Nghiên cứu thuật toán phát hiện contour hỗ trợ chẩn đoán nốt mờ đám mờ trên ảnh X-quang phổi bệnh nhân COVID-19

• Tác giả: Chomechanh Lorkham Aien
• Người hướng dẫn: TS. Nguyễn Hải Minh
• Trường học: Đại học Thái Nguyên - Trường Đại học Công nghệ Thông tin và Truyền thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu một số thuật toán phát hiện Contour và ứng dụng hỗ trợ phát hiện vùng nốt mờ, đám mờ trên ảnh XQ chụp phổi của bệnh nhân mắc COVID-19
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Thái Nguyên

• LỜI CAM ĐOAN
• 1. CHƯƠNG I: CÁC KIẾN THỨC CƠ BẢN VỀ ẢNH Y TẾ VÀ KỸ THUẬT XỬ LÝ ẢNH
• 1.1. Các kiến thức cơ bản về ảnh y tế
• 1.2. Một số phương pháp thu nhận hình ảnh y tế
• 1.3. Xử lý ảnh số
• 1.3.1. Một số khái niệm cơ bản
• 1.3.2. Một số kỹ thuật xử lý ảnh
• 1.3.2.1. Nắn chỉnh biến dạng
• 1.3.2.2. Chỉnh số mức xám
• 1.3.2.3. Phân tích ảnh
• 1.3.2.4. Nhận dạng và phân loại ảnh
• 1.4. Một số kỹ thuật xử lý ảnh y tế
• 1.4.1. Khái quát về biên và phân loại các kỹ thuật dò biên cơ bản
• 1.4.2. Các kỹ thuật phát hiện biên
• 1.4.3. Phát hiện biên cục bộ và phân vùng ảnh
• 2. CHƯƠNG II: NỐT MỜ, VẾT MỜ, ĐÁM MỜ TRÊN ẢNH XQ VÀ VẤN ĐỀ ỨNG DỤNG TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH NHÂN COVID-19
• 2.1. Vấn đề nốt mờ, vết mờ, đám mờ
• 2.2. Sơ lược về cơ chế bệnh sinh viêm phổi do virus
• 2.3. Tổn thương giải phẫu bệnh của viêm phổi virus
• 2.4. Đặc điểm tổn thương phổi do COVID-19 trên hình ảnh X-quang
• 2.4.1. Đặc điểm tổn thương phổi do COVID-19 trên hình ảnh cắt lớp vi tính
• 2.4.2. Chẩn đoán và đánh giá mức độ tiến triển tổn thương phổi do COVID-19 trên cắt lớp vi tính
• 2.4.3. Hình ảnh tổn thương phổi một số ca nhiễm COVID-19 trên X-quang
• 3. CHƯƠNG III: CÀI ĐẶT THỬ NGHIỆM
• 3.1. Giải thuật hỗ trợ phát hiện nốt mờ, đốm mờ và đám mờ
• 3.2. Các thuật toán tìm đường bao (Contour Tracing Algorithm)
• 3.2.1. Các sơ đồ khối mô tả các thuật toán
• 3.3. Công nghệ áp dụng
• 3.4. Thu thập dữ liệu
• 3.5. Kết quả xử lý
• 3.6. So sánh đánh giá các giải thuật
• TÀI LIỆU THAM KHẢO

I. Thuật toán phát hiện contour

Thuật toán phát hiện contour là một trong những kỹ thuật quan trọng trong xử lý ảnh y tế, đặc biệt trong việc chẩn đoán nốt mờ và đám mờ trên ảnh X-quang phổi của bệnh nhân COVID-19. Các thuật toán này giúp xác định biên giới của các vùng bất thường trong hình ảnh, từ đó hỗ trợ bác sĩ trong việc đưa ra chẩn đoán chính xác. Việc phát hiện contour không chỉ giúp nhận diện các tổn thương mà còn cung cấp thông tin về kích thước và hình dạng của chúng. Theo nghiên cứu, việc áp dụng thuật toán phát hiện contour có thể cải thiện độ chính xác trong việc phát hiện các nốt mờ, đám mờ, từ đó nâng cao hiệu quả chẩn đoán bệnh. Các phương pháp như Canny Edge Detection, Sobel Filter và Laplacian đều được sử dụng để phát hiện biên trong ảnh X-quang. Những kỹ thuật này có thể được tối ưu hóa để phù hợp với đặc điểm của hình ảnh y tế, giúp tăng cường khả năng phát hiện và phân tích.

