Ứng Dụng Kỹ Thuật Học Sâu Để Phát Hiện, Phân Loại Tế Bào Máu Trên Ảnh Hiển Vi

Tài liệu nghiên cứu Ứng dụng kỹ thuật học sâu để phát hiện phân loại tế bào máu trên ảnh hiển vi chụp tiêu bản máu, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu

• Tác giả: Đặng Xuân Hợp
• Người hướng dẫn: TS. Nguyễn Việt Dũng
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Y sinh
• Đề tài: Ứng Dụng Kỹ Thuật Học Sâu Trong Phát Hiện Và Phân Loại Tế Bào Máu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ MÁU VÀ CÁC PHƯƠNG PHÁP CHẨN ĐOÁN BỆNH LÝ MÁU
• 1.1. Máu và các thành phần trong máu
• 1.2. Các phương pháp hỗ trợ chẩn đoán bệnh lý máu
• 1.3. Tầm quan trọng và ý nghĩa của phương pháp phết máu ngoại vi
• 1.4. Các hướng nghiên cứu hiện nay
• 1.5. Hướng tiếp cận và mục đích phạm vi nghiên cứu
• 1.6. Tổng kết chương
• 2. CHƯƠNG 2: PHÂN TÍCH BÀI TOÁN ỨNG DỤNG KỸ THUẬT HỌC SÂU ĐỂ PHÁT HIỆN, PHÂN LOẠI
• 2.1. Tổng quan về kỹ thuật học sâu
• 2.2. Cấu trúc mô hình phát hiện, phân loại tế bào
• 2.3. Phân tích các nghiên cứu phát hiện, phân loại tế bào máu
• 2.4. Tổng kết chương 2
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH HUẤN LUYỆN PHÁT HIỆN, PHÂN LOẠI TẾ BÀO MÁU
• 3.1. Phân loại tế bào bạch cầu sử dụng mô hình mạng Faster R-CNN
• 3.2. Phân loại tế bào bạch cầu sử dụng mô hình mạng YOLOv5
• 3.3. Tổng kết chương 3
• 4. CHƯƠNG 4: KẾT QUẢ VÀ BÀN LUẬN
• 4.1. Cơ sở dữ liệu huấn luyện
• 4.2. Công cụ lập trình
• 4.3. Chỉ số đánh giá mô hình
• 4.4. Quá trình huấn luyện các mô hình
• 4.5. Đánh giá hiệu quả của từng mô hình
• 4.6. Kết quả mô phỏng
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng Kỹ Thuật Học Sâu Trong Phát Hiện Tế Bào Máu

Kỹ thuật học sâu đã trở thành một công cụ quan trọng trong lĩnh vực y tế, đặc biệt là trong việc phát hiện và phân loại tế bào máu. Việc áp dụng các mô hình học sâu như Faster R-CNN và YOLOv5 đã giúp cải thiện độ chính xác và tốc độ phát hiện tế bào máu. Những tiến bộ này không chỉ giúp giảm thiểu sai sót trong quá trình phân loại mà còn hỗ trợ bác sĩ trong việc chẩn đoán bệnh lý một cách hiệu quả hơn.

1.1. Khái Niệm Về Kỹ Thuật Học Sâu Trong Y Tế

Kỹ thuật học sâu là một nhánh của trí tuệ nhân tạo, sử dụng các mạng nơ-ron để phân tích và xử lý dữ liệu. Trong y tế, nó được áp dụng để phát hiện và phân loại tế bào máu, giúp nâng cao độ chính xác trong chẩn đoán.

1.2. Lợi Ích Của Việc Ứng Dụng Học Sâu Trong Phân Loại Tế Bào

Việc sử dụng kỹ thuật học sâu giúp tăng cường độ chính xác trong phân loại tế bào máu, giảm thiểu thời gian và công sức của kỹ thuật viên. Điều này đặc biệt quan trọng trong việc xử lý lượng mẫu lớn trong các cơ sở y tế.

II. Thách Thức Trong Phát Hiện Và Phân Loại Tế Bào Máu

Mặc dù có nhiều lợi ích, việc phát hiện và phân loại tế bào máu vẫn gặp phải nhiều thách thức. Các vấn đề như độ chính xác của mô hình, chất lượng dữ liệu và sự đa dạng của các loại tế bào là những yếu tố cần được xem xét kỹ lưỡng.

