CHƯƠNG 1. TONG QUAN TINH HÌNH NGHIÊN CỨU 1. Tổng quan Ung thư phôi la một trong những loại ung thư phô biến nhất va có tỷ lệ tử vong cao nhất trên toàn thé giới. Việc phát hiện sớm và chan đoán ung thư phổi rat quan trọng dé cung cap liệu pháp điều trị hiệu qua và tăng tỷ lệ sông sót cho bệnh nhân.
Trong các phương pháp chân đoán thủ công, quá trình này đòi hỏi thời gian và công sức lớn từ các nhân viên y tế. Mặc dù phương pháp này rất quen thuộc và đáng tin cậy. nhưng nó có thê gặp các hạn chế trong việc đưa ra quyết định chân đoán chính xác đo phụ thuộc nhiều vào kinh nghiệm và kiến thức của các nhân viên y tế, và cũng bởi van dé thiểu hụt bác sĩ chan đoán hình ảnh. Ngược lai, phương pháp chân đoán bằng công nghệ học sâu cung cấp kết quả chân đoán một cách nhanh chóng và độ chính xác cao (đối với mô hình thực hiện hiệu quả).
Các mô hình học sâu có thê giải quyết được rất nhiều nhiệm vụ trong hầu hết các lĩnh vực. Học chuyển giao là một phương pháp thay đôi mô hình học máy, học sâu đề rút ra kiến thức từ một hoặc nhiều nhiệm vụ nguồn và áp dụng kiến thức đó vào nhiệm vụ mục tiêu. Hai cách tiếp cận phô biến của học chuyền giao là phát triển một mô hình từ đầu và sử dụng một mô hình được dao tạo trước. Trong khóa luận này, tôi dé xuất một phương pháp sửa đổi quá trình học tập mạng neural sâu dựa trên mô hình GoogLeNet dé chan đoán ung thư phổi.
GoogLeNet được thiết kế ban dau dé phân loại các đôi tượng quen thuộc như mèo, chó, trái cây,. Do đó, khi áp dụng GoogLeNet cho chân đoán hình anh phôi, cần thực hiện việc điều chinh mô hình dé phù hợp với bộ dữ liệu. Các phương pháp áp dụng cho bài toán 1. Học máy (Machine learning) Các phương pháp được áp dụng trong bài toán phát hiện bạo lực thường sử dụng các kỹ thuật truyền thống của học máy như Linear regression, Decision Trees, Random Forest, SVM, KNN,.
Một số nhà nghiên cứu đã chọn các phương pháp mô hình học 13 máy thay vì mô hình học sâu cho bài toán này, thường là đo ưu tiên hiệu suất, không cần nhiều tài nguyên tính toán và đôi khi phương pháp nảy mang lại hiệu quả cao hơn. Rehman và các cộng sự đã sử dụng kỹ thuật patch-based LBP dé giúp phát hiện va chân đoán ung thư phôi. Kỹ thuật này đã chuyên đôi các hình ảnh sang thang độ xám, sau đó chọn các đặc diém cau trúc và biến đôi chúng thành hệ số DCT và hợp nhất chúng để tạo ra một vector đặc trưng. Cuối cùng, vector này được sử dung dé phân loại ảnh ung thư phôi dựa trên phương pháp học máy SVM và KNN [14].
Firdaus va các đồng nghiệp đã sử dụng kỹ thuật Gray Level Co-occurrence Matrix (GLCM) đề xử lý ảnh và phân tích hình ảnh. GLCM là một phương pháp thong kê tính toán tần suất các cặp pixel có mức độ xám cụ thể xuất hiện cạnh nhau trong ảnh. Thông tin này sẽ tạo thành một ma trận và sẽ được sử đụng dé phân loại lại anh ung thư phôi dựa trên phương pháp SVM {6}. Học sâu (Deep learning) Học sâu (Deep learning) là một nhánh con của trí tuệ nhân tao (artificial intelligence) tập trung vào việc xây dựng và huấn luyện các mô hình học sâu dé tự động học hoi từ dir liệu.