1.1. Các phương pháp phát hiện contour

Trong lĩnh vực y tế, có nhiều phương pháp khác nhau để phát hiện contour. Một trong những phương pháp phổ biến là sử dụng Canny Edge Detection, nổi bật với khả năng phát hiện biên mạnh mẽ và chính xác. Phương pháp này hoạt động bằng cách áp dụng bộ lọc Gaussian để giảm nhiễu, sau đó tính toán gradient để xác định các điểm biên. Ngoài ra, Sobel Filter cũng được sử dụng rộng rãi, giúp xác định biên theo hướng x và y, từ đó tạo ra một bản đồ biên cho hình ảnh. Laplacian là một phương pháp khác, sử dụng đạo hàm bậc hai để phát hiện các điểm cực trị trong gradient, từ đó xác định biên. Việc kết hợp các phương pháp này có thể tạo ra một hệ thống phát hiện contour hiệu quả hơn, giúp nâng cao độ chính xác trong chẩn đoán nốt mờ và đám mờ trên ảnh X-quang.

II. Chẩn đoán nốt mờ và đám mờ

Chẩn đoán nốt mờ và đám mờ trên ảnh X-quang phổi là một trong những thách thức lớn trong y học, đặc biệt trong bối cảnh đại dịch COVID-19. Nốt mờ và đám mờ thường xuất hiện trên ảnh X-quang như là dấu hiệu của các bệnh lý phổi khác nhau, bao gồm viêm phổi do virus, ung thư phổi và các bệnh lý khác. Việc phát hiện sớm và chính xác các dấu hiệu này là rất quan trọng để đưa ra phương pháp điều trị kịp thời. Theo các nghiên cứu, việc áp dụng thuật toán phát hiện contour có thể giúp bác sĩ dễ dàng nhận diện các nốt mờ và đám mờ, từ đó đưa ra chẩn đoán chính xác hơn. Hệ thống hỗ trợ chẩn đoán dựa trên AI có thể phân tích hàng triệu hình ảnh X-quang, giúp phát hiện các dấu hiệu bất thường mà mắt thường có thể bỏ qua.

2.1. Đặc điểm tổn thương phổi do COVID 19

Tổn thương phổi do COVID-19 thường được thể hiện qua các hình ảnh X-quang với các nốt mờ và đám mờ đặc trưng. Các nghiên cứu cho thấy rằng tổn thương phổi do COVID-19 thường có hình dạng không đồng nhất, với các vùng kính mờ và đông đặc. Việc nhận diện các đặc điểm này là rất quan trọng trong việc chẩn đoán và theo dõi tiến triển của bệnh. Hệ thống phát hiện contour có thể giúp xác định rõ ràng các vùng tổn thương, từ đó hỗ trợ bác sĩ trong việc đánh giá mức độ nghiêm trọng của bệnh. Việc áp dụng công nghệ AI trong chẩn đoán cũng giúp tăng cường độ chính xác và giảm thiểu sai sót trong quá trình chẩn đoán.

III. Ứng dụng AI trong chẩn đoán

Ứng dụng AI trong chẩn đoán nốt mờ và đám mờ trên ảnh X-quang phổi đang trở thành xu hướng mới trong y học hiện đại. AI có khả năng phân tích và xử lý lượng lớn dữ liệu hình ảnh, từ đó phát hiện các dấu hiệu bất thường mà con người có thể bỏ sót. Các thuật toán học sâu (deep learning) được sử dụng để huấn luyện mô hình nhận diện các đặc điểm của nốt mờ và đám mờ, giúp cải thiện độ chính xác trong chẩn đoán. Việc tích hợp AI vào quy trình chẩn đoán không chỉ giúp tiết kiệm thời gian mà còn nâng cao hiệu quả điều trị cho bệnh nhân. Theo một nghiên cứu gần đây, việc sử dụng AI trong chẩn đoán COVID-19 đã cho thấy kết quả khả quan, với tỷ lệ phát hiện chính xác lên đến 95%. Điều này cho thấy tiềm năng to lớn của AI trong việc hỗ trợ bác sĩ trong quá trình chẩn đoán và điều trị.

3.1. Phân tích ảnh y tế

Phân tích ảnh y tế là một lĩnh vực quan trọng trong y học, giúp bác sĩ đưa ra chẩn đoán chính xác hơn. Việc áp dụng các thuật toán xử lý ảnh, đặc biệt là thuật toán phát hiện contour, giúp xác định rõ ràng các vùng tổn thương trong hình ảnh X-quang. Các công nghệ mới như học máy và học sâu đang được áp dụng để cải thiện khả năng phân tích và nhận diện các dấu hiệu bất thường. Hệ thống phân tích ảnh y tế có thể tự động hóa quy trình chẩn đoán, giảm thiểu sai sót do yếu tố con người. Điều này không chỉ giúp nâng cao chất lượng chẩn đoán mà còn tiết kiệm thời gian cho bác sĩ, từ đó cải thiện hiệu quả điều trị cho bệnh nhân.

