Xây Dựng Ứng Dụng Phát Hiện Bất Thường Trên Ảnh X-Quang Cột Sống

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp xây dựng ứng dụng web phát hiện bất thường trên ảnh x quang cột sống, vận dụng lý thuyết vào thực tế, đề xuất giải pháp cụ thể cho vấn

• Tác giả: Phạm Nguyễn Thanh Bình
• Người hướng dẫn: Th.S. Nguyễn Thị Kim Phụng
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Xây Dựng Ứng Dụng Phát Hiện Bất Thường Trên Ảnh X-Quang Cột Sống
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Đặt vấn đề
• 1.2. Giới thiệu bài toán và thách thức
• 1.3. Khảo sát các ứng dụng hiện có
• 1.4. Mục tiêu, phạm vi
• 1.5. Nội dung thực hiện
• 1.6. Bố cục báo cáo
• 2. CHƯƠNG 2: CƠ SỞ LÍ THUYẾT
• 2.1. Các hướng tiếp cận để giải quyết bài toán
• 2.2. Một số các mạng tích chập
• 2.3. Fully Convolutional One-Stage Object Detection (FCOS)
• 3. CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Phương pháp đánh giá đối với bài toán phát hiện đối tượng
• 3.2. Một số thống kê trên tập dữ liệu
• 3.3. Môi trường huấn luyện
• 3.4. Huấn luyện các mô hình
• 3.4.1. Huấn luyện các mô hình
• 3.4.2. Huấn luyện mô hình Faster RCNN với ResNet FPN
• 3.4.3. Một số các kết quả chân đoán từ mô hình
• 4. CHƯƠNG 4: CHƯƠNG TRÌNH ỨNG DỤNG
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng phát hiện bất thường trên ảnh X quang cột sống

Ứng dụng phát hiện bất thường trên ảnh X-quang cột sống đang trở thành một công cụ quan trọng trong y tế. Với sự phát triển của công nghệ AI, việc phát hiện các bất thường trong hình ảnh y tế đã trở nên nhanh chóng và chính xác hơn. Ứng dụng này không chỉ giúp bác sĩ trong việc chẩn đoán mà còn nâng cao hiệu quả điều trị cho bệnh nhân.

1.1. Giới thiệu về công nghệ AI trong y tế

Công nghệ AI đã được áp dụng rộng rãi trong y tế, đặc biệt là trong việc phân tích hình ảnh y tế. Các mô hình học sâu như CNN đã cho thấy khả năng vượt trội trong việc phát hiện bất thường từ ảnh X-quang.

1.2. Tầm quan trọng của phát hiện bất thường

Việc phát hiện sớm các bất thường trên ảnh X-quang cột sống giúp bác sĩ đưa ra quyết định điều trị kịp thời, từ đó nâng cao chất lượng cuộc sống cho bệnh nhân.

II. Thách thức trong việc phát hiện bất thường trên ảnh X quang

Mặc dù công nghệ phát triển, nhưng vẫn tồn tại nhiều thách thức trong việc phát hiện bất thường trên ảnh X-quang. Các vấn đề như thiếu dữ liệu gán nhãn, độ chính xác của mô hình và sự khác biệt trong chất lượng hình ảnh giữa các bệnh viện là những yếu tố cần được giải quyết.

2.1. Thiếu dữ liệu gán nhãn

Việc thu thập và gán nhãn dữ liệu y tế là một thách thức lớn. Các bác sĩ thường không có đủ thời gian để tham gia vào quá trình này, dẫn đến việc thiếu hụt dữ liệu chất lượng.

2.2. Vấn đề độ chính xác của mô hình

Mô hình phát hiện bất thường cần phải được huấn luyện trên nhiều loại dữ liệu khác nhau để đảm bảo độ chính xác cao. Tuy nhiên, sự khác biệt trong chất lượng hình ảnh có thể ảnh hưởng đến kết quả.

III. Phương pháp xây dựng ứng dụng phát hiện bất thường

Để xây dựng ứng dụng phát hiện bất thường trên ảnh X-quang cột sống, cần áp dụng các phương pháp học sâu và khai thác dữ liệu hiệu quả. Việc lựa chọn mô hình phù hợp và tối ưu hóa tham số là rất quan trọng.

3.1. Các mô hình học sâu được sử dụng

Các mô hình như Faster R-CNN, RetinaNet và FCOS đã được áp dụng để phát hiện bất thường. Mỗi mô hình có ưu điểm và nhược điểm riêng, cần được so sánh để chọn ra mô hình tối ưu.

