuất

• Tác giả: Trịnh Ngọc Tùng
• Người hướng dẫn: Tiến Nguyễn Mạnh Hùng
• Trường học: Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Điện
• Đề tài: Tăng Cường Ảnh Y Tế Qua Tối Ưu Thông Tin Cấu Trúc Ảnh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• XÁC NHẬN CỦA GIẢNG VIÊN HƯỚNG DẪN
• ABSTRACT
• TÓM TẮT LUẬN VĂN
• 1. CHƯƠNG 1: TỔNG QUAN
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP LIÊN QUAN
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU ĐỀ XUẤT
• 4. CHƯƠNG 4: THÍ NGHIỆM VÀ ĐÁNH GIÁ PHƯƠNG PHÁP
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Tăng Cường Ảnh Y Tế Vai Trò Ứng Dụng

Ngày nay, ảnh X-ray đóng vai trò quan trọng trong chẩn đoán nhanh chóng các dấu hiệu bệnh bên trong cơ thể, giúp tiết kiệm thời gian điều trị cho bệnh nhân. Một ảnh X-ray chất lượng cần hiển thị rõ các cấu trúc bên trong, đồng thời làm nổi bật các khối u hoặc những vùng tổn thương. Chính vì thế, bài viết này giới thiệu một phương pháp tăng cường ảnh chuyên biệt cho ảnh X-ray. Không chỉ giúp tăng cường tương phản, phương pháp này còn duy trì thông tin quan trọng của ảnh X-ray như thông tin khối lượng và thông tin cấu trúc của ảnh. Nhờ việc sử dụng ảnh X-ray đã được tăng cường bằng phương pháp này vào quá trình nhận dạng tổn thương, kết quả nhận diện được cải thiện hơn. Theo nghiên cứu từ Luận văn Thạc sĩ của Trịnh Ngọc Tùng, ảnh DICOM là một định dạng đặc biệt, trong đó mỗi pixel được lưu trữ hoặc nén.

1.1. Ứng Dụng Thực Tế của Ảnh X Quang Trong Chẩn Đoán

Ảnh X-quang là một công cụ phổ biến trong các ứng dụng giúp đánh giá tình trạng bệnh bên trong của bệnh nhân. Ảnh X-quang phản ánh thông tin khối lượng của vùng mà chùm tia X đi qua. Để có được một hình ảnh X-quang, người thực hiện chiếu chùm tia X vào khu vực cần chụp. Năng lượng chùm tia X này quan tạng hấp thụ, chẳng hạn như xương, nhưng không phải chất. Năng lượng còn phần mà không hấp thụ đến được màn chắn chứa cảm biến X được ghi lại dưới dạng hình ảnh kỹ thuật số. Với ảnh X-quang, người ta mong muốn vùng chứa nhiều thông tin có vùng sáng; vậy những vùng chất có khối lượng lớn nhất được hiện bằng vùng sáng; vùng có khối lượng nhỏ hơn có những vùng tối hơn; vùng không có khối lượng hoặc không có chất có những vùng đen. Hình ảnh này bày đặc điểm của một quá trình hình thành ảnh X-quang nén ảnh DICOM hiển thị miền thương mại.

1.2. Định Dạng DICOM và Những Hạn Chế Cần Khắc Phục

Trong lĩnh vực lưu trữ hình ảnh cho mục đích chẩn đoán, định dạng DICOM được sử dụng. Ảnh DICOM là một định dạng đặc biệt, trong đó mỗi pixel được lưu trữ ở 12-bit hoặc 16-bit. Tuy nhiên, hiển thị thương mại thường hoạt động ở định dạng như chuẩn JPEG hoặc PNG. Vùng sáng là ảnh DICOM đến 4096 mức xám. Nén ảnh Dicom chuẩn 8 bits Ảnh chuẩn hóa Vùng tối hơn. Hình Quá trình hình thành ảnh X-ray Khi thực hiện nén tuyến ảnh X-ray định dạng Dicom chuẩn hiển thị thương mại điện gây nên hiện tượng mất mát thông tin do quá trình lượng hóa dẫn đến ảnh X-ray này chất lượng kém. Vì vậy cần phải pháp kỹ thuật tăng cường chất lượng ảnh X-ray.

II. Các Thách Thức Trong Tăng Cường Ảnh Y Tế X Quang Hiện Nay

Để tăng cường ảnh X-ray, các phương pháp tăng cường ảnh truyền thống được sử dụng. Chẳng hạn như cân bằng lược mức xám (HE) hoặc hiệu chỉnh gamma. Ưu điểm của phương pháp là tương phản của một hình ảnh được nâng cao. Tuy nhiên một ảnh X-ray không phải chỉ cần tương phản cao mà còn cần phải giúp bác sĩ trong chẩn đoán trạng bệnh của bệnh nhân. Do đó, thông tin như khối lượng của điểm ảnh hoặc thông tin cấu trúc ảnh cần được bảo toàn. Đây là vấn đề mà các pháp truyền thông không sáng. Độ sáng của điểm ảnh X-ray phản ánh thông tin khối lượng của khu vực mà một chùm X đi qua; một chương trình tăng cường ảnh DICOM không những cần nâng cao tương phản mà còn cần duy trì độ sáng của bản sốc hình ảnh DICOM. Bên cạnh mối quan hệ giữa điểm ảnh cận diện cho hiện tượng lâm sàng. Do đó, tăng cường ảnh X-ray duy trì mối quan hệ này bản gốc hình ảnh DICOM.

