Chương 1. TỔNG QUAN 4 HÌNH 1.3: Bệnh ung thư hắc tố da và seborrhic keratosis 14 Mục tiêu đề tài Trong khóa luận này, sinh viên sẽ tìm hiểu phương pháp xây dựng mô hình nhận dạng ung thư ác tính trong ảnh tổn thương da của các nhóm đạt hạng 1 trong cuộc thi SIIM-ISIC Melanoma Classification Iden-tify Melanoma In Lesion Images và thực hiện một số thay đổi ở bước tổng hợp các mô hình 1.5 Câu trúc Khóa luận tot nghiệp Nội dung Khóa luận tốt nghiệp được tổ chức như sau: e Chương [I|giới thiệu tổng quan vẻ khóa luận. ° Chuong)2trinh bày cơ sở lý thuyết va các nghiên cứu liên quan đến bài toán này. ° Chuong|3|trinh bày chỉ tiết các hướng tiếp cận của khóa luận.
¢ Chương |4| trình bày môi trường thực nghiệm, tập dt liệu, phương pháp đánh giá và kết quả thực nghiệm. ° ChươngJ|là phần kết luận và hướng phát triển của khóa luận. Chương 2 NGHIÊN CỨU LIÊN QUAN Tóm tắt Chương này sinh viên sẽ nêu các kiến thức nền tảng và các nghiên cứu liên quan đến dé tài mà sinh viên thực hiện.1 Tổng quan về ung thư da Ung thư da hắc sắc tố (ung thư tế bào hắc tổ hay Melanoma) là loại ung thư da nghiêm trọng nhất, phát triển trong các tế bào (melanocytes) sản xuất melanin - sắc tố quyết định màu sắc làn da. Tế bào hắc tố là tế bào da được tìm thấy ở lớp trên của da.
Chúng tao ra một sắc tổ được gọi là melanin, mang lại màu sắc cho da. Có hai loại melanin: eume- lanin và pheomelanin. Khi da tiếp xúc với bức xa tia cực tim (UV) từ mặt trời hoặc giường tắm nắng, nó sẽ gây tổn thương da khiến các tế bao hắc tố sản sinh ra nhiều hắc tố hơn, nhưng chỉ có sắc tố eumelanin cé gắng bảo vệ da bang cách làm cho da đen hoặc rám nắng. U hắc tố xảy ra khi tổn thương DNA do đốt cháy hoặc sạm da do bức xạ tia cực tím gây ra những thay đổi (đột biến) trong tế bào hắc tố, dẫn đến sự phát triển không kiểm soát của tế bào.
Những người có làn da sam màu tự nhiên có nhiều eumelanin hon và những người có làn da trắng tự nhiên có nhiều pheomelanin hơn. Trong khi eumelanin Chương 2. NGHIÊN CUU LIÊN QUAN 6 có khả năng bảo vệ da khỏi tác hại của ánh nắng mặt trời thì pheomelanin thì không. Đó là lý do tại sao những người có làn da sim màu có nguy cơ phát triển khối u ác tính thấp hơn những người có làn da trắng, do thiếu eumelanin nên dễ bị tổn thương do ánh nắng mặt trời, bỏng rát và ung thư da.
Mặc dù ít phổ biến hơn ung thư biểu mô tế bào đáy (BCC) và ung thư biểu mô tế bào vảy (SCC), u ác tính nguy hiểm hơn vì khả năng lây lan sang các cơ quan khác nhanh hơn nếu không được điều trị ở giai đoạn dau.1 Cách nhận dạng u ác tính U hắc tố có nhiều hình dạng, kích thước và màu sắc khác nhau. Đó là lý do tại sao rất khó để cung cấp một tập hợp các dấu hiệu cảnh báo toàn diện.Ung thư da hắc sắc tố có xu hướng gia tăng ở những người dưới 40 tuổi, đặc biệt là phụ nữ. Tuy nhiên, néu phát hiện được những thay đổi sớm và được điều trị trước khi ung thư lan rộng, bệnh có thể được chữa khỏi. Ung thư da hắc sắc tố có thể hình thành ở bắt cứ vị trí nào trên cơ thể nhưng thường thây nhất ở những vùng da tiếp xúc với ánh nắng mặt trời như lưng, chân, tay và mặt.