3.2. Quy trình huấn luyện mô hình

Quy trình huấn luyện bao gồm việc xử lý dữ liệu, thiết lập tham số và đánh giá kết quả. Việc này giúp đảm bảo mô hình hoạt động hiệu quả trên tập dữ liệu thực tế.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu

Ứng dụng phát hiện bất thường trên ảnh X-quang cột sống đã cho thấy kết quả khả quan trong việc hỗ trợ bác sĩ chẩn đoán. Các nghiên cứu đã chỉ ra rằng mô hình có thể phát hiện chính xác nhiều loại bất thường khác nhau.

4.1. Kết quả từ mô hình phát hiện

Mô hình đã đạt được độ chính xác cao trong việc phát hiện các bất thường như gai xương, trượt đốt sống và hẹp khe khớp. Điều này cho thấy tiềm năng ứng dụng trong thực tế.

4.2. Phản hồi từ bác sĩ

Bác sĩ đã nhận thấy sự hỗ trợ đáng kể từ ứng dụng trong quá trình chẩn đoán. Điều này không chỉ tiết kiệm thời gian mà còn nâng cao độ chính xác trong quyết định điều trị.

V. Kết luận và hướng phát triển tương lai

Ứng dụng phát hiện bất thường trên ảnh X-quang cột sống hứa hẹn sẽ tiếp tục phát triển và cải thiện. Việc tích hợp thêm dữ liệu và cải tiến mô hình sẽ giúp nâng cao hiệu quả chẩn đoán trong tương lai.

5.1. Hướng phát triển công nghệ

Công nghệ AI sẽ tiếp tục được cải tiến, với khả năng học hỏi từ dữ liệu mới và cải thiện độ chính xác trong phát hiện bất thường.

5.2. Tích hợp với các hệ thống y tế

Việc tích hợp ứng dụng vào các hệ thống y tế hiện có sẽ giúp nâng cao khả năng chẩn đoán và điều trị cho bệnh nhân, từ đó cải thiện chất lượng dịch vụ y tế.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan đề tai Giới thiệu tóm tắt về mục tiêu, bài toán đặt ra, lĩnh vực và phạm vi thực hiện. © Chương 2: Cơ sở lí thuyết Các hướng tiếp cận đề giải quyết bài toán, các mô hình phát hiện đối tượng Faster RCNN, RetinaNet, FCOS. e Chương 3: Thực nghiệm và đánh giá Cách thức đánh giá bài toán phát hiện đối tượng. Thử nghiệm các mô hình trên bộ dữ liệu và đánh giá các kết quả thu được.

e Chương 4: Chương trình ứng dụng Sử dụng mô hình đạt kết quả tốt cho xây dựng ứng dung chân đoán bat thường trên ảnh X-quang cột sóng. © _ Chương 5: Kết luận và hướng phát triển Tóm tắt về đề tài, kết luận và hướng phát triển tiếp theo cho bài toán phát hiện đối tượng trong ảnh y tế. Nguyễn Thị Kim Phụng 6 SVTH: Phạm Nguyễn Thanh Bình Cơ sở lí thuyết Chương 2.1 Các hướng tiếp cận để giải quyết bài toán Bài toán xử lí ảnh Sự bùng né của deep learning đã mang lại một cuộc cách mạng trong việc áp dụng vào bài toán xử lý ảnh. Trước đây, phương pháp truyền thống trong việc phân loại ảnh dựa trên các quy tắc phức tạp hoặc nhờ vào việc tạo đặc trưng thủ công.

Tuy nhiên, phương pháp này tốn thời gian, khá khó tổng quát hóa và đòi hỏi các kiến thức chuyên môn trong lĩnh vực áp dụng. Hiện nay, deep learning, đặc biệt là mô hình CNN (Convolutional Neural Networks), đã thay đổi hoàn toàn cách tiếp cận này. CNN không yêu cầu tạo đặc trưng thủ công, tiết kiệm thời gian xử lý ảnh. Thay vào đó, CNN tự động học các đặc trưng ảnh từ dữ liệu thông qua các lớp bộ lọc ban đầu và các lớp sau để tiến hành phân loại điều này mang lại cho CNN các kết quả tích cực hơn so với các thuật toán truyền thống [1], [2], [3].