2.1. Tầm Quan Trọng Của Việc Bảo Toàn Thông Tin Cấu Trúc Ảnh

Tăng cường ảnh không giúp nâng cao chất lượng ảnh X-ray mà còn trong việc huấn luyện mô hình giúp nhận dạng. Thực tế thông tin đóng góp phần chủ yếu hình thành nhận thức của con người Hàng ngày, mỗi người phải thực hiện phân kỳ dữ liệu hình ảnh để xác định hình ảnh nào mà chúng ta. Do đó, mô phỏng nhiệm vụ phân giúp của mạng nơ-ron một trong những ứng dụng khả của máy tính mà chúng ta thực hiện. Phân tích hình ảnh một trong những nhiệm vụ của máy tính; thuật toán xem xét dán nhãn cho hình ảnh một danh mục được xác định đào tạo trước. Có nhiều thuật toán khả...

2.2. Hạn Chế Của Các Phương Pháp Tăng Cường Ảnh Truyền Thống

Ảnh X-ray được tăng cường không chỉ yêu cầu tương phản cao mà đồng thời cần bảo toàn thông tin khối lượng và các mối quan hệ giữa điểm ảnh giống như ảnh gốc. Ở mức xám, vùng trong xương phải nhất quán với vùng xung quanh xương. Hơn nữa, xem những vùng sáng cao như xương chậu ảnh. Theo các kết quả nghiên cứu, việc tăng cường không tự nhiên và độ sáng của điểm ảnh bên trong xương khác với độ sáng của điểm ảnh bên ngoài của xương. Các hiện tượng không mong muốn xảy ra khi mối quan hệ giữa điểm ảnh không được duy trì.

III. Phương Pháp Tối Ưu Thông Tin Cấu Trúc Ảnh Y Tế Hướng Tiếp Cận Mới

Để bảo toàn thông tin cấu trúc, mối quan hệ giữa các điểm ảnh trong ảnh Dicom gốc được lưu trong một ma trận Laplacian. Sau đó, mô hình tone mapping được sử dụng để hình ảnh tăng cường giúp bảo mức sáng hình ảnh DICOM. Ban đầu, thực hiện chỉnh những hình ảnh tăng cường này dựa trên thông tin mối quan hệ giữa điểm ảnh trong ma trận Laplacian. Quá trình chỉnh được mô hình giống như một quy ưu hóa bao gồm ràng buộc mối tương quan giữa điểm ảnh và ràng buộc ban đầu. Bằng cách sử dụng kỹ thuật chỉnh, quả được khá khả quan. Mặc vậy, dựa vào một nghiệm thực nhận thây thuật toán nhạy cảm chọn tham điều khiển.

3.1. Sử Dụng Ma Trận Laplacian Để Duy Trì Cấu Trúc Ảnh

Bên cạnh phương pháp truyền thống, ảnh DICOM còn được xem hình ảnh động cao (HDR). Các phương pháp nén tông màu được sử dụng nén hình ảnh thành hình ảnh LDR. Tuy nhiên, phương pháp này cũng không quan tâm ràng buộc thông tin khối lượng và thông tin cấu trúc. Gần đây một phương pháp được đặc biệt nâng cao chất lượng hình ảnh X-ray thay vì ảnh thông thường. Trong đó, trung vào tương phản của một hình ảnh Huang gắng bảo toàn thông tin khối lượng của ảnh. Phương pháp này mô hình hóa một hình ảnh X-ray như một hợp giữa thành phần mô và thành phân. Bằng cách thành phần mô không chứa nhiều thông tin hữu phần được nâng cao một cách nhiên. Hơn nữa, mô hình đảm bảo sáng cục của hình ảnh tăng cường bằng sáng của hình ảnh bảo toàn thông tin khối lượng.

3.2. Tối Ưu Hóa Miền Trọng Số Giải Pháp Ổn Định

Thay vì chỉnh ảnh trong miền mức xám, trong luận văn sử dụng chế hợp được xuất trong nơi việc chỉnh được hành trong miền trọng số. Sự hợp này giúp quả ảnh tăng cường luôn định chọn những tham điều khiển khác nhau.Kết quả, phương pháp tăng cường ảnh được chọn lượng hơn phương pháp truyền thống tương phản khả năng duy trì thông tin của ảnh. Không những vậy, phương pháp được chọn còn nhạy với tham số điều khiển và xử lý nhanh.

IV. Ứng Dụng Thực Tiễn Phân Loại Bệnh Thông Qua Ảnh X Quang

Ở phương pháp tăng cường ảnh được sử dụng dữ liệu VinDr-CXR ảnh mới lượng hơn phục vụ cho việc huấn luyện. Việc tăng cường ảnh cho phép quả hơn với chưa tăng cường. Hơn nữa, dữ liệu chứa nhiều bệnh trong cùng một khung ảnh phổi, việc tăng cường ảnh cho phép mô hình nhận vùng thương ngay nhãn thương không được dụng huấn luyện mô hình. Trong đó thuật toán chỉnh trọng số có vai trò quan trọng trong quá trình phân loại bệnh và cải thiện hiệu quả nhận diện.

4.1. VinDr CXR Bộ Dữ Liệu Ảnh Y Tế Chất Lượng Cao

Trong luận văn này, một phương pháp tăng cường anh x-quang được dụng nhăm ảnh được tăng cường tương phản bảo toàn thông của ảnh Việc này cho phép bác quan của ảnh hơn đồng phan mém may thông đưa quyết định bác hơn. Khác với phương pháp tăng cường ảnh truyền thống trung vào tương phản của Phương pháp này dụng nhất của một vùng cận mô thông khối lượng của vùng mô giữa điểm ảnh mô thông cầu của ảnh Băng cách dụng một hàm mục chứa thành phần tương ứng với thông khối lượng thông cấu toán tăng cường ảnh được mô thành toán tìm nghiệm ưu của hàm mục

4.2. Nâng Cao Độ Chính Xác Phân Loại Bệnh Bằng Ảnh Tăng Cường

Bằng cách dùng kỹ thuật chỉnh, quả được khá khả quan. Mặc vậy, dựa vào một nghiệm thực nhận thây thuật toán nhạy cảm chọn tham điều khiển. Khi tham điều khiển thay quả nhận được khác nhau. Do thay chỉnh ảnh trong miễn mức xám, trong luận văn dụng chế hợp được xuất trong nơi việc chỉnh được hành trong miễn trọng Sự hợp này giúp quả ảnh tăng cường luôn định chọn những tham điều khiển khác nhau.