2.1. Độ Chính Xác Của Các Mô Hình Học Sâu

Độ chính xác của các mô hình học sâu phụ thuộc vào chất lượng dữ liệu đầu vào. Việc thu thập và xử lý dữ liệu không đồng nhất có thể dẫn đến sai sót trong phân loại tế bào máu.

2.2. Sự Đa Dạng Của Các Loại Tế Bào

Tế bào máu có nhiều loại với hình dạng và kích thước khác nhau. Sự đa dạng này tạo ra khó khăn trong việc phát hiện và phân loại chính xác, đòi hỏi các mô hình học sâu phải được huấn luyện trên một tập dữ liệu phong phú.

III. Phương Pháp Phát Hiện Tế Bào Máu Bằng Kỹ Thuật Học Sâu

Để phát hiện và phân loại tế bào máu, các phương pháp học sâu như Faster R-CNN và YOLOv5 đã được áp dụng. Những mô hình này cho phép phát hiện nhanh chóng và chính xác các loại tế bào khác nhau trong mẫu máu.

3.1. Mô Hình Faster R CNN Trong Phát Hiện Tế Bào

Faster R-CNN là một trong những mô hình học sâu hiệu quả nhất trong việc phát hiện đối tượng. Mô hình này sử dụng mạng nơ-ron để tạo ra các đề xuất vùng và phân loại tế bào máu với độ chính xác cao.

3.2. Mô Hình YOLOv5 Và Tốc Độ Phát Hiện

YOLOv5 nổi bật với khả năng phát hiện nhanh chóng, cho phép xử lý hàng trăm khung hình mỗi giây. Mô hình này rất hữu ích trong các ứng dụng cần tốc độ cao mà vẫn đảm bảo độ chính xác.

IV. Ứng Dụng Thực Tiễn Của Kỹ Thuật Học Sâu Trong Y Tế

Kỹ thuật học sâu không chỉ dừng lại ở việc phát hiện tế bào máu mà còn có nhiều ứng dụng khác trong y tế. Các nghiên cứu đã chỉ ra rằng việc áp dụng học sâu có thể cải thiện đáng kể quy trình chẩn đoán và điều trị bệnh.

4.1. Cải Thiện Quy Trình Chẩn Đoán

Việc áp dụng học sâu trong phân loại tế bào máu giúp bác sĩ có thể đưa ra chẩn đoán nhanh chóng và chính xác hơn, từ đó nâng cao chất lượng điều trị cho bệnh nhân.

4.2. Nghiên Cứu Và Phát Triển Các Ứng Dụng Mới

Nghiên cứu hiện tại đang tập trung vào việc phát triển các ứng dụng mới sử dụng học sâu để phân tích dữ liệu y tế, từ đó mở ra nhiều cơ hội mới trong lĩnh vực y học.

V. Kết Luận Về Tương Lai Của Kỹ Thuật Học Sâu Trong Phát Hiện Tế Bào Máu

Kỹ thuật học sâu đang mở ra nhiều triển vọng trong việc phát hiện và phân loại tế bào máu. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến trong chẩn đoán và điều trị bệnh lý liên quan đến máu.

5.1. Xu Hướng Phát Triển Công Nghệ

Công nghệ học sâu sẽ tiếp tục phát triển, với nhiều mô hình mới được nghiên cứu và cải tiến để nâng cao độ chính xác và tốc độ phát hiện tế bào máu.

5.2. Tác Động Đến Ngành Y Tế

Việc áp dụng học sâu trong y tế không chỉ giúp cải thiện quy trình chẩn đoán mà còn có thể giảm thiểu chi phí và thời gian điều trị cho bệnh nhân.

Nội dung chính

Tổng quan nghiên cứu

Việc phát hiện và phân loại tế bào máu trên ảnh hiển vi chụp tiêu bản máu ngoại vi đóng vai trò quan trọng trong chẩn đoán các bệnh lý huyết học. Ước tính, mỗi người trưởng thành có khoảng 5 lít máu với các thành phần tế bào đa dạng như hồng cầu, bạch cầu và tiểu cầu, mỗi loại có chức năng và đặc điểm riêng biệt. Phương pháp phân loại tế bào máu thủ công hiện nay dựa trên quan sát trực tiếp dưới kính hiển vi, tuy nhiên gặp nhiều hạn chế như nhức mỏi mắt cho kỹ thuật viên, sai sót do sự đa dạng về hình dạng và kích thước tế bào, cũng như phạm vi quan sát hạn chế.