Trong lĩnh vực y tế, việc áp dụng các mô hình học sâu cũng trở thành xu hướng để giải quyết các bài toán khác nhau trong đó có các bài toán xử lí ảnh y khoa. DEEP LEARNING AND MEDICAL œx Tu = Ss = ° a a a a ° a = = + ° a + Biến ae — © ° a Su c = sc a aonk er œ Dị E ali n = ° a + = = a tt © Pa a © 3— œ = ° a = a ° a Hình 2.1 Số lượng các bài báo trên PubMed khi tìm kiếm kết hợp từ khoá "deep learning + medical" [4] GVHD: ThS. Nguyễn Thị Kim Phụng 7 SVTH: Phạm Nguyễn Thanh Bình Cơ sở lí thuyết Bài toán phát hiện đối tượng trên ảnh X-quang Mô hình phát hiện đối tượng trong thị giác máy tính là các hệ thống được thiết kế để nhận diện và xác định vị trí của các đối tượng trong ảnh. Có hai loại chính của mô hình phát hiện đối tượng là mô hình phát hiện đối tượng một giai đoạn (one-stage object detection model) và mô hình phát hiện đối tượng hai giai đoạn (two-stage object detection model): ¢ Mô hình phát hiện đối tượng một giai đoạn (one-stage object detection model): Đây là một loại mô hình phát hiện đối tượng nhanh và hiệu quả.

Mô hình này thực hiện việc phát hiện và xác định vị trí đối tượng trong một lần chạy (single- pass) qua mạng nơ-ron. Một số mô hình phổ biến trong nhóm này bao gồm YOLO, SSD, RetinaNet, FCOS,. Những mô hình này thường sử dụng các phương pháp như giảm số lượng khung hình đề xuất (proposals) và chia lưới (grid) thành các vùng con (sub-regions) dé đưa ra dự đoán. ¢ Mô hình phát hiện đối tượng hai giai đoạn (two-stage object detection model): Mô hình này thực hiện quá trình phát hiện đối tượng trong hai giai đoạn riêng biệt: đề xuất (proposal) và phân loại (classification).

Trong giai đoạn đầu tiên, mô hình tạo ra một số lượng các khung hình đề xuất ứng viên cho đối tượng có thê tồn tại trong ảnh. Sau đó, trong giai đoạn thứ hai, mô hình phân loại đối tượng và xác định vi trí chính xác của chúng. Một mô hình tiêu biểu trong các mô hình phát hiện đối tượng hai giai đoạn là Faster R-CNN. Cả hai loại mô hình trên đều có ưu điểm và hạn chế riêng.

Mô hình một giai đoạn có tốc độ nhanh và có thể phát hiện đối tượng trong thời gian thực, nhưng đôi khi có thể gặp khó khăn trong việc xác định chính xác vi trí của đối tượng. Mô hình hai giai đoạn đạt được độ chính xác cao hơn nhưng đòi hỏi thời gian tính toán và tài nguyên hơn. Sự lựa chọn giữa hai loại mô hình này thường phụ thuộc vào yêu cầu cụ thể của bài toán và môi trường áp dụng. Hầu như trên các bài toán phát hiện đối tượng trên ảnh X-quang có áp dụng mô hình Faster RCNN hoặc sử dụng Faster RCNN như một mô hình để so sánh các kết quả đạt từ các phương pháp [5]-[10].

Nguyễn Thi Kim Phung 8 SVTH: Pham Nguyén Thanh Binh Cơ sở lí thuyết Có thể thấy Faster RCNN là một trong những mô hình phát hiện đối tượng mang lại độ chính xác tốt trong các mô hình phát hiện đối tượng được áp dụng trên ảnh X-quang trong y khoa. Bên cach Faster RCNN, RetinaNet cũng là một trong các mạng thường được áp dung dé trong bài toán phát hiện bat thường trên ảnh X-quang với đặc điểm là có khả năng giảm thiểu van đề mat cân bằng giữa các lớp [7]. FCOS cũng tương tự RetinaNet đều thuộc phương pháp một giai đoạn nhưng với kiến trúc không áp dụng các anchor box cũng mang lại các kết quả tốt trên tập MS COCO [11] và cũng đã được áp dụng trong phát hiện đối tượng trên ảnh X-quang [7]. Ở các mô hình FCOS và RetinaNet đa phần mạng trích xuất đặc trưng được sử dụng là mạng ResNet có áp dụng kiến trúc FPN.

Trong đó mạng ResNet thường xuyên sử dụng là ResNet50 [7], [8]. Mô hình Faster RCNN cũng áp dung kiến trúc ResNet FPN [8] nhưng bên cạnh đó cũng có các nghiên cứu áp dụng mạng trích xuất đặc trưng từ bài viết góc là VGG16 [9]. Bài toán phát hiện đối tượng trên ảnh X-quang cột sống Faster RCNN va Retina cũng đã được áp dụng trên bộ dữ liệu được lựa chọn [9] với mAP00.38% cho Faster RCNN va 28. Dựa trên việc khảo sát các nghiên cứu đã có, dé tài sẽ áp dụng hai mô hình một giai đoạn là RetinaNet, FCOS với mạng mạng trích xuất đặc trưng là ResNet50 và mô hình hai giai đoạn áp dụng là Faster RCNN với các mạng trích xuất đặc trưng là VGG16, Resnet va Resnet FPN.2 Neural network Mạng neural là một khái niệm trong lĩnh vực trí tuệ nhân tạo và học máy, được lấy cảm hứng từ cách hoạt động của hệ thần kinh sinh học trong não người.