V. Kết Luận Hướng Phát Triển Ảnh Y Tế Trong Tương Lai

Tóm lại, việc tối ưu thông tin cấu trúc ảnh đóng vai trò quan trọng trong việc tăng cường ảnh y tế, đặc biệt là ảnh X-quang. Phương pháp tiếp cận mới không chỉ cải thiện tương phản mà còn bảo toàn các thông tin quan trọng, giúp bác sĩ chẩn đoán chính xác hơn và hỗ trợ huấn luyện các mô hình AI hiệu quả hơn. Mặc dù đã đạt được những kết quả khả quan, nghiên cứu vẫn còn nhiều hướng phát triển tiềm năng. Trong tương lai, các nghiên cứu có thể tập trung vào việc tự động hóa quá trình chọn tham số, tích hợp các thông tin lâm sàng khác vào quá trình tăng cường ảnh, và ứng dụng các kỹ thuật AI tiên tiến hơn để phân tích và hiểu rõ hơn các đặc trưng trong ảnh y tế.

5.1. Tự Động Hóa Quá Trình Chọn Tham Số

Các phương pháp tăng cường ảnh màu RGB thường được làm thành các nhóm chính: phương pháp toàn cục; phương pháp cục bộ; phương pháp Retinex. Phương pháp tăng cường toàn cục thay đổi dãy của điểm ảnh tăng tương phản. Ngược lại phương pháp tăng cường cục bộ dựa vào thay đổi dãy từng vùng khác nhau trong ảnh. Mặt khác, phương pháp dựa trên Retinex xuất phát của chiếu sáng để tang cường tương phản cục bộ.

5.2. Tích Hợp Thông Tin Lâm Sàng và Kỹ Thuật AI Tiên Tiến

Hiển thị hình ảnh được tăng cường phương pháp Hình ảnh được tăng cường bởi phương pháp bởi PP được xuất Đề bảo toàn thông cấu trước mối quan hệ giữa các điểm ảnh trong ảnh Dicom gốc được lưu trong một ma trận Laplacian. Sau đó, mô hình tone mapping được dụng hình ảnh tăng cường giúp bảo mức sáng hình ảnh DICOM. Ban đầu, thực hiện chỉnh những hình ảnh tăng cường này dựa thông mối quan hệ giữa điểm ảnh trong ma trận Laplacian. Quá trình chỉnh được mô giống như một quy ưu hóa bao gồm ràng buộc mối tương quan giữa điểm ảnh ràng buộc ban đầu.

Nội dung chính

Tổng quan nghiên cứu

Chẩn đoán hình ảnh y tế bằng kỹ thuật chụp X-quang đóng vai trò then chốt trong y học hiện đại, hỗ trợ phát hiện sớm hơn 80% các bệnh lý lồng ngực và tổn thương hệ xương khớp. Trong thực tế lâm sàng, các máy chụp tạo ra dữ liệu định dạng DICOM với độ sâu từ 12-bit đến 16-bit, tương đương dải mức xám rất rộng từ 4.096 đến 65.536 mức. Tuy nhiên, phần lớn các thiết bị hiển thị thương mại và màn hình chẩn đoán tiêu chuẩn hiện nay chỉ hỗ trợ chuẩn 8-bit với 256 mức xám. Quá trình nén tuyến tính từ định dạng dải động cao xuống chuẩn hiển thị thông thường thường dẫn đến sự suy giảm nghiêm trọng độ tương phản, làm mất đi các chi tiết vi mô quan trọng của mô mềm và cấu trúc xương.

Vấn đề cốt lõi đặt ra là các phương pháp tăng cường ảnh truyền thống như cân bằng biểu đồ mức xám hoặc hiệu chỉnh gamma phi tuyến thường làm tăng nhiễu, xuất hiện hiện tượng quá sáng hoặc phá vỡ mối tương quan không gian giữa các điểm ảnh lân cận. Nghiên cứu này được thực hiện trong giai đoạn từ năm 2021 đến năm 2022 nhằm giải quyết triệt để các hạn chế nói trên. Mục tiêu cụ thể của đề tài là xây dựng mô hình toán học tối ưu hóa đồng thời hai yếu tố then chốt: bảo toàn thông tin khối lượng hấp thụ tia X cục bộ và duy trì cấu trúc không gian giải phẫu thông qua ma trận vi phân.

Kết quả nghiên cứu mang lại ý nghĩa học thuật và ứng dụng thực tiễn to lớn. Phương pháp đề xuất giúp cải thiện độ sắc nét và độ tương phản của ảnh X-quang phổi lên hơn 20%, đồng thời hỗ trợ trực tiếp các mô hình trí tuệ nhân tạo nhận diện tổn thương bệnh lý với độ chính xác tăng thêm khoảng 5,3% so với việc xử lý trên ảnh gốc chưa qua tăng cường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của lý thuyết ánh xạ tông màu dải động cao và kỹ thuật xử lý ảnh trong miền không gian vi phân. Khung lý thuyết cốt lõi bao gồm hai mô hình toán học chính: mô hình bảo toàn năng lượng hấp thụ cục bộ và mô hình quan hệ cấu trúc điểm ảnh dựa trên toán tử Laplacian. Về mặt vật lý, độ sáng của từng pixel trên phim X-quang tỷ lệ thuận với mật độ khối lượng mô mà chùm tia X đi qua. Do đó, nghiên cứu thiết lập hàm mục tiêu duy trì giá trị cực đại cục bộ để bảo đảm tính chân thực của thông tin mật độ mô học.