Mục tiêu nghiên cứu là ứng dụng kỹ thuật học sâu để tự động phát hiện và phân loại tế bào bạch cầu trên ảnh hiển vi tiêu bản máu ngoại vi, nhằm nâng cao độ chính xác và tốc độ xử lý, hỗ trợ bác sĩ trong chẩn đoán bệnh. Nghiên cứu tập trung vào việc xây dựng và đánh giá các mô hình mạng nơ-ron tích chập (CNN) như Faster R-CNN và YOLOv5 trên bộ dữ liệu ảnh tế bào bạch cầu thu thập trực tiếp tại cơ sở y tế và các nguồn dữ liệu công khai. Phạm vi nghiên cứu bao gồm ảnh hiển vi phết máu ngoại vi với độ phóng đại 50-100 lần, tập trung vào phân loại bạch cầu trong khoảng thời gian nghiên cứu năm 2022 tại Hà Nội.

Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác phân loại tế bào bạch cầu lên trên 95%, đặc biệt mô hình Faster R-CNN với backbone ResNet101 đạt độ chính xác 97,27%, đồng thời tăng tốc độ phát hiện tế bào lên gấp 4 lần so với phương pháp truyền thống. Kết quả này góp phần giảm thiểu sai sót trong chẩn đoán, tiết kiệm thời gian và nâng cao hiệu quả điều trị bệnh lý máu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng kỹ thuật học sâu (deep learning), một lĩnh vực con của học máy (machine learning) trong trí tuệ nhân tạo, sử dụng mạng nơ-ron nhân tạo để tự động trích xuất đặc trưng và phân loại dữ liệu ảnh. Hai mô hình chính được áp dụng là Faster R-CNN và YOLOv5:

• Faster R-CNN: Mô hình phát hiện vật thể hai giai đoạn, sử dụng Region Proposal Network (RPN) để đề xuất vùng quan tâm, kết hợp với mạng backbone như ResNet101 để trích xuất đặc trưng sâu. Ưu điểm là độ chính xác cao, phù hợp với các bài toán phân loại tế bào phức tạp.

• YOLOv5: Mô hình phát hiện vật thể một giai đoạn, nổi bật với tốc độ xử lý nhanh nhờ kiến trúc mạng nhẹ và tối ưu, sử dụng backbone MobileNetv3. Mô hình này phù hợp với ứng dụng yêu cầu thời gian thực.

Các khái niệm chính bao gồm:

• Intersection over Union (IoU): Đo lường mức độ chồng lắp giữa vùng dự đoán và vùng thực tế, dùng để đánh giá hiệu quả phát hiện.

• Mean Average Precision (mAP): Chỉ số đánh giá tổng quát độ chính xác của mô hình phát hiện và phân loại.

• Non-Maximum Suppression (NMS): Thuật toán loại bỏ các dự đoán trùng lặp không cần thiết.

• Backbone: Mạng trích xuất đặc trưng chính trong mô hình học sâu.

Phương pháp nghiên cứu

Nguồn dữ liệu gồm ảnh tế bào bạch cầu được thu thập trực tiếp tại Bệnh viện Sản nhi Phú Thọ và các bộ dữ liệu công khai như BCCD, Cellavision. Bộ dữ liệu được xử lý tăng cường bằng các kỹ thuật như cắt ngẫu nhiên, xoay, điều chỉnh độ bão hòa nhằm tăng tính đa dạng và tránh hiện tượng quá khớp.

Cỡ mẫu ảnh sử dụng trong huấn luyện khoảng vài nghìn ảnh cho mỗi loại tế bào bạch cầu, đảm bảo đủ dữ liệu cho việc học sâu. Dữ liệu được chia thành ba tập: huấn luyện (70%), xác thực (15%) và kiểm thử (15%).