Mạng neural nhân tạo (hay còn gọi là mạng nơ-ron nhân tao) là một mô hình tính toán được thiết kế dé mô phỏng và mô phỏng câu trúc và hoạt động của mạng nơ-ron sinh học. Nguyễn Thi Kim Phung 9 SVTH: Phạm Nguyễn Thanh Bình Cơ sở lí thuyết Mạng neural bao gồm một tập hợp các đơn vi tính toán gọi là nơ-ron nhân tao (artificial neurons) hoặc đơn giản là nơ-ron. Các nơ-ron này kết nối với nhau thông qua các trọng số và tạo thành các lớp, tạo nên kiến trúc của mạng. Mỗi nơ-ron nhận đầu vào từ các nơ- ron trong lớp trước đó, thực hiện một phép tính toán đơn giản và truyền kết quả đến các nơ-ron trong lớp tiếp theo.

Mạng neural có khả năng học từ đữ liệu thông qua quá trình gọi là huấn luyện. Trong quá trình huấn luyện, mạng neural điều chỉnh các trọng số của các kết nối giữa các nơ-ron đề tối ưu hóa đầu ra dựa trên các đầu vào đã biết và kết quả mong muốn tương ứng. Các thuật toán như lan truyền ngược (backpropagation) thường được sử dung dé điêu chỉnh các trọng sô này. Mạng neural đã đạt được nhiều thành công trong nhiều lĩnh vực ứng dụng khác nhau, bao gồm nhận dạng hình ảnh, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, dự đoán, và nhiều lĩnh vực khác.

Các mạng neural sâu (deep neural networks) là một dạng đặc biệt của mạng neural, được xây dựng với nhiều lớp ân (hidden layers) và đã đạt được những kết quả ấn tượng trong nhiều bài toán phức tạp. Nguyễn Thi Kim Phung 10 SVTH: Phạm Nguyễn Thanh Bình Cơ sở lí thuyết 2.3 Mạng neural tích chập (Convolutional Neural Network) Mạng neural tích chập (Convolutional Neural Network - CNN) là một loại mạng neural được sử dung chủ yếu trong lĩnh vực xử lý ảnh và thị giác máy tính. CNN được thiết kế đặc biệt dé tự động học và trích xuất các đặc trưng từ dit liệu hình ảnh. Cấu trúc co bản của một mang CNN thường bao gồm 5 lớp: lớp tích chập, lớp kích hoạt, lớp gdp, lớp kết nối đầy đủ, lớp đầu ra.

\ J 8 U31 uA 2 E ] | 4 Convolutional Layer_1 Convolutional Layer_2 Pooling Layer_1 ole Pooling Layer_2 Pooling Layer_n - S¡ Ry! TẾ Hinh 2.2 Mang neural tich chap [12] 2.1 Cau trúc mang neural tích chập Lớp tích chap (Convolutional layer) Lớp tích chập là lõi của mang CNN. Lop tích chập này thực hiện phép toán tích chập giữa ma trận đầu vào (hình ảnh) và một bộ lọc (kernel) để trích xuất các đặc trưng. Mỗi lớp tích chập sẽ có nhiều bộ lọc khác nhau dé nhận diện các đặc trưng khác nhau trong hình ảnh. e Phép toán tích chập được thực hiện bằng cách lay một ma trận đầu vào (thường là một ma trận 2D) và áp dụng một ma trận bộ lọc (kernel) lên đó.

Mỗi phần tử trong ma trận kết quả được tính băng cách nhân các phần tử tương ứng trong ma trận đầu vào với các phần tử tương ứng trong ma trận bộ lọc, sau đó tính tổng các kết quả này. Quá trình này được lặp lại trên toàn bộ ma trận đầu vào băng cách dịch chuyên ma trận bộ lọc qua đầu vào theo từng bước (stride). Nguyễn Thi Kim Phung 11 SVTH: Pham Nguyén Thanh Binh Cơ sở lí thuyết 5 BE - ® Gy~ FRE wen [ti oT | 2| J \ageon VF, at mm | Hình 2.3 Tinh toán tích chập lần lượt trên các vị trí [13] e Công thức tính toán cho các vi trí trên ma trận tích chap: Input matrix Convolution kernel Output Ốc = Wy, + WM, + WM, + Wy My, Oy. + Vy + WM, + Wy) My, 04, = W) Mts, a Ms; + May + MayHis Oy = Wy), + WIN, + Wy, + WM, Hình 2.4 Công thức tinh toán giá trị cho các vị trí tích chập [14] GVHD: ThS.