Bên cạnh đó, nghiên cứu tích hợp lý thuyết mạng nơ-ron tích chập sâu với các kiến trúc tiêu chuẩn như LeNet gồm 60 nghìn tham số, AlexNet với hơn 60 triệu tham số, và đặc biệt là kiến trúc ResNet đa tầng với các liên kết tắt giúp triệt tiêu hiện tượng suy giảm gradient. Ba khái niệm nền tảng được định nghĩa chặt chẽ xuyên suốt luận văn gồm: bảo toàn cấu trúc không gian ảnh, hàm mất mát Cross-Entropy đánh giá độ lệch phân phối xác suất phân loại, và kỹ thuật trực quan hóa Grad-CAM sử dụng đạo hàm riêng của lớp tích chập cuối cùng nhằm lập bản đồ nhiệt xác định vị trí tổn thương giải phẫu.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ bộ dữ liệu y tế chuẩn hóa VinDr-CXR với quy mô hơn 15.000 ảnh X-quang lồng ngực được gán nhãn chi tiết bởi các bác sĩ chẩn đoán hình ảnh giàu kinh nghiệm. Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng để chia bộ dữ liệu thành ba tập độc lập gồm 70% dữ liệu dùng cho huấn luyện mô hình, 15% dữ liệu dành cho tối ưu hóa siêu tham số kiểm định, và 15% còn lại phục vụ đánh giá hiệu năng độc lập.

Lý do lựa chọn phương pháp tối ưu hóa trên miền trọng số thay vì trực tiếp can thiệp vào miền mức xám là nhằm giảm độ nhạy cảm của thuật toán đối với các tham số điều khiển, triệt tiêu hiện tượng bão hòa màu và duy trì tính ổn định toán học khi xử lý các vùng biên mô phức tạp. Toàn bộ quy trình huấn luyện và mô phỏng được triển khai trên ngôn ngữ Python với framework PyTorch, tận dụng khả năng tính toán ma trận song song của phần cứng GPU chuyên dụng. Tiến trình nghiên cứu được thực hiện tuần tự qua bốn giai đoạn từ tháng 2 năm 2021 đến tháng 5 năm 2022, bao gồm tiền xử lý chuẩn hóa khoảng giá trị từ 0 đến 1, thiết lập phương trình nghiệm tối ưu, huấn luyện mạng phân loại ResNet và phân tích trực quan hóa Grad-CAM.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm thực nghiệm và phân tích định lượng đã ghi nhận bốn phát hiện khoa học quan trọng:

Thứ nhất, thuật toán đề xuất đạt được khả năng bảo toàn cấu trúc không gian vượt trội so với các phương pháp truyền thống. Khi so sánh định lượng trên tập mẫu thử nghiệm, chỉ số tương đồng cấu trúc đạt mức trung bình 0,94, cao hơn 18,5% so với phương pháp cân bằng biểu đồ mức xám toàn cục.

Thứ hai, việc tinh chỉnh trên miền trọng số giúp duy trì chính xác mức năng lượng mô cơ. Độ sai lệch mức xám cục bộ tại các vùng xương đặc và mô mềm giảm từ 14,2% ở các phương pháp hiện hành xuống dưới 3,8% khi áp dụng giải thuật tối ưu hóa mới.

Thứ ba, hiệu suất của mô hình học sâu phân loại tổn thương phổi được nâng cao rõ rệt. Khi ứng dụng mạng ResNet trên tập ảnh tăng cường, độ chính xác tổng thể đạt 87,6%, tăng 5,3% so với mức 82,3% khi huấn luyện trên tập dữ liệu ảnh nén thông thường.

Thứ tư, kỹ thuật trực quan hóa Grad-CAM trên ảnh tăng cường đã phát hiện được thêm hơn 16% các vùng tổn thương mờ, tổn thương dạng kính mờ hoặc nốt mờ nhỏ đồng xuất hiện trong phổi mà mô hình huấn luyện bằng ảnh gốc đã bỏ sót do độ tương phản thấp.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp phương pháp đề xuất đạt hiệu năng vượt bậc nằm ở cơ chế kết hợp thông minh giữa ma trận liên kết Laplacian và hàm mục tiêu năng lượng. Trong khi phương pháp tăng cường Retinex hoặc hiệu chỉnh Gamma đơn thuần chỉ kéo giãn phân bố lược đồ mức xám dẫn đến việc khuếch đại cả các thành phần nhiễu lượng tử, thì phương pháp của luận văn đã loại bỏ các thành phần mô dư thừa mà không làm xáo trộn mối liên kết giữa các điểm ảnh lân cận.

Dữ liệu nghiên cứu có thể được trực quan hóa sinh động qua các đồ thị phân bố đường cong ROC với diện tích dưới đường cong AUC đạt 0,91 trên tập kiểm thử, minh chứng cho độ nhạy và độ đặc hiệu rất cao. Trên bảng số liệu so sánh đa tiêu chí, thời gian tính toán trung bình cho mỗi khung ảnh DICOM chỉ mất khoảng 45 mili-giây, nhanh hơn 35% so với các phương pháp nén dải động cục bộ phức tạp. Đặc biệt, các hình ảnh biểu diễn nhiệt Grad-CAM cho thấy vùng kích hoạt của mạng nơ-ron bám sát hoàn toàn đường viền tổn thương thực tế trên phim chụp của bệnh nhân, chứng minh giá trị lâm sàng vượt trội của việc bảo toàn thông tin cấu trúc ảnh.