Ngoài ra, ở người có màu da tối, ung thư dang này cũng có thể xuất hiện ở những vị trí không tiếp xúc nhiều với ánh nắng mặt trời như lòng bàn chân, lòng bàn tay và giường móng tay. Khối u ác tính dạng này cũng có thể hình thành trong mắt hay trong mũi hoặc cổ họng (hiếm). Nốt ruôi trên cơ thể có sự thay đổi về hình dang, màu sắc, kích thước Xuất hiện những đốm, mảng khác màu trên da, phát triển bất thường 2.2 Bốn loại u ác tính chính Ung thư hắc tố lan rộng bé mặt: Loại này chiếm 70% ung thu hắc tố. Thông thường không có triệu chứng, nó xảy ra phổ biến nhất trên cang chân của nữ giới và thân mình ở nam giới.
Thương tổn thường là mảng có các vùng da không đều, nổi cao, màu rám hoặc nâu, thường có các đốm đỏ, trắng, đen và xanh hoặc Chương 2. NGHIÊN CUU LIEN QUAN 7 các nốt xanh-đen nhỏ, đôi khi có màu xanh. Nên chu ý những dấu hiệu của bờ thương tổn, cùng với việc mở rộng hoặc thay đổi màu sắc. Về mặt mô học, các tế bào hắc tố không điển hình xâm nhập đặc trưng vào lớp trung bì và thượng bì.1: Lan rộng bé mặt Ung thư hắc tố thể nốt Loại này chiếm từ 15 đến 30% ung thư hắc tố.
Nó có thể xảy ra ở bất kỳ nơi nào trên cơ thể như là một sẩn tối màu, hoặc một mảng thay đổi từ màu ngọc trai để màu xám, đến màu đen. Đôi khi, một thương tổn chứa ít chất sắc t6 hoặc có thể trông giống như một khối u mạch máu. Trừ khi nó bị loét, ung thư hắc tố thể nốt không có triệu chứng, nhưng bệnh nhân thường tìm lời khuyên bởi vì tổn thương nhanh chóng lan rộng.2: Ung thư hắc tố thể nét Ung thư hắc tố Lentigo ác tính Loại này chiếm 5% ung thư hắc tố. Nó có xu hướng phát sinh ở bệnh nhân lớn tuổi.
Nó phát sinh từ lentigo ác tính (tàn nhang Chương 2. NGHIÊN CUU LIÊN QUAN 8 Hutchinson hoặc khối u hắc tố ác tính tại chỗ - một đốm nâu nhạt hoặc nâu). Nó thường xảy ra trên mặt hoặc các vùng tiếp xúc với ánh nắng mạn tính như là một dát hoặc mảng phẳng, màu rám hoặc màu nâu, không có triệu chứng, với các dém nâu sam hoặc đốm đen phân tán không đều trên bề mặt của nó. Trong lentigo ác tính, cả tế bào hắc tố bình thường và ác tính đều giới hạn ở lớp thượng bì.
Khi các tế bào hắc tố ác tính xâm nhập vào lớp trung bì, tổn thương này được gọi là ung thư hắc tố lentigo ác tính, và ung thư có thể di căn. Loại u ác tính này thông thường có các đột biến ở gen C-kit. Khối u ác tính tuyến bã đậu : Đây là dạng u ác tính phổ biến nhất được tìm thấy ở những người da màu, bao gồm cả những cá nhân có tổ tiên gốc Phi. Nó thường xuất hiện ở những vị trí khó phát hiện bao gồm cả đưới móng tay và lòng ban chân hoặc long bàn tay.