Phương pháp phân tích sử dụng các chỉ số đánh giá như độ chính xác (accuracy), mAP, thời gian phát hiện (ms/frame). Quá trình huấn luyện được thực hiện trên môi trường lập trình Python với thư viện PyTorch, sử dụng GPU để tăng tốc độ xử lý. Mô hình Faster R-CNN được huấn luyện với các backbone VGG16, AlexNet và ResNet101 để so sánh hiệu quả. Mô hình YOLOv5 sử dụng backbone MobileNetv3 nhằm tối ưu tốc độ.

Timeline nghiên cứu kéo dài trong năm 2022, bao gồm các giai đoạn thu thập dữ liệu, tiền xử lý, xây dựng mô hình, huấn luyện và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phân loại tế bào bạch cầu: Mô hình Faster R-CNN với backbone ResNet101 đạt độ chính xác cao nhất là 97,27%, vượt trội so với các backbone khác như VGG16 và AlexNet (đạt khoảng 95-96%). Mô hình YOLOv5 với backbone MobileNetv3 đạt độ chính xác 93,59%, thấp hơn nhưng vẫn ở mức chấp nhận được.

2. Tốc độ phát hiện: YOLOv5 cho tốc độ phát hiện trung bình 16ms/frame, nhanh hơn gấp khoảng 4 lần so với Faster R-CNN (khoảng 64ms/frame), phù hợp với ứng dụng yêu cầu xử lý thời gian thực.

3. Hiệu quả tổng quát: So sánh các mô hình cho thấy Faster R-CNN ưu thế về độ chính xác, trong khi YOLOv5 nổi bật về tốc độ. Việc lựa chọn mô hình phụ thuộc vào yêu cầu cụ thể của ứng dụng.

4. Độ tin cậy của mô hình: Các biểu đồ ROC và đường cong loss cho thấy mô hình không bị hiện tượng quá khớp, đảm bảo khả năng tổng quát hóa tốt trên dữ liệu kiểm thử.

Thảo luận kết quả

Nguyên nhân chính giúp Faster R-CNN đạt độ chính xác cao là do kiến trúc hai giai đoạn cho phép mô hình tập trung vào các vùng đề xuất chính xác hơn, kết hợp với backbone ResNet101 có khả năng trích xuất đặc trưng sâu và phong phú. Tuy nhiên, nhược điểm là tốc độ xử lý chậm hơn do tính toán phức tạp.

Ngược lại, YOLOv5 với kiến trúc một giai đoạn và backbone nhẹ MobileNetv3 giảm thiểu thời gian xử lý, phù hợp với các hệ thống cần phản hồi nhanh nhưng độ chính xác giảm nhẹ do khả năng trích xuất đặc trưng hạn chế hơn.

So sánh với các nghiên cứu khác trong ngành, kết quả của luận văn cho thấy sự cải thiện rõ rệt về độ chính xác và tốc độ, đồng thời áp dụng thành công trên dữ liệu thực tế thu thập tại cơ sở y tế Việt Nam, tăng tính ứng dụng thực tiễn.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và tốc độ của các mô hình, bảng tổng hợp các chỉ số mAP, IoU, và biểu đồ đường cong ROC minh họa hiệu quả phân loại.

Đề xuất và khuyến nghị

1. Triển khai mô hình Faster R-CNN backbone ResNet101 trong các phòng xét nghiệm lớn nhằm nâng cao độ chính xác chẩn đoán, với mục tiêu đạt độ chính xác trên 97% trong vòng 6 tháng, do các trung tâm y tế thực hiện.

2. Ứng dụng mô hình YOLOv5 backbone MobileNetv3 cho các hệ thống chẩn đoán di động hoặc tại điểm chăm sóc (point-of-care), nhằm tăng tốc độ xử lý, giảm thời gian chờ kết quả xuống dưới 20ms/frame, trong vòng 3 tháng, do các nhà phát triển phần mềm y sinh thực hiện.

3. Mở rộng bộ dữ liệu huấn luyện bằng cách thu thập thêm ảnh tế bào từ nhiều cơ sở y tế khác nhau để tăng tính đa dạng và khả năng tổng quát hóa của mô hình, với kế hoạch thu thập trong 12 tháng, do các nhóm nghiên cứu phối hợp thực hiện.