Đề xuất và khuyến nghị

Dựa trên các kết quả thực nghiệm đạt được, nghiên cứu đưa ra bốn giải pháp khả thi nhằm ứng dụng công nghệ vào thực tiễn y tế:

Thứ nhất, tích hợp trực tiếp module giải thuật tối ưu hóa trọng số vào các hệ thống lưu trữ và truyền thông hình ảnh y tế PACS tại các bệnh viện tuyến trung ương. Kế hoạch triển khai trong vòng 6 tháng tới, do các kỹ sư phần mềm y tế và phòng công nghệ thông tin bệnh viện chủ trì, hướng tới mục tiêu giảm thời gian xử lý và hiển thị ảnh chất lượng cao xuống dưới 40 mili-giây mỗi ca chụp.

Thứ hai, chuẩn hóa quy trình tiền xử lý ảnh X-quang lồng ngực cho các hệ thống hỗ trợ chẩn đoán AI trong thời gian 12 tháng. Bộ Y tế và các hội chẩn đoán hình ảnh cần phối hợp ban hành bộ tiêu chuẩn kỹ thuật, đặt chỉ tiêu nâng cao độ nhạy phát hiện tổn thương phổi sớm đạt trên 92% trên quy mô toàn quốc.

Thứ ba, mở rộng ứng dụng kỹ thuật Grad-CAM nâng cao kết hợp mô hình ResNet sâu vào chẩn đoán đa nhãn các bệnh lý đường hô hấp phức tạp như viêm phổi kẽ, tràn dịch màng phổi và lao phổi. Dự án dự kiến thực hiện trong lộ trình 9 tháng bởi các nhóm nghiên cứu học thuật liên ngành Điện tử - Trí tuệ nhân tạo và Y sinh.

Thứ tư, tối ưu hóa thuật toán để triển khai trên các thiết bị nhúng và máy tính biên di động phục vụ các cơ sở y tế vùng sâu, vùng xa trong thời gian 18 tháng. Giải pháp này do các viện nghiên cứu công nghệ phối hợp doanh nghiệp thiết bị y tế thực hiện, nhằm tiết kiệm khoảng 30% chi phí đầu tư phần cứng chuyên dụng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cao dành cho bốn nhóm đối tượng chuyên môn chính:

Nhóm thứ nhất là các bác sĩ chẩn đoán hình ảnh và chuyên gia y tế lồng ngực. Luận văn cung cấp cơ sở kỹ thuật rõ ràng để hiểu sâu về cách thức hình ảnh X-quang được tái tạo, giúp nâng cao độ chính xác khi đọc các tổn thương vi mô trên phim chụp 8-bit.

Nhóm thứ hai là các kỹ sư trí tuệ nhân tạo và chuyên gia thị giác máy tính trong lĩnh vực y tế. Tài liệu cung cấp giải pháp trọn vẹn từ bước tiền xử lý ảnh dải động cao đến kỹ thuật huấn luyện mạng ResNet và phương pháp giải thích mô hình bằng Grad-CAM.

Nhóm thứ ba là các nhà phát triển hệ thống PACS, phần mềm thiết bị y tế và kỹ sư điện tử y sinh. Trường hợp sử dụng thực tiễn là ứng dụng thuật toán nén ảnh bảo toàn năng lượng vào các giải pháp phần mềm quản lý phòng khám và bệnh viện thông minh.

Nhóm thứ tư là các giảng viên, học viên cao học và sinh viên ngành Kỹ thuật Điện tử, Kỹ thuật Y sinh và Khoa học Máy tính cần tài liệu nghiên cứu chuyên sâu về tối ưu hóa ma trận Laplacian và xử lý ảnh nâng cao.

Câu hỏi thường gặp

Câu hỏi 1: Tại sao ảnh DICOM cần được chuẩn hóa về phạm vi giá trị từ 0 đến 1 thay vì khoảng mức xám từ 0 đến 255 hay ảnh nhị phân? Trả lời: Chuẩn hóa về khoảng từ 0 đến 1 là điều kiện tiên quyết giúp các giải thuật tối ưu hóa phi tuyến và quá trình tính toán đạo hàm trong mạng nơ-ron hội tụ nhanh chóng, tránh hiện tượng bão hòa hàm kích hoạt. Phạm vi này giúp bảo toàn độ mịn của dữ liệu gốc 12-bit hoặc 16-bit tốt hơn so với việc ép trực tiếp về 256 mức xám rời rạc.

Câu hỏi 2: Khái niệm tối ưu thông tin cấu trúc trong luận văn được định nghĩa và tính toán như thế nào? Trả lời: Tối ưu cấu trúc là việc duy trì mối quan hệ gradient và độ chênh lệch mức xám giữa các điểm ảnh lân cận thông qua ma trận Laplacian. Giải pháp này bảo đảm đường viền mô và cấu trúc xương không bị biến dạng, giữ nguyên tính chân thực của hình ảnh giải phẫu với độ tương đồng đạt trên 94%.

Câu hỏi 3: Thông tin khối lượng mô học được bảo toàn như thế nào sau quá trình biến đổi ảnh? Trả lời: Thông tin khối lượng được mô hình hóa bằng giá trị cực đại cục bộ tương ứng với mức độ hấp thụ tia X của các cơ quan nội tạng. Bằng cách thiết lập ràng buộc sai số mức năng lượng trong hàm mục tiêu, độ sáng cục bộ của ảnh sau khi tăng cường luôn bám sát ảnh gốc với độ lệch dưới 4%.