Trong học sâu, có các mang thần kinh sâu (deep neural networks) được sử dụng dé mô hình hóa và học các biéu diễn phức tạp của dit liệu thông qua việc sử dụng nhiều lớp nơ-ron ân. Các mang thần kinh sâu này có khả năng tự học các đặc trưng cấp cao từ đữ liệu đầu vào một cách tự động mà không cần sự can thiệp của con người dé chỉ định các đặc trưng cụ thé. Các mô hình học sâu đã được áp dụng trong các nghiên cứu liên quan đến chân đoán ung thử phôi và đạt được kết quả tốt hơn so với các phương pháp truyền thông. Các bài báo đã đề xuất nhiều kiến trúc mô hình học sâu dé mô hình có thé tự động học và khai thác các đặc trưng có lợi cho việc chân đoán ung thư phôi.
Shimazaki và các cộng sự đã đề xuất một kiến trúc CNN bằng phương pháp phân đoạn dé chân đoán ung thử phôi từ ảnh X-quang dé cải thiện độ nhạy (sensitivity) trong khi vẫn duy trì kết quả FP (false positive) thấp. Kiến trúc CNN của họ dựa trên kiến trúc mã hóa-giải mã dé xuât ra phan đoạn ảnh. Kiên trúc mã hóa-giải mã có câu trúc that cô lá chai, giúp giảm độ phân giải của bản đồ đặc trưng và cải thiện khả năng chống nhiễu và quá khớp của mồ hình [17]. Abunajm và các cộng sự đã dé xuất một mô hình đựa trên CNN dé dự đoán và phát hiện ung thử phôi từ hình ảnh chụp CT.
Mô hình này bao gồm một số lớp tích chập, lớp gộp và lớp kết nỗi đầy đủ. Mô hình này đã đạt được kết quả rất tốt với độ chính xác là 99. Cac bộ dữ liệu tiêu chuẩn 1. Bộ dữ liệu hình ảnh mô bệnh học ung thư phối và đại tràng (Lung and Colon Cancer Histopathological Image Dataset) (LC25000) LC25000 [5] là bộ dữ liệu hình ảnh y học phục vụ cho nghiên cứu phan loại ung thư và chân đoán y tế.000 ảnh màu được chia thành 5 lớp mỗi lớp gồm 5000 ảnh: e© Ung thư biểu mô đại trang (Colon_aca).
e M6 đại tràng lành tính (Colon_n). © Ung thư biéu mô phôi (Lung_aca). e Ung thư biểu mô tế bao váy phổi (Lung sec). ¢ Mô phôi lành tính (Lung_n).
Và được chia thành 2 thư mục: © Phôi (15. Mỗi hình ảnh có kích thước 768x768 pixel được lưu trữ đưới dang tệp jpeg. Bộ dữ liệu CT và PET/CT quy mô lớn cho việc chan đoán ung thư phổi (A Large-Scale CT and PET/CT Dataset for Lung Cancer Diagnosis) (Lung- PET-CT-Dx) Bộ dữ liệu Lung-PET-CT-Dx [10] bao gồm 251,135 hình ảnh DICOM CT và PET-CT của bệnh nhân ung thư phôi cùng tệp XML cho biết vị trí khối u. Dữ liệu được thu thập từ bệnh nhân nghi ngờ ung thư phỏi, đã sinh thiết phối va PET/CT, sau đó được phân thành 4 nhóm theo chân đoán mô bệnh học: 15 e A: Ung thư tuyến phôi (Adenocarcinoma).
e B: Ung thư biéu mô tế bao nhỏ (Small Cell Carcinoma). e E: Ung thu biéu mô tế bào lớn (Large Cell Carcinoma). Œœ Hình 1-1 Bộ dữ liệu Lung-PET-CT-Dx [10] Bộ dữ liệu có độ phan giải cao (CT: 512x512 pixel, ImmxImm; PET: 200x200 pixel, 4. Và vị trí của khôi u được 5 chuyên gia phẫu thuật nội soi nôi tiếng có chuyên môn về ung thư phổi đánh dau, 2 người với 15 năm kinh nghiệm và 3 người còn lại có hơn 5 năm kinh nghiệm.