4. Phát triển giao diện người dùng thân thiện tích hợp mô hình học sâu để hỗ trợ bác sĩ trong việc phân loại tế bào máu, giảm thiểu sai sót do yếu tố con người, dự kiến hoàn thành trong 6 tháng, do các chuyên gia công nghệ thông tin và y sinh phối hợp.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Kỹ thuật Y sinh: Nghiên cứu cung cấp kiến thức sâu về ứng dụng học sâu trong y học, đặc biệt về phát hiện và phân loại tế bào máu, hỗ trợ phát triển các đề tài liên quan.

2. Bác sĩ và kỹ thuật viên phòng xét nghiệm huyết học: Tài liệu giúp hiểu rõ về các phương pháp tự động hóa trong chẩn đoán tế bào máu, nâng cao hiệu quả và độ chính xác trong công việc hàng ngày.

3. Các nhà phát triển phần mềm y tế và công nghệ AI: Cung cấp cơ sở lý thuyết và thực tiễn để phát triển các ứng dụng chẩn đoán hình ảnh y sinh dựa trên học sâu, đặc biệt trong lĩnh vực huyết học.

4. Quản lý và hoạch định chính sách y tế: Tham khảo để đánh giá tiềm năng ứng dụng công nghệ AI trong nâng cao chất lượng dịch vụ y tế, từ đó xây dựng các kế hoạch đầu tư và phát triển phù hợp.

Câu hỏi thường gặp

1. Tại sao cần ứng dụng học sâu trong phân loại tế bào máu?
   Học sâu giúp tự động trích xuất đặc trưng phức tạp từ ảnh tế bào, giảm sai sót do quan sát thủ công, tăng độ chính xác và tốc độ xử lý, hỗ trợ chẩn đoán nhanh và chính xác hơn.

2. Mô hình Faster R-CNN và YOLOv5 khác nhau như thế nào?
   Faster R-CNN là mô hình hai giai đoạn với độ chính xác cao nhưng tốc độ chậm, trong khi YOLOv5 là mô hình một giai đoạn, ưu tiên tốc độ xử lý nhanh hơn nhưng độ chính xác thấp hơn một chút.

3. Bộ dữ liệu huấn luyện có ảnh hưởng thế nào đến kết quả?
   Bộ dữ liệu đa dạng và đủ lớn giúp mô hình học sâu tránh hiện tượng quá khớp, tăng khả năng tổng quát hóa và độ chính xác khi áp dụng trên dữ liệu thực tế.

4. Có thể áp dụng mô hình này cho các loại tế bào khác ngoài bạch cầu không?
   Có thể, tuy nhiên cần thu thập dữ liệu và huấn luyện lại mô hình với các loại tế bào cụ thể để đảm bảo độ chính xác và hiệu quả phát hiện.

5. Thời gian huấn luyện mô hình mất bao lâu?
   Tùy thuộc vào kích thước bộ dữ liệu và cấu hình phần cứng, quá trình huấn luyện có thể kéo dài từ vài giờ đến vài ngày. Ví dụ, mô hình Faster R-CNN có thể mất vài ngày trên GPU hiện đại.

Kết luận

• Nghiên cứu đã thành công trong việc xây dựng mô hình học sâu phát hiện và phân loại tế bào bạch cầu trên ảnh hiển vi tiêu bản máu ngoại vi với độ chính xác trên 95%.
• Mô hình Faster R-CNN backbone ResNet101 đạt độ chính xác cao nhất 97,27%, trong khi YOLOv5 backbone MobileNetv3 cung cấp tốc độ phát hiện nhanh gấp 4 lần.
• Kết quả thực nghiệm trên dữ liệu thu thập tại cơ sở y tế và dữ liệu công khai chứng minh tính khả thi và hiệu quả của phương pháp.
• Đề xuất triển khai ứng dụng mô hình trong các phòng xét nghiệm và phát triển phần mềm hỗ trợ chẩn đoán nhằm nâng cao chất lượng dịch vụ y tế.
• Các bước tiếp theo bao gồm mở rộng bộ dữ liệu, tối ưu mô hình và phát triển giao diện người dùng thân thiện để ứng dụng rộng rãi trong thực tế.