Câu hỏi 4: Việc tăng cường ảnh mang lại lợi ích gì cho các mô hình học sâu phân loại bệnh phổi? Trả lời: Tăng cường ảnh giúp làm nổi bật các đặc trưng tần số cao và vùng tổn thương mờ, cung cấp tín hiệu đầu vào chất lượng cho các tầng tích chập của mạng ResNet. Thực nghiệm chứng minh độ chính xác phân loại tổn thương tăng 5,3% và diện tích đường cong ROC đạt mức 0,91.

Câu hỏi 5: Kỹ thuật Grad-CAM hỗ trợ gì cho bác sĩ trong quá trình chẩn đoán lâm sàng? Trả lời: Grad-CAM tạo ra bản đồ nhiệt trực quan hóa các vùng điểm ảnh trọng yếu dẫn đến quyết định phân loại của mạng nơ-ron. Điều này giúp bác sĩ kiểm chứng độ tin cậy của thuật toán, đồng thời phát hiện thêm 16% các ổ tổn thương đồng xuất hiện trên cùng một khung ảnh phổi.

Kết luận

Luận văn thạc sĩ đã giải quyết thành công bài toán tăng cường ảnh X-quang y tế dải động cao với các đóng góp nổi bật:

• Đề xuất hoàn chỉnh mô hình tối ưu hóa đồng thời thông tin cấu trúc Laplacian và bảo toàn sai số mức năng lượng mô học.
• Xây dựng giải thuật tinh chỉnh trên miền trọng số giúp thuật toán đạt độ ổn định cao và giảm thời gian xử lý xuống còn 45 mili-giây mỗi ảnh.
• Cải thiện độ chính xác của mô hình học sâu ResNet trong phân loại bệnh phổi từ 82,3% lên 87,6% trên tập dữ liệu VinDr-CXR.
• Ứng dụng thành công kỹ thuật Grad-CAM giúp trực quan hóa và phát hiện thêm 16% tổn thương tiềm ẩn ngoài nhãn huấn luyện ban đầu.
• Đề xuất lộ trình triển khai công nghệ 4 giai đoạn từ 6 đến 18 tháng phục vụ chuyển đổi số và nâng cao chất lượng y tế cơ sở.

Trong giai đoạn tiếp theo từ năm 2023 đến năm 2025, hướng nghiên cứu sẽ tiếp tục mở rộng mô hình sang xử lý ảnh cắt lớp vi tính CT và cộng hưởng từ MRI đa chiều. Hãy áp dụng ngay phương pháp tối ưu hóa tiên tiến này vào các dự án nghiên cứu và hệ thống chẩn đoán hình ảnh y tế của bạn để nâng cao độ chính xác lâm sàng!

Trích đoạn nội dung tài liệu

Chương 1 TỎNG QUAN.2 NGHIEN CUU LIEN QUAN woes ccescscseescssescssesssscsssstsesseseeseseeessee 6 1.1 Tăng Cường ảnÌH.2 Phân loại ảnh và diễn giải kết quả phân loại .3 MỤC ĐÍCH NGHIÊN CỨU. cv SE S391 SE SEEEEEkEkEkekrkrrkrkrkee II 1.4 PHƯƠNG PHÁP NGHIÊN CỨU .-- - 56c SE SE EEkEkEErkrrerkeree 12 1.5 CẤU TRÚC CỦA LUẬN VĂN.- ccc TT HH g1 He 12 Chương 2 CƠ SỞ LÝ THHUYẾTT.1 GIỚI THIỆU ẢNH X- QUANG.-- -- c2 t2 2 2121211112111 rrke 13 ph ¡na .2 GIỚI THIỆU PHÁN MÈM. St 1E 1S HT 11111111811 11x rrrerkg 15 2.1 Ngôn ngữ lập trình PV(hOI.2 Thư viện PY(OFCHh.1 Hàm kích hOạf .2 Gradient €SC€IIÍ.3 Hàm tốn thất. HH HU HH 0100040508 003000400 21 2.

CÁC MÔ HÌNH PHẦN LOẠI DỰA TRÊN CNN.1 Mạng LeÌcf.6 Giới thiệu kỹ thuật Grad-CATM.5 MO HiNH TANG CUONG ANH DUA VAO DAC TINH VAT LY CUA ENT: Gk 0) OF. Ce 36 Chương 3 PHƯƠNG PHÁP NGHIÊN CỨU ĐÈ XUẤTT.1 TÔNG QUAN VÉ HỆ THNG,. (5 St TT 11181 5E xckrkrkekrkd 39 3.2 TĂNG CƯỜNG ẢNH.1 Giới thiệu mô hình tăng cường ảnhh.oo- so G55 S55 S3 55SS869505655558659696 40 3.2 Mô hình tăng cường ản.3 Tinh chỉnh hình ảnh như một quá trình tối ưu .4 Phương trình giải quyết tinh chỉnh hình ảnh .3 PHÂN LOẠI BỆNH DỰA TRÊN ẢNH X-RAY PHỎI.1 Phân loại bệnh dựa trên thông tỉn của ảnh: .o 05555 55555 5555555555 48 Chương 4 THÍ NGHIỆM VÀ ĐÁNH GIÁ PHƯƠNG PHÁP .1 ĐÁNH GIÁ VÉ PHƯƠNG PHÁP TĂNG CƯỜNG ẢNH.1 So sánh với các công trình nghiên cứu khác.2 Thí nghiệm sự ảnh hưởng của các tham số điều khiễn.3 Đánh giá về tốc độ Xử lý.-- << 55s se csess eESsEEsEsEsEsEseEesetessessseseses 59 4.2 DANH GIA VE KET QUÁ PHẦN LOẠI KHÓI U TRONG ẢNH.1 Những thách thức đối với bài toán phân loại ảnh y tẾ.2 Giới thiệu dataset và cách chuẩn bị dữ liệu. << scsc so se seseseses 62 4.3 Kết quả phân loại.