Thông tin về dữ liệu: e ID bệnh nhân. e Mite độ ác tính của bệnh. ° Tình trạng hút thuốc. Đã có hai bài nghiên cứu học sâu đã sử dụng bộ dữ liệu Lung-PET-CT-Dx dé huan luyện mô hình và đạt được kết quả rat tốt với kết quả xác suất hậu nghiệm (MAP) tôi đa là khoảng 0.87 trên bộ kiểm thử.
Bộ dữ liệu Lung-PET-CT-Dx là mã nguồn mở và có thé được truy cập miễn phi, giúp cho các nhà nghiên cứu va bác sĩ lâm sàng trên toàn thế giới có thé sử dụng nó dé phát trién các thuật toán chân đoán ung thư phôi tốt hơn và nâng cao hiệu quả cham sóc sức khỏe cho bệnh nhân ung thư phỏi. The Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRD LIDC-IDRI |16) chứa 1018 anh chụp CT có đánh dau các tồn thương được chú thích ở định dạng DICOM. Chú thích chân đoán được cung cấp ở định dạng XML. Đỗi với mỗi ảnh chụp CT, bốn bác sĩ chuyên khoa phôi giàu kinh nghiệm đã thực hiện quy trình gồm 2 giai đoạn chú thích và rà soát.
¢ Giai đoạn 1: Các bác sĩ đánh giá từng ảnh CT và phân loại tôn thương thành “khối u > 3 mm.” “khối u = 3 mm,” hoặc “không phải khôi u > 3 mm”. e Giai đoạn 2: Sau đó, mỗi bác sĩ xem xét lại các phân loại của các tôn thương khác va đưa ra chân đoán cudi cùng. 17 (b) (c) Hình 1-2 Bộ dữ liệu LIDC-IDRI [16] Trong đó (a) là “khối u > 3 mm”, (b) là “khối u = 3 mm”, và (c) là “không phải khôi u> 3 mm” 1. Phân tích hạch phôi 16 (Lung Nodule Analysis 16) (LUNA 16) LUNA 16 [7] được phát triển từ LIDC-IDRI.
Bộ dữ liệu bao gom 36.378 chú thích của các bác sĩ chuyên khoa trên 888 ảnh chụp CT được chọn lọc. 18 Các bác sĩ chuyên khoa chỉ đánh giá các chú thích được phân loại là khối u có kích thước > 3 mm là các tôn thương liên quan; các khối u có kích thước < 3 mm và các tôn thương không phải khối u sẽ không được xem xét là liên quan đến các quy trình sàng lọc ung thư phôi. Tông cộng có 1186 khối được coi là các ví du đương tính (tức là các tôn thương mà thuật toán cần phát hiện). Các khối u khác, tức là những khối u có đường kính khác nhau, được coi là các phát hiện không liên quan sé không được tính là FP (false positive) hoặc TP (true positive) và bị loại hoàn toàn khỏi quy trình đánh giá.
Các phương pháp chan đoán hình ảnh y khoa truyền thống: 2. Chụp X-quang ngực Chụp X-quang ngực là phương pháp phô biến giúp pháp hiện các bắt thường có trong phôi va các cơ quan xung quanh. Đây là một phương pháp hữu ích dé sàng lọc ung thư phôi ở những người có nguy cơ cao mắc bệnh ung thư. Chụp CT ngực Chup CT ngực tạo ra hình anh chi tiết hơn chụp X-quang về câu trúc của phôi vả các cơ quan xung quanh, cho phép bác sĩ nhận biết rõ ràng các biểu hiện của ung thư phôi.
CT ngực có thé phát hiện các khối u nhỏ hơn va phân loại chúng theo tính chat, giúp đánh giá mức độ nghiêm trọng của bệnh. Phương pháp này cho phép thu được hình ảnh từ nhiều góc độ và mặt của phôi, cung cấp thông tin đa chiều về sự phát triển của ung thư phôi. Được coi là phương pháp tiêu chuan trong chân đoán và đánh giá sự phát triển của ung thư phôi. Chụp PET/CT Chụp PET/CT kết hợp hai công nghệ hình ảnh là PET (Positron Emission Tomography) va CT (Computed Tomography) trong một quy trình.
Điều nay cho phép cung cấp thông tin về cả chức năng va cau trúc của các mô trong cơ thé.