Hãy tiếp tục nghiên cứu và ứng dụng các kỹ thuật học sâu để nâng cao hiệu quả chẩn đoán và điều trị bệnh lý máu, góp phần cải thiện sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ MÁU VÀ CÁC PHƯƠNG PHÁP CHẨN ĐOÁN BỆNH LÝ MÁU Chương này trình bày các kiến thức cơ bản về tế bào máu và các bệnh lý liên quan, đồng thời tìm hiểu về các phương pháp chẩn đoán bệnh lý đang được nghiên cứu và sử dụng. Máu và các thành phần trong máu. Máu là tổ chức lỏng, lưu thông trong hệ thống tuần hoàn của cơ thể.

Máu gồm nhiều thành phần với các chức năng khác nhau và liên quan mật thiết đến chức năng sống của cơ thể. Máu gồm hai thành phần chính: Các tế bào máu và huyết tương [1]. Lượng máu trong cơ thể người thường tương đương với 7% trọng lượng cơ thể. Lượng máu trung bình trong cơ thể chỉ là một sự ước tính vì nó còn phụ thuộc vào cân nặng, giới tính và thậm chí cả nơi ở.

Ước tính có khoảng 5 lít máu trong cơ thể người trưởng thành trung bình nhưng con số này sẽ thay đổi tùy thuộc vào các yếu tố khác nhau. Thành phần tế bào máu. Tế bào là một đơn vị cấu trúc cơ bản có chức năng sinh học của sinh vật sống. Tế bào là đơn vị nhỏ nhất của sự sống có khả năng phân chia độc lập.

Trong cơ thể người có nhiều loại tế bào khác nhau về hình dạng, kích thước và chức năng. Mặc dù khác nhau về nhiều mặt nhưng hầu hết các loại tế bào cũng có 3 phần cơ bản: màng sinh chất, chất tế bào và nhân [2]. Màng sinh chất: Là lớp ngoài của tế bào đặc lại, được cấu tạo từ prô-tê- in và li-pit, có nhiệm vụ thực hiện trao đổi chất với môi trường quanh tế bào [2]. Chất tế bào: Là thành phần nằm trong màng tế bào, gồm nhiều bào quan và chất phức tạp, là nơi diễn ra những hoạt động sống của tế bào.

Các bào quan chính là lưới nội chất, ti thể, ri-bô-xôm, bộ máy Gôn-gi, trung thể. 1 Nhân tế bào: là một bào quan được bao bọc bởi màng tế bào tồn tại bên trong các tế bào nhân thực. Nhân tế bào chứa hết bộ gen của sinh vật, ngoại trừ DNA ty thể, được cuộn lại thành nhiều chuỗi DNA bao gồm các phức hợp protein. Phức hợp protein có nhiều loại protein khác nhau để cấu thành các nhiễm sắc thể.

Gen trong các nhiễm sắc thể có cấu trúc đặc thù để thúc đẩy chức năng của tế bào. Nhân tế bào bảo quản độ ổn định của gen và quản lý các hoạt động của tế bào bằng cách điều chỉnh biểu hiện gen. Do đó, nhân tế bào được coi là trung tâm điều khiển của tế bào [2].1 Các thành phần của tế bào máu [2] Hồng cầu. Hồng cầu: chiếm khoảng 96% chứa huyết sắc tố không có nhân và các bào quan.

Nhiệm vụ của hồng cầu là vận chuyển khí oxy (O2) từ phổi đến các mô và nhận lại khí cacbonic (CO2) từ các mô trở về phổi để thải bỏ. Vòng đời trung bình của hồng cầu là 120 ngày. Hồng cầu già sẽ bị tiêu hủy ở lách và gan. Tủy xương sẽ có nhiệm vụ sinh các hồng cầu mới để thay thế và duy trì lượng hồng cầu đã mất trong cơ thể [1].

Chức năng chủ yếu của hồng cầu là vận chuyển hemoglobin (Hb) rồi Hb sẽ vận chuyển oxy từ phổi tới các mô. Ngoài ra hồng cầu còn có những chức năng khác nhau như hồng cầu chứa một lượng lớn men carbonic andhydrase. 2 Men này xúc tác cho phản ứng giữa khí CO2 và H2 O làm tăng tốc độ của phản ứng này lên hang ngàn lân, giúp cho máu có thể vận chuyển một lượng lớn 𝐶𝐶𝐶𝐶2 từ các mô đến phổi. Hồng cầu có hình đĩa lõm hai mặt, đường kính trung bình khoảng 7,5 micromet, chiều dày là 2 micromet ở ngoại vi, và ở trung tâm vào khoảng 1 micromet.