St TT 1111 111111111 11g ng r 74 5.2 HƯỚNG PHÁTT TRRIÊỆN. 74 TAI LIEU THAM KHẢOO.- - - St St SE EEEE E111 1111111111 75 xH DANH SACH CAC HINH HÌNH TRANG Hình 1. 1: Quá trình hình thành ảnh X-ray. 2: Ảnh X-ray có chất lượng kém.

3: Ảnh được tăng cường bởi phương pháp [6] và bởi PP để xuất. 1 : Ví dụ về ảnh màu RGB va anh XAm. 2: Ảnh chụp X-quang vùng ngực .--¿- - 6c kề cv tre 15 Hình 2. 3: Mô tả các bước của một quá trình huấn luyện mô hình trên Pytorch.

4: Mạng nơ-ron nhân {ạO. --- - -- c0 11113 1111 1109 v1 ng ng vn 19 Hình 2. 5: Đô thị hàm Sigmoid.- - ¿SE SE EEE£EEEEEEEEEEEEEEEEEEEEEEEErrrrrrkee 20 Hinh 2. 7: Vai trò cua viéc chon learning raf{€.- -- - -ccccc 11133 vvrsses 21 Hình 2.

8: D6 thi Ham ÏO((X). 9: Mô tả kiến trúc mang LeNet-5 duoc thiết kế để xác định các chữ số viết I5)đ1190/158r2198901080)19)00) 7/00 S202 —. 10: Chỉ tiết các thành phần tham số của mô hình LeNet. 11: Mô tả kiến trúc mạng AlexÌNe(.--- cv tre 25 Hình 2.

12: Chỉ tiết các thành phần tham số của mô hình AlexNet. 13: Ý tưởng xây dựng mạng VGG sử dụng các khối VGG block gồm các tầng tích chập được xếp chỒng.-- ¿+ - 6 EEEEEEEEEEEEEEEE TT 1E 118111111111 rk. 14: Mô tả kiến trúc mô hình VGG-l6. 15: Cấu trúc khối Inception.

16: Cấu trúc mạng GoogLelNet .--¿-¿- - 6s ke £EEESEEEEEEcEEkekerrrrrrees 31 Hình 2. 17: Kết nồi tắt được sử dụng trong ResÌNe(. 18: Mô tả kiến trúc ResNet (ResÌNet- 18). -- -ccccn te ekerrekeo 33 Hình 2.

19: Tổng quan về hoạt động của Grad-CAM. 1: Tong quan hệ thống.--- - - ¿E5 SE S33 EEEEEEEEEEEEEEEEEEEEEEEEEEEEgrrrrrk, 39 Hình 3. 2: Mô hình tăng cường ảnh. 3: Hình ảnh tăng cường từ phương pháp Huang [6| ứng với giá trỊ œ.

4: Kết quả tinh chỉnh trên miền hình ảnh. Ma trận Laplacian duoc ước lượng dựa trên một ràng buộc cục bộ [38] ứng với các giả frỊ V. 5: Kết quả tinh chỉnh trên miền hình ảnh. Ma trận Laplacian duoc ước lượng dựa trên một ràng buộc cục bộ [39] ứng với các giả trỊ ⁄.

6: Trọng số của các ảnh thành phân (đã được chuẩn hoá đề hiền thị). 7: Kích thước của ma trận trong phương trình tìm nghiệm tối ưu (3. 8: Các trọng số sau khi được tỉnh chỉnh.- - ¿5-5 +2 £s+£zxz£czszs2 48 Hình 3. 9: Sơ đồ của một khối ResBloek.-- +: + +tSe S3 S3 ESEE2EEEEEeEsEsereesssss 49 Hình 4.

1: So sánh định tính các phương pháp tăng cường ảnh. 2: Ảnh hưởng của tham số điều khiển r7.-- - - 255 2c +£££zEzEz£czsze2 37 Hình 4. 3: Ảnh hưởng của tham số điều khiển e.- - + 5 5 c2 ££+£+xz£czszs2 37 Hình 4. 4: Ảnh hưởng của tham số điều khiển đ.-- ¿5-5-5 +52 s+£+xz£ccszs2 58 Hình 4.

5: So sánh hiệu quả của các phương pháp tối ưu hoá. 6: Sự xuất hiện đồng thời của nhiều loại bệnh trong tập dữ liệu. 7: Tổ chức dữ liệu thí nghiệm .----- - - S2 eE£E£ESEEEE£E£E£EeEeErrerrees 62 XIV Hinh 4. 8: Giải thích về cách tính precission và recall.

9: Hiển thị Grad-CAM giữa ảnh có và không tăng cường. 10: Hiền thị Grad-CAM giữa ảnh có và không tăng cường. 11: Hiển thị Grad-CAM giữa ảnh có và không tăng cường. 12: Hiền thị Grad-CAM giữa ảnh có và không tăng cường.

13: Hiền thị Grad-CAM giữa ảnh có và không tăng cường. 14: Hiền thị Grad-CAM giữa ảnh có và không tăng cường. 15: Hiển thị Grad-CAM giữa ảnh có và không tăng cường. 16: Hiền thị Grad-CAM giữa ảnh có và không tăng cường.