Tổng quan nghiên cứu

Trong bối cảnh đại dịch COVID-19 diễn biến phức tạp, việc chẩn đoán và theo dõi tiến triển bệnh nhân mắc COVID-19 trở thành ưu tiên hàng đầu trong y tế. Theo Quyết định số 1344/QĐ-BYT ngày 25/3/2020 của Bộ Y tế, việc theo dõi sát tổn thương phổi qua hình ảnh X-quang (XQ) là bước quan trọng để phát hiện biến chứng nặng, đặc biệt trong giai đoạn từ ngày thứ 7 đến 10 của bệnh. Các dấu hiệu điển hình trên ảnh XQ gồm nốt mờ, đám mờ, kính mờ hình tròn đa ổ và đông đặc nhu mô phổi vùng ngoại vi đa ổ. Tuy nhiên, việc phát hiện chính xác các tổn thương này trên ảnh XQ còn gặp nhiều khó khăn do chất lượng ảnh và tính phức tạp của tổn thương.

Mục tiêu nghiên cứu là ứng dụng một số thuật toán phát hiện đường Contour nhằm hỗ trợ phát hiện vùng nốt mờ, đám mờ trên ảnh XQ phổi của bệnh nhân COVID-19, giúp các bác sĩ chẩn đoán nhanh và chính xác hơn. Nghiên cứu tập trung vào ảnh XQ phổi thu thập tại một số cơ sở y tế trong khoảng thời gian năm 2020-2021, giai đoạn bùng phát dịch COVID-19 tại Việt Nam. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao hiệu quả chẩn đoán hình ảnh, giảm thiểu sai sót và tăng tốc độ xử lý ảnh y tế, góp phần cải thiện công tác điều trị và quản lý bệnh nhân COVID-19.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình xử lý ảnh y tế, bao gồm:

• Lý thuyết xử lý ảnh số: Ảnh y tế được số hóa thành ma trận điểm ảnh (pixel) với các mức xám khác nhau, cho phép áp dụng các thuật toán xử lý và phân tích. Các kỹ thuật như khử nhiễu, chỉnh số mức xám, nắn chỉnh biến dạng được sử dụng để nâng cao chất lượng ảnh đầu vào.

• Mô hình phát hiện biên (Contour Detection): Sử dụng các thuật toán như Gradient, Prewitt, Sobel, Laplace và Canny để phát hiện đường biên cục bộ trên ảnh XQ. Đường biên giúp xác định ranh giới các vùng tổn thương như nốt mờ, đám mờ.

• Phân đoạn ảnh (Image Segmentation): Phân vùng ảnh dựa trên đặc điểm mức xám và kết cấu nhằm tách các vùng tổn thương khỏi nền phổi bình thường. Phương pháp phân đoạn dựa trên ngưỡng, phân vùng theo miền đồng nhất và dựa trên đường biên được áp dụng.

Các khái niệm chính bao gồm: điểm ảnh (pixel), mức xám, đường biên (contour), nốt mờ, đám mờ, kính mờ (ground glass opacity - GGO), và các thuật toán phát hiện biên.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ ảnh XQ phổi của bệnh nhân COVID-19 được thu thập từ các bệnh viện trong giai đoạn 2020-2021, với cỡ mẫu khoảng 200 ảnh có độ phân giải tiêu chuẩn. Phương pháp chọn mẫu là chọn ngẫu nhiên các ảnh XQ có xác nhận lâm sàng và xét nghiệm RT-PCR dương tính.

Quy trình nghiên cứu gồm các bước:

1. Tiền xử lý ảnh: Khử nhiễu, chỉnh số mức xám, nắn chỉnh biến dạng nhằm nâng cao chất lượng ảnh đầu vào.

2. Phát hiện đường biên: Áp dụng các thuật toán Contour Tracing như Canny, Sobel để phát hiện biên cục bộ của các vùng tổn thương.

3. Phân đoạn và trích chọn đặc trưng: Phân vùng ảnh dựa trên đường biên và mức xám để xác định vùng nốt mờ, đám mờ.

4. Đánh giá kết quả: So sánh kết quả phát hiện với chẩn đoán của chuyên gia y tế, tính toán các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu.

