Nâng cao hiệu quả chẩn đoán ung thư dùng xử lý ảnh và mạng nơ-ron tích chập

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT HƯNG YÊN HOÀNG QUỐC TUÂN NÂNG CAO HIỆU QUẢ HỖ TRỢ CHẨN ĐOÁN MỘT SỐ DẠNG UNG THƯ DỰA TRÊN KỸ THUẬT XỬ LÝ ẢNH VÀ MẠNG NƠ-RON TÍCH CHẬP LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hưng Yên – Năm 2024 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT HƯNG YÊN HOÀNG QUỐC TUÂN NÂNG CAO HIỆU QUẢ HỖ TRỢ CHẨN ĐOÁN MỘT SỐ DẠNG UNG THƯ DỰA TRÊN KỸ THUẬT XỬ LÝ ẢNH VÀ MẠNG NƠ-RON TÍCH CHẬP Chuyên ngành : Kỹ thuật điện tử Mã số: 9520203 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ NGƯỜI HƯỚNG DẪN KHOA HỌC: 1.TS Bùi Trung Thành 2. TS Phạm Xuân Hiển Hưng Yên – Năm 2024 i LỜI CAM ĐOAN Tôi xin cam đoan: luận án “Nâng cao hiệu quả hỗ trợ chẩn đoán một số dạng ung thư dựa trên kỹ thuật xử lý ảnh và mạng nơ-ron tích chập” là công trình nghiên cứu của riêng tôi được hoàn thành dưới sự chỉ bảo tận tình của hai thầy hướng dẫn. Các kết quả nghiên cứu trong luận án là trung thực, được công bố trên các tạp chí khoa học chuyên ngành với sự đồng ý của các đồng tác giả. Việc tham khảo các nguồn tài liệu đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định.

Hưng Yên, ngày tháng năm 2024 Tập thể hướng dẫn Tác giả luận án PGS. Bùi Trung Thành Hoàng Quốc Tuân TS. Phạm Xuân Hiển ii LỜI CẢM ƠN Luận án này báo cáo các kết quả nghiên cứu trong thời gian tôi làm nghiên cứu sinh. Để hoàn thành được luận án, ngoài nỗ lực làm việc của bản thân, tôi đã nhận được sự giúp đỡ của rất nhiều người.

Tôi xin chân thành bày tỏ lòng biết ơn sâu sắc đến PGS. Bùi Trung Thành – Trường Đại học Sư Phạm Kỹ thuật Hưng Yên và TS. Phạm Xuân Hiển – Trường Đại học giao thông vận tải đã tận tình hướng dẫn, tạo mọi điều kiện thuận lợi, giúp tôi thực hiện và hoàn thành luận án này. Chân thành cảm ơn các nhóm tác giả đã đồng ý chia sẻ cho tôi tập dữ liệu công khai để tôi thực nghiệm trong nghiên cứu của mình.

Xin chân thành cảm ơn các Thầy lãnh đạo khoa Điện – Điện tử, lãnh đạo bộ môn Kỹ thuật điện tử và Phòng đào tạo đã tạo điều kiện thuận lợi để tôi hoàn thành luận án. Xin cảm ơn các đồng nghiệp tại khoa Cơ khí, khoa Điện – Điện tử và khoa Công nghệ thông tin của Trường đại học Sư phạm Kỹ thuật Hưng Yên đã hỗ trợ tôi trong nghiên cứu, cũng như công việc để tôi hoàn thành được luận án. Đặc biệt tôi xin cảm ơn sâu sắc tới gia đình tôi đã hỗ trợ, động viên trong suốt quá trình làm nghiên cứu sinh của tôi. Xin chân thành cảm ơn! Hưng Yên, ngày tháng năm 2024 Tác giả luận án Hoàng Quốc Tuân iii MỤC LỤC LỜI CAM ĐOAN…………………………………………………………….ii MỤC LỤC……………….………………………iii DANH MỤC CÁC CHỮ VIẾT TẮT VÀ CÁC KÝ HIỆU ……….v DANH MỤC BẢNG BIỂU………………….vii DANH MỤC HÌNH VẼ, ĐỒ THỊ…………………….……ix MỞ ĐẦU………………………………………………………………………….

Tính cấp thiết của luận án……………………………………………. Mục tiêu, đối tượng và phương pháp nghiên cứu của luận án…. Đóng góp của luận án……………………………. Bố cục luận án…………………………………………………….

TỔNG QUAN VỀ XỬ LÝ ẢNH Y TẾ VÀ ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP TRONG HỖ TRỢ CHẨN ĐOÁN QUA HÌNH ẢNH……6 1. Tổng quan về chẩn đoán hình ảnh trong y tế …………………………. Ảnh y tế và kỹ thuật cơ bản trong xử lý ảnh y tế………………………………. Các loại ảnh y tế phổ biến trong chẩn đoán hình ảnh……………………………8 1.

Kỹ thuật cơ bản trong xử lý ảnh y tế………………………………………………. Phân tích hình ảnh y tế với mạng nơ-ron tích chập………………………. Mạng nơ-ron tích chập……. CNN ứng dụng phát hiện đối tượng trong ảnh y tế ………………………………16 1.

CNN ứng dụng phân vùng ảnh y tế………………. CNN ứng dụng hợp nhất ảnh y tế……………………………………. CNN ứng dụng phân loại ảnh y tế………. Hệ thống hỗ trợ chẩn đoán bằng máy tính qua hình ảnh cho bệnh ