Đặt vấn đề Ung thư vú là chứng bệnh mà các tế bào ác tính sinh ra trong các mô của tuyến vú. Theo Hiệp Hội Ung Thư Hoa Kỳ, ung thư vú là loại ung thư phổ biến nhất ở nữ giới trên phạm vi toàn cầu và là loại ung thư phổ biến thứ hai nói chung. Tại Mỹ, năm 2019, có 268,600 ca bệnh ung thư vú xâm lấn được chẩn đoán ở nữ và 2,670 ca ở nam. Trong số đó, 41,760 phụ nữ và 500 đàn ông được cho là sẽ tử vong vì ung thư vú [1].
Ở Việt Nam, số ca mắc mới trong năm 2018 là 15,529 ca (chiếm 9.2% tổng số ca ung thư) và 6,103 ca được cho là tử vong (chiếm 5.3% số ca tử vong do ung thư) [2]. Tuy nhiên, tỉ lệ sống sót của bệnh nhân trong 5 năm được ước tính là 99% nếu bệnh nhân được chẩn đoán và phát hiện sớm khi ung thư vừa mới ở giai đoạn bắt đầu [1]. Do đó, nghiên cứu trong việc chẩn đoán sớm bệnh ung thư vú là một đề tài nghiên cứu cụ thể thu hút nhiều sự chú ý và quan tâm. Mục đích nghiên cứu Xây dựng một mô hình chẩn đoán bệnh ung thư vú dựa trên kỹ thuật học sâu nhằm hỗ trợ cho các bác sĩ x-quang trong việc chẩn đoán ung thư từ ảnh x-quang vú một cách chính xác.
Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: kĩ thuật học sâu và ứng dụng của nó trong bài toán nhận diện khối u trong nhũ ảnh kĩ thuật số. Phạm vi nghiên cứu: ung thư vú thường đặc trưng bởi khối u trong ngực của phụ nữ. Vì vậy, đề tài luận văn tập trung vào bài toán phát hiện khối u trong nhũ ảnh và gán nhãn nó là lành tính hay ác tính, những bất thường khác như vôi hóa, cấu trúc không đồng đều sẽ không được nghiên cứu hay cân nhắc đến. Phương pháp nghiên cứu Phương pháp nghiên cứu trong luận văn là: • Nghiên cứu tài liệu khoa học có liên quan trực tiếp đến đề tài.
• Thu thập dữ liệu nhũ ảnh từ nguồn mở được công nhận khoa học. • Xây dựng mô hình AI sử dụng ngôn ngữ lập trình Python và huấn luyện trên máy ảo Google Colab. • Đánh giá, so sánh kết quả của mô hình với các kết quả nghiên cứu đã có. • Triển khai mô hình vào phần mềm hỗ trợ chẩn đoán.
Ý nghĩa thực tiễn của đề tài Ý nghĩa khoa học: Đưa ra giải pháp phát hiện khối u vú bằng mô hình học sâu dựa trên thuật toán YOLO cải tiến bằng các kĩ thuật: khởi động và tinh chỉnh tốc độ học cô-sin, tăng cường ảnh trong huấn luyện. Ý nghĩa thực tiễn: Cung cấp một công cụ hỗ trợ có tiềm năng ứng dụng vào thực tiễn cho các bác sĩ x-quang trong việc chẩn đoán ung thư vú nhằm giảm thiểu tỉ lệ chẩn đoán sai dẫn đến rủi ro về sức khỏe, tài sản và thời gian của bệnh nhân.1 Sơ lược về ung thư vú Phần lớn ca bệnh ung thư vú được phát hiện khi người bệnh phát giác khối u sưng lên ở ngực hoặc nổi hạch ở nách, những triệu chứng không cụ thể như đau hay cảm giác nặng nề ở ngực, những sự thay đổi ở vùng da xung quanh vú như: đỏ, sưng, các vết sần sùi [1]. Tuy nhiên, khi khối u còn nhỏ và dễ dàng chữa trị, không có bất cứ dấu hiệu hay một triệu chứng cụ thể nào xảy ra. Vì vậy, việc phát hiện sớm bệnh ung thư vú là một nhân tố vô cùng quan trọng trong việc điều trị ung thư, góp phần giúp bệnh nhân tăng tỉ lệ điều trị thành công.
Có nhiều phương pháp trong việc chẩn đoán sớm bệnh ung thư vú như tự khám vú, khám vú định kì, chẩn đoán hình ảnh như: chụp nhũ ảnh, siêu âm vú, chụp cộng hưởng từ. Khối u vú thường được phát hiện thông qua chẩn đoán hình ảnh trước khi các triệu chứng phát triển hoặc sau khi người bệnh chú ý thấy một khối u lên ở ngực. Siêu âm vú (Ultrasonic) là kỹ thuật sử dụng sóng âm tần số cao quét qua phần ngực, kỹ thuật này thường được kết hợp với chụp nhũ ảnh để đánh giá trường hợp nhũ ảnh có mật độ mô vú dày. Chụp cộng hưởng từ (MRI – Magnetic Resonance Imaging) tuyến vú sử dụng sóng vô tuyến và từ trường để đưa ra hình ảnh chi tiết bên trong của tuyến vú.
So sánh với siêu âm vú và chụp nhũ ảnh, MRI nhạy hơn trong việc phát hiện các khối u nhỏ ở các đối tượng có nguy cơ mắc ung thư vú cao [3]. Chụp nhũ ảnh (Mammography) là kỹ thuật chụp ảnh x-quang cho tuyến vú nhằm mục đích chẩn đoán và sàng lọc ung thư vú và các bệnh lý khác. Mặc dù phương pháp chụp nhũ ảnh không thể chứng minh rằng vùng bất thường trong nhũ ảnh là ung thư, nhưng nếu nhũ ảnh cho thấy dấu hiệu đáng ngờ của ung thư thì một mẫu mô được lấy ra để tiến hành sinh thiết. Tuy nhiên, những bất lợi của chụp nhũ ảnh là ít hiệu quả với phụ nữ dưới 40 tuổi và phụ nữ có mật độ mô vú dày.
Gần đây, phát triển trong công nghệ chụp nhũ ảnh số như tăng cường độ tương phản nhũ ảnh số cho kết quả chẩn đoán tốt hơn là nhũ ảnh phim và siêu âm trong trường hợp mật độ mô vú dày [4], [5]. 3 Như đã đề cập ở trên, trong trường hợp nghi ngờ bệnh nhân mắc ung thư vú, mẫu mô tế bào được phân tích dựa trên kĩ thuật sinh thiết bằng kim (FNA). Nếu khối u có thể sờ nắn được, cách đơn giản nhất là đâm vào khối u bằng một ống tiêm gắn kim nhỏ và trích phần cần phân tích ra. Nếu khối u không thể sờ nắn được thì có thể sử dụng kim với sự hướng dẫn của máy siêu âm.
Chi tiết về phương pháp sinh thiết có thể xem trong tài liệu [6].2 Hệ thống máy tính hổ trợ chẩn đoán Mặc dù có sự phát triển của các kỹ thuật phát hiện ung thư vú, việc phân loại bệnh ung thư vẫn còn các vấn đề như: chất lượng hình ảnh y tế thấp và sai sót chủ quan từ con người dẫn đến sơ suất trong chẩn doán. Mộ nghiên cứu khảo sát cho thấy 31% trong số 8401 bác sĩ X-quang ở Mỹ thừa nhận từng có sơ suất [7]. Nguyên nhân phổ biến nhất là do chẩn đoán sai, trong đó ung thư vú có số lượng ca sai sót thường xuyên nhất. Do đó, các hệ thống máy tính hỗ trợ chẩn đoán (Computer- aided Detection - CAD) đã được phát triển để vượt qua các hạn chế hiện tại và được sử dụng trong nhiều phương pháp chẩn đoán hình ảnh khác nhau bao gồm: chụp x-quang vú (nhũ ảnh), siêu âm vú, và chụp MRI [8].
Mục đích của hệ thống CAD là cải thiện chất lượng và năng suất của các bác sĩ lâm sàng trong việc chẩn đoán hình ảnh. Một hệ thống CAD bao gồm bốn bước như hình 1.1 Sơ đồ quy trình hoạt động của một hệ thống CAD Bước 1: Ảnh y tế được tiền xử lý nhằm loại nhiễu (nhiễu muối tiêu, các kí hiệu góc chụp, nhiễu trắng). Bước 2: Vùng tổn thương được xác định bằng các phương pháp xử lý hình ảnh. Bước 3: Đặc trưng của vùng tổn thương được tính toán bởi các chuyên gia.
Bước 4: Các đặc trưng được đưa vào mô hình phân loại để đưa ra kết quả.3 Phát biểu vấn đề Phát hiện khối u là một bước quan trọng trong quy trình hoạt động của một hệ thống CAD, nhằm xác định vùng tổn thương (ví dụ: khối u, vôi hóa…) cho các phân tích sâu hơn. Đặc trưng của khối u bao gồm nhiều loại thuộc tính như: hình dạng, kích thước, và vị trí khối u trong nhũ ảnh. Phát hiện khối u mang nhiều thách thức hơn các tác vụ phát hiện vùng tổn thương khác do sự giống nhau về đặc điểm của chúng so với các tế bào thông thường [9]. Các hệ thống CAD thông thường dựa vào các bác sĩ x-quang đặc trưng hóa khối u và phân tích những đặc trưng thủ công này nhằm nhận biết chúng là lành tính hay ác tính thông qua các thuật toán học máy [10]–[12].
Tuy nhiên, những đặc trưng quan trọng dễ bị thiếu sót trong quy trình truyền thống này. Mặt khác, trong các hệ thống CAD dựa trên trí tuệ nhân tạo (Artificial Intelligent – AI) gần đây, thuật toán học sâu trừu tượng hóa những đặc trưng của ảnh đầu vào như là một bộ miêu tả đặc trưng. Cơ chế tự học là nhân tố thành công chính của những thuật toán học sâu ngày nay. Đã có những báo cáo rằng những mô hình AI có thể đạt được kết quả tương tự như những bác sĩ x-quang có chuyên môn cao [13]–[15].
Hơn thế nữa, liên quan đến việc phát hiện và phân loại khối u trong nhũ ảnh, nhiều nghiên cứu đã được công bố [16]–[21]. Những tiến bộ trong lĩnh vực phát hiện đối tượng được xây dựng trên sự thành công của những phương pháp vùng đề xuất [22] với những mô hình học sâu nổi tiếng như R-CNN [23], Faster R-CNN [24]. Cơ chế hoạt động của chúng là sử dụng phương pháp tìm kiếm chọn lọc để tạo ra một tập hợp những vùng tiềm năng chứa các đối tượng. Kế tiếp, mô hình trích xuất những đặc trưng của vùng thông qua mạng neural tích chập (convolutional neural network – CNN) và cuối cùng xác định xác suất phân lớp cho đối tượng cũng như hộp bao (bounding box) chứa đối tượng bằng kĩ thuật hồi quy tuyến tính.
Ứng dựng vào lĩnh vực phát hiện khối u, Akselrod-Ballin và cộng sự [17] kết hợp mô hình Faster R-CNN được tinh chỉnh và một mô-đun phân đoạn vú với nhau để 5 thực hiện việc phát hiện và phân loại khối u trên một tập dữ liệu nhũ ảnh riêng tư. Ribli và cộng sự [18] huấn luyện mô hình Faster R-CNN trên tập dữ liệu DDSM và đánh giá mô hình trên tập dữ liệu INbreast. Argawal và cộng sự [19] huấn luyện mô hình mạng Faster R-CNN trên một tập dữ liệu quy mô lớn tên là OPTINAM Mammography Image Database (OMI-DB) và tinh chỉnh mô hình trên tập dữ liệu INbreast. Mặc dù có những kết quả đáng kể, những hướng tiếp cận của họ tồn tại những hạn chế như: mô hình đề xuất phức tạp do cơ chế huấn luyện hai giai đoạn của phương pháp vùng đề xuất, dẫn đến tốc độ huấn luyện và đánh giá chậm.
Không giống như những hướng tiếp cận trên, Al-masni và cộng sự [20] và các tác giả trong [21] sử dụng mô hình học sâu YOLO [25] cho việc phát hiện và phân loại khối u trên nhũ ảnh.