Thể tích trung bình của mỗi hồng cầu là 83 𝜇𝜇𝜇𝜇3. Hồng cầu có thể thay đổi hình dạng khi đi qua các mao mạch. Hơn nữa hồng cầu có hình đĩa lõm hai mặt nên tỉ lệ giữa diện tích của màng bao bọc tế bào so với nội dung chứa bên trong tế bào rất lớn; do đó khi tế bào biến dạng, nó không làm căng màng ra và không làm vỡ tế bào [1]. Số lượng hồng cầu trong máu ngoại vi như sau: Số lượng hồng cầu ở nam: = 5,11 triệu/ mm3 ; Số lượng hồng cầu ở nữ: = 4,6 triệu/ mm3.

Nơi sinh hồng cầu: trong những tuần đầu của bào thai các hồng cầu có nhân do lá thai giữa sinh ra. Ba tháng giữa của thời kì có thai, gan là cơ quan chính sinh hồng cầu, ngoài ra lách và các hạc bạch huyết cũng góp phần tạo hồng cầu. Trong ba tháng cuối của thời kỳ có thai và sau sinh, tủy xương là nơi duy nhất sinh hồng cầu. Bạch cầu chiếm khoảng 3% là một phần quan trọng của hệ miễn dịch có nhiệm vụ tiêu diệt các tác nhân gây nhiễm trùng và phát động đáp ứng miễn dịch của cơ thể.

Bạch cầu cũng được sinh ra tại tủy xương như hồng cầu. Không chỉ lưu hành chủ yếu trong máu, có một lượng khá lớn bạch cầu cư trú ở các mô của cơ thể để làm nhiệm vụ bảo vệ. Các loại bạch cầu gồm bạch cầu hạt trung tính, bạch cầu hạt ưa axit, bạch cầu hạt ưa bazo, bạch cầu mono và bạch cầu lympho. Gọi là bạch cầu hạt vì 3 chúng có các hạt trong bào tương.

Đôi khi ở lâm sàng, chúng được gọi là bạch cầu đa nhân [1]. Nồng độ bạch cầu trong máu ở người trưởng thành có khoảng 7000 bạch cầu/ mm3 máu; tỉ lệ % của các loại bạch cầu như sau: Bạch cầu hạt trung tính: 68 ± 5 (%); Bạch cầu hạt ưa axit: 2 ± 2 (%); Bạch cầu hạt ưa bazo: 0,4 (%); Bạch cầu mono: 1,4 ± 0,4 (%); Bạch cầu lympho: 27 ± 5 (%). Bạch cầu hạt và bạch cầu mono được tạo ra trong tủy xương. Còn bạch cầu lympho và tương bào được tạo ra chủ yếu từ các mô bạch huyết như các hạch bạch huyết, lách, tuyến ức, họng và các mô bạch huyết ở tủy xương, ruột và các nơi khác.

Các bạch cầu sau khi được sinh ra sẽ được dự trữ ở tủy xương. Khi cơ thể cần đến, chúng mới được đưa vào máu lưu thông. Bạch cầu hạt sau khi được giải phóng từ tủy xương sẽ tồn tại 4 đến 8 giờ trong máu và khoảng 4 đến 5 ngày trong các mô. Trong lúc cơ thể bị nhiễm khuẩn, đời sống của bạch cầu thường ngắn hơn vì bạch cầu vận động đến nơi bị viêm, thực hiện chức năng thực vào rồi bị phá hủy.

Bạch cầu mono cũng chỉ tồn tại khoảng 10 đến 20 giờ trong máu lưu thông rồi xuyên mạch vào các mô và trở thành đại thực bào của mô, tồn tại hàng tháng, thậm chí hàng năm cho đến lúc bị phá hủy sau khi đã làm xong nhiệm vụ thực bảo. Bạch cầu lympho từ các hạch bạch huyết theo các bạch mạch rồi vào máu. Sau đó ít giờ chúng xuyên mạch vào các mô, trở lại bạch mạch rồi vào máu. Như vậy có sự tuần hoàn liên tục của bạch cầu lympho qua các mô.