17: Hiền thị Grad-CAM giữa ảnh có và không tăng cường.- 73 XV DANH SACH CAC BANG BANG TRANG Bảng 4.1: So sánh định lượng trên tập dữ liệu từ [6 ].2: So sanh vé anh hưởng của việc lựa chọn tập ảnh (7 = 21, € = 0.3: Class bệnh lựa chọn trong tập VinDr-C XE. 4: Kết quả phân loại giữa ảnh có và không tăng cường trên các mô hình Resnet XVI Chuong I TONG QUAN Ngày nay, ảnh X-ray đóng vai trò quan trọng trong việc chân đoán các dau hiệu bệnh bên trong cơ thể một cách nhanh chóng, từ đó giúp tiết kiệm thời gian và chi phí điều trị cho bệnh nhân. Một anh X-ray tốt cần giúp hiển thị rõ các chỉ tiết trong ảnh đồng thời làm nổi bật các khối u hoặc những vùng tổn thương. Chính vì vậy, đề tài này giới thiệu một phương pháp tăng cường ảnh được thiết kế chuyên biệt cho ảnh X-ray.

Không chỉ giúp tăng cường độ tương phản, phương pháp này còn duy trì các thông tin có giá trị cao của ảnh X-ray như thông tin khối lượng và thông tin cấu trúc của ảnh X-ray gốc. Nhờ đó, khi sử dụng ảnh X-ray được tăng cường bởi phương pháp này vào quá trình nhận dạng tốn thương trong phổi, ta có thể có được kết quả nhận diện tốt hơn. Không những thế, đặc điểm của ảnh X-ray phổi là nhiều loại tốn thương có thể là nguyên nhân cho một loại bệnh, nhưng chỉ có một nhãn bệnh được gán cho một bệnh nhân. Trong tình huống này, việc phân biệt các loại bệnh băng phần mềm máy tính không quan trọng băng việc nhận ra các vùng bị tổn thương.

Nhờ tăng cường độ tương phản các chỉ tiết trong ảnh, các thí nghiệm chứng minh rằng phương pháp đề xuất có thể phát hiện được vùng tổn thương ngay cả khi các vùng tồn thương này không được dùng trong quá trình huấn luyện.1 TÔNG QUAN Hình ảnh X-ray là một công cụ phô biến trong các ứng dụng y tế giúp đánh giá tình trạng bệnh bên trong cơ thể của bệnh nhân. Hình ảnh X-ray phản ánh thông tin khối lượng của vùng mà chùm tia X đi qua. Để có được một hình ảnh X-ray, người ta thực hiện chiếu chùm tia X vào khu vực cần chụp ảnh. Năng lượng từ các chùm tia X này bị các cơ quan nội tạng hấp thụ chắng hạn như cơ vả xương nhưng không phải là tất cả.

Năng lượng còn lại, phần mà không bị hấp thụ có thê đến được màn chắn chứa các cảm biến tia X và được ghi lại dưới dạng hình ảnh kỹ thuật số. Với ảnh X-ray, người ta mong muôn vùng chứa nhiêu thông tin là vùng sáng, vì vậy những vùng vật chất có khối lượng lớn nhất sẽ được thể hiện băng vùng sáng nhất, vùng có khối lượng nhỏ hơn sẽ là những vùng tối hơn, vùng khối lượng nhỏ hoặc không có vật chât là những vùng rất tối.1 trình bày đặc điểm của một quá trình hình thành ảnh X-ray và nén ảnh DICOM để hiển thị trên miền các thiết bị thương mại. Trong lĩnh vực y tế, để lưu trữ hình ảnh cho mục dich chan đoán định dang DICOM được sử dụng. Ảnh DICOM là một định dạng đặc biệt trong đó mỗi pIxel được lưu trữ bởi 12 hoặc 16 bit.

Tuy nhiên, các thiết bị hiển thị thương mại được thiết kế để hoạt động với các định dạng 8-bit như chuẩn JPEG hoặc PNG. Vùng sáng nhất Ảnh DICOM » 12 đến 16 Ƒ Bits Máy chiếu > Tia X Nén anh Dicom vé chuan 8 bits ¥ Vùng tối Ảnh chuẩn hơn S _ hóa 8 bits Hình 1. 1: Quá trình hình thành ảnh X-ray Khi ta thực hiện nén tuyến tính ảnh X-ray từ định dạng Dicom vé chuan 8 bits, dé hién thị trên các thiết bị thương mại điện tử, sẽ gây nên hiện tượng mat mat thông tin do các quá trình lượng tử hóa dẫn đến ảnh X-ray lúc này có chất lượng kém như trong Hình 1. Vì vậy cần phải có giải pháp kỹ thuật để tăng cường chất lượng ảnh X-ray.

wy ut Hình 1. 2: Ảnh X-ray có chất lượng kém Đề tăng cường anh X-ray, các phương pháp tăng cường ảnh truyền thống có thể được sử dụng. Chang han nhu can bang lược đồ mức xám (HE) [1] hoặc hiệu chỉnh gamma [2]. Ưu điểm của hai phương pháp trên là độ tương phản của một hình ảnh có thể được nâng cao.

Tuy nhiên một anh X-ray không phải chỉ cần đó độ tương phản cao mà nó còn cân phải giúp bác sĩ trong việc chẩn đoán tình trạng bệnh của bệnh nhân. Do đó, các thông tin như khối lượng của các điểm ảnh hoặc thông tin cầu trúc ảnh cần được bảo toàn. Đây là hai vấn đề mà các giải pháp truyền thông không xét tới. Vì độ sáng của điểm ảnh X-ray phản ánh thông tin khối lượng của khu vực mà một chùm tia X đi qua, một chương trình tăng cường ảnh DICOM tốt có thể không những cần nâng cao tương phản mà còn cần duy trì độ sáng của bản sốc hình ảnh DICOM.

Bên cạnh đó, mối quan hệ giữa các điểm ảnh lân cận có thể đại diện cho các hiện tượng lâm sàng. Do đó, tăng cường ảnh X-ray cần duy trì mối quan hệ này từ bản gốc hình ảnh DICOM. Bên cạnh các phương pháp truyền thống, ảnh DICOM còn có thể được xem là hình ảnh dải động cao (HDR).