Phân tích dữ liệu sử dụng phần mềm MATLAB và Python với các thư viện xử lý ảnh chuyên dụng. Thời gian nghiên cứu kéo dài 12 tháng, từ tháng 1/2021 đến tháng 12/2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phát hiện đường biên: Thuật toán Canny cho kết quả phát hiện đường biên chính xác với độ nhạy đạt khoảng 87%, cao hơn so với Sobel (82%) và Prewitt (78%). Đường biên phát hiện rõ nét giúp phân biệt vùng tổn thương với mô phổi bình thường.

2. Phát hiện vùng nốt mờ, đám mờ: Ứng dụng thuật toán phát hiện contour kết hợp phân đoạn ảnh cho phép xác định chính xác các vùng nốt mờ và đám mờ trên ảnh XQ với độ chính xác trung bình 85%, tăng 15% so với phương pháp truyền thống dựa trên quan sát trực tiếp.

3. So sánh với chẩn đoán chuyên gia: Kết quả phát hiện vùng tổn thương tương đồng với đánh giá của bác sĩ chuyên khoa, tỷ lệ đồng thuận đạt 88%. Các vùng nốt mờ có kích thước từ 1-3 cm được phát hiện đầy đủ, đặc biệt các đám mờ có kích thước lớn hơn 3 cm cũng được nhận diện rõ ràng.

4. Tốc độ xử lý ảnh: Thuật toán phát hiện contour và phân đoạn ảnh xử lý trung bình mỗi ảnh trong khoảng 2 giây, nhanh hơn đáng kể so với thời gian chẩn đoán thủ công, giúp tăng hiệu quả công việc trong môi trường lâm sàng.

Thảo luận kết quả

Nguyên nhân hiệu quả cao của thuật toán Canny là do khả năng lọc nhiễu tốt và phát hiện biên mảnh, phù hợp với đặc điểm ảnh XQ phổi có nhiều vùng mờ và nhiễu. So với các nghiên cứu trước đây, kết quả này cải thiện đáng kể độ chính xác phát hiện vùng tổn thương, góp phần giảm thiểu sai sót trong chẩn đoán.

Việc kết hợp phát hiện contour với phân đoạn ảnh giúp khai thác tối đa thông tin mức xám và cấu trúc vùng tổn thương, từ đó nâng cao độ nhạy và độ đặc hiệu. Kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác các thuật toán và bảng thống kê tỷ lệ phát hiện vùng tổn thương theo kích thước.

Ý nghĩa của nghiên cứu là cung cấp công cụ hỗ trợ chẩn đoán hình ảnh hiệu quả, giúp bác sĩ phát hiện sớm tổn thương phổi do COVID-19, từ đó cải thiện chất lượng điều trị và giảm thiểu biến chứng.

Đề xuất và khuyến nghị

1. Triển khai ứng dụng thuật toán phát hiện contour trong hệ thống chẩn đoán hình ảnh bệnh viện: Tích hợp phần mềm xử lý ảnh tự động vào quy trình chẩn đoán XQ phổi, nhằm nâng cao độ chính xác và rút ngắn thời gian chẩn đoán. Thời gian thực hiện dự kiến 6 tháng, do phòng công nghệ thông tin và khoa chẩn đoán hình ảnh phối hợp thực hiện.

2. Đào tạo nhân viên y tế về kỹ thuật xử lý ảnh và sử dụng phần mềm hỗ trợ: Tổ chức các khóa đào tạo chuyên sâu cho bác sĩ và kỹ thuật viên về ứng dụng công nghệ xử lý ảnh trong chẩn đoán COVID-19. Mục tiêu nâng cao năng lực sử dụng công nghệ trong 3 tháng đầu triển khai.

3. Mở rộng nghiên cứu áp dụng cho các bệnh lý phổi khác: Nghiên cứu và điều chỉnh thuật toán để phát hiện tổn thương phổi do các nguyên nhân khác như viêm phổi do vi khuẩn, ung thư phổi, nhằm tăng tính ứng dụng rộng rãi. Thời gian nghiên cứu mở rộng khoảng 12 tháng.

4. Phát triển hệ thống lưu trữ và truyền ảnh y tế theo chuẩn DICOM và PACS: Xây dựng hệ thống lưu trữ ảnh số chuẩn hóa, hỗ trợ truyền ảnh từ xa, giúp bác sĩ dễ dàng truy cập và tham khảo ảnh XQ phổi của bệnh nhân. Thời gian triển khai 9 tháng, do phòng công nghệ thông tin chủ trì.

Đối tượng nên tham khảo luận văn

1. Bác sĩ chuyên khoa hô hấp và chẩn đoán hình ảnh: Nghiên cứu cung cấp công cụ hỗ trợ phát hiện tổn thương phổi trên ảnh XQ, giúp nâng cao hiệu quả chẩn đoán và theo dõi tiến triển bệnh nhân COVID-19.

2. Kỹ thuật viên y tế và nhân viên phòng xét nghiệm hình ảnh: Tài liệu giúp hiểu rõ các thuật toán xử lý ảnh, từ đó áp dụng hiệu quả trong công việc tiền xử lý và phân tích ảnh y tế.

3. Nhà nghiên cứu và sinh viên ngành khoa học máy tính, y sinh: Luận văn trình bày chi tiết các thuật toán phát hiện contour và ứng dụng trong y tế, là tài liệu tham khảo quý giá cho các đề tài nghiên cứu liên quan.

4. Quản lý bệnh viện và chuyên gia công nghệ thông tin y tế: Tham khảo để xây dựng hệ thống phần mềm hỗ trợ chẩn đoán hình ảnh, nâng cao chất lượng dịch vụ y tế và quản lý dữ liệu bệnh nhân hiệu quả.

Câu hỏi thường gặp

1. Thuật toán phát hiện contour nào phù hợp nhất cho ảnh XQ phổi?
   Thuật toán Canny được đánh giá cao nhờ khả năng lọc nhiễu và phát hiện biên mảnh, phù hợp với đặc điểm ảnh XQ phổi có nhiều vùng mờ và nhiễu. Ví dụ, trong nghiên cứu, Canny đạt độ nhạy 87%, vượt trội so với Sobel và Prewitt.

2. Làm thế nào để phân biệt nốt mờ và đám mờ trên ảnh XQ?
   Nốt mờ thường có kích thước dưới 3 cm, hình tròn và ranh giới rõ, trong khi đám mờ có kích thước lớn hơn, ranh giới không rõ ràng và có thể không đồng nhất. Thuật toán phân đoạn ảnh dựa trên mức xám và đường biên giúp phân biệt hai loại tổn thương này.

3. Ảnh XQ có thể thay thế hoàn toàn CT trong chẩn đoán COVID-19 không?
   Ảnh XQ có ưu điểm nhanh, chi phí thấp và dễ tiếp cận, nhưng độ phân giải thấp hơn CT. CT cung cấp hình ảnh chi tiết hơn về tổn thương phổi. Do đó, XQ thường dùng để sàng lọc và theo dõi, còn CT dùng để đánh giá chi tiết hơn khi cần thiết.

4. Phần mềm hỗ trợ phát hiện tổn thương có thể áp dụng trong thực tế như thế nào?
   Phần mềm có thể tích hợp vào hệ thống chẩn đoán hình ảnh bệnh viện, tự động xử lý ảnh XQ, đánh dấu vùng tổn thương và cung cấp báo cáo hỗ trợ bác sĩ. Điều này giúp tăng tốc độ và độ chính xác chẩn đoán, giảm tải công việc cho nhân viên y tế.

5. Nghiên cứu có thể áp dụng cho các bệnh phổi khác ngoài COVID-19 không?
   Có thể. Thuật toán phát hiện contour và phân đoạn ảnh có thể điều chỉnh để nhận diện tổn thương phổi do viêm phổi vi khuẩn, ung thư phổi hoặc các bệnh lý khác, giúp mở rộng ứng dụng trong y học hình ảnh.

Kết luận

• Nghiên cứu đã phát triển và ứng dụng thành công các thuật toán phát hiện contour để hỗ trợ phát hiện vùng nốt mờ, đám mờ trên ảnh XQ phổi bệnh nhân COVID-19 với độ chính xác trung bình 85%.
• Thuật toán Canny được đánh giá là hiệu quả nhất trong việc phát hiện đường biên cục bộ trên ảnh XQ phổi.
• Kết quả nghiên cứu góp phần nâng cao hiệu quả chẩn đoán hình ảnh, giúp bác sĩ phát hiện sớm tổn thương phổi, từ đó cải thiện công tác điều trị.
• Đề xuất triển khai ứng dụng phần mềm hỗ trợ chẩn đoán tại các bệnh viện, đồng thời đào tạo nhân viên y tế để nâng cao năng lực sử dụng công nghệ.
• Các bước tiếp theo bao gồm mở rộng nghiên cứu cho các bệnh phổi khác và phát triển hệ thống lưu trữ, truyền ảnh y tế theo chuẩn quốc tế.

Hành động tiếp theo là phối hợp với các bệnh viện triển khai thử nghiệm phần mềm, đồng thời tổ chức các khóa đào tạo chuyên sâu cho đội ngũ y tế nhằm ứng dụng hiệu quả kết quả nghiên cứu vào thực tiễn.