Bạch cầu lympho có đời sống dài hàng tháng hoặc hàng năm tùy thuộc vào nhu cầu của cơ thể. 4 Tiểu cầu Tiểu cầu: chiếm khoảng 1%, chịu trách nhiệm trong quá trình đông máu. Tiểu cầu tham gia rất sớm vào việc hình thành nút tiểu cầu, bước khởi đầu của quá trình hình thành cục máu đông trong chấn thương mạch máu nhỏ. Ngoài ra, tiểu cầu còn làm cho thành mạch mềm mại, dẻo dai nhờ chức năng tiểu cầu làm trẻ hóa tế bào nội mạc.

Vòng đời của tiểu cầu khoảng 7 – 10 ngày. Cũng giống như hồng cầu và bạch cầu, tủy xương là nơi sinh ra tiểu cầu [1]. Tiểu cầu thực chất là một mảnh tế bào được vỡ ra từ tế bào nhân khổng lồ. Sau khi được phóng thích từ tuỷ xương, chỉ có 60-75% tiểu cầu lưu thông trong máu, phần còn lại được giữ ở lách.

Số lượng bình thường của tiểu cầu trong máu là 150. Tiểu cầu tăng khi thức ăn giàu đạm, khi chảy máu và bị dị ứng. Tiểu cầu giảm khi bị thiếu máu ác tính, bị nhiễm phóng xạ. Ðời sống tiểu cầu thay đổi từ vài ngày đến 2 tuần.

Tiểu cầu có kích thước 2-4μm, thể tích 7-8μm3, không có nhân nhưng bào tương có nhiều hạt, không có khả năng phân chia. Chức năng chính của tiểu cầu là cầm máu. Khi mạch máu bị tổn thương hoặc bị đứt, cầm máu được thực hiện nhờ những cơ chế sau: co mạch, sự hình thành nút tiểu cầu, đông máu, tan cục máu đông và sự phát triển của mô xơ trong cục máu đông để đóng kín vết thương. Thành phần huyết tương Huyết tương là một chất dịch trong, có màu vàng nhạt đồng thời huyết tương cũng là một trong những thành phần quan trọng nhất của máu.

Huyết tương chiếm tới 55 - 65% tổng lượng máu trong cơ thể, thành phần chủ yếu là 5 nước, ngoài ra còn còn có thành phần khác như: đạm, mỡ, đường, vitamin, muối khoáng, các men…[2] Huyết tương thay đổi theo tình trạng sinh lý trong cơ thể, ví dụ sau bữa ăn huyết tương có màu đục và trở nên trong, màu vàng chanh sau khi ăn vài giờ.2 Ống máu sau khi được ly tâm chứa Huyết tương, bạch cầu và tiểu cầu, hồng cầu Nếu đơn vị máu có huyết tương “đục” sẽ không được sử dụng vì có thể gây sốc, gây dị ứng cho người bệnh; vì vậy, người hiến máu chỉ nên ăn nhẹ, ăn ít đạm, ít mỡ trước khi hiến máu.2 thể hiện ống máu sau khi được ly tâm, thành phần huyết tương màu vàng nhẹ nằm phía trên, hồng cầu nặng hơn ở phía đáy. Các bệnh lý về máu Bệnh lý về máu có rất nhiều loại và triệu chứng biểu hiện cũng thay đổi tùy theo bệnh lý gặp phải. Khi có bất kỳ vấn đề gì xảy ra trong hệ máu đều có thể gây ảnh hưởng đến sức khỏe chung. Hầu hết các bệnh về máu đều làm thay đổi bất thường số lượng tế bào máu, protein hoặc các chất dinh dưỡng trong máu, gây cản trở chức năng của máu.

Đa số trường hợp bệnh liên quan đến đột biến ở một đoạn gen cụ thể và có khả năng di truyền trong gia đình. Một số vấn đề sức khỏe, thuốc và yếu tố lối sống cũng có thể gây ra các rối loạn ở máu [2]. 6 Bệnh lý liên quan rối loạn tạo hồng cầu Rối loạn tạo hồng cầu được gọi là bệnh lý khi hồng cầu trong máu quá tăng hay quá giảm để đưa đến hai hậu quả chính: - Giảm sinh hồng cầu, tức bệnh thiếu máu.