Nó có thể xuất hiện dưới dang một vùng màu den hoặc nâu. NGHIÊN CUU LIÊN QUAN 9 2.2 Các nghiên cứu liên quan Năm 2020 đã có rất nhiều công trình nghiên cứu của các bệnh về da được công bố tại hội nghị CVPR (Conference on Computer Vision and Pattern Recog- nition).Trong đó bài toán nhận điện ung thư hắc tố từ hình ảnh da tổn thương là bài toán liên quan mật thiết đến các bài toán về nhận diện các bệnh về da. Vì vậy trước khi giải quyết bài toán nhận diện ung thư hắc tố ta cần nghiên cứu về các bài toán xử lí các căn bệnh về da.1 Tình hình nghiên cứu của các bài toán liên quan Mạng học sâu đã được áp dụng trên rất nhiều các lĩnh vực từ phân tích hình ảnh đến xử lí ngôn ngữ tự nhiên. Gần đây mạng học sâu cũng đã có thành công lớn trong việc phân loại va phân đoạn ảnh y tế [1] , Haenssle và cộng sự [7] và Brinker [3] đã thực hiện các nghiên cứu chỉ ra rằng hiệu suất của các mô hình học sâu có thể cạnh tranh với các bác sĩ da liễu.
Phân đoạn theo ngữ nghĩa (semantic segmentation) là một nhiệm vụ quan trọng và phổ biến trong việc làm cho máy tính có thể hỗ trợ chẩn đoán bệnh qua hình ảnh da. Mặc dù các phương pháp tiếp cận dựa trên học sâu đã cải thiện đáng kể sự chính xác của phân đoạn những vẫn có những cách để cải thiện bằng cách giải quyết những thách thức lớn như màu sắc [11], sự thay đổi về hình dạng tổn thương, kích thước và các mức độ tương phan khác nhau. Tuy nhiên, mang học sâu có hiệu quả nhất khi có sẵn một lượng lớn dữ liệu lớn để có thé dao tao và như vậy sẽ khó khăn khi tìm dữ liệu cho Chương 2. NGHIÊN CUU LIÊN QUAN 10 những căn bệnh hiếm gặp.
Một số cách để để đối phó với van đề ít đữ liệu này đã dé xuất như transfer learning [9l và few-shot learning đòi hỏi mạng phải được đào tạo trước trên một số lượng lớn dữ liệu đã được gắn nhãn. Thu thập data của các bệnh về da là khá khó khăn, trong hoàn cảnh này, kho lưu trữ ISIC đóng một vai trò quan trọng trong lĩnh vực cung cấp bộ đữ liệu về tổn thương đa lớn nhất được sử dụng bởi hầu hết trong các bài báo về mạng học sâu. Subhranil Bagchi và các đồng nghiệp [2] đã đề xuất sử dụng hai kỹ thuật học sâu kết hợp (được đào tạo với trọng số bị tổn thất) để cái thiện độ chính xác so với các mô hình phân loại riêng lẻ. Kỹ thuật kết hợp giúp giảm bớt sự chính xác quá mức (over-fitting) do mất cân bằng trong tập dữ liệu.
Ngoài ra, nhóm tác giả dé xuất module CS-KSU (Class Specific - Known vs. Simulated Unknown) để phát hiện sự hiện diện của hình ảnh thuộc các lớp lạ trong lúc kiểm tra. Phương pháp của nhóm tác giả gồm 2 bước chính là : © Xây dựng thành phần Stacking: nhằm phân lớp hình ảnh tổn thương da thành một trong các bệnh đã được biết trước. Để xây dựng Stacking mô đun, nhóm tác giả huấn luyện 4 mô hình sử dụng EfficientNet-B2, EfficientNet- B5(với 2 thiết lập) và DenseNet © Xây dung module CS-KSU : nhằm xác định một cách chắc chắn rằng thành phần Stacking có nhận biết hình ảnh tổn thương da chính xác hay không.
Module CS-KSU bao gồm các module phân loại hai lớp, mỗi module được dùng để nhận biết một trong các lớp đã biết trong tập dữ liệu. Module CS- KSU kết luận kết quả của phân loại trong khi thành phan Stacking sẽ đưa ra lớp của một hình ảnh. Module CS-KSU sẽ quyết định kết quả mà thành phan Stacking đưa ra là đúng hay sai. Trong trường hợp mô hình không nhận ra hình ảnh thuộc lớp nào, ảnh đó sẽ thuộc lớp Unknown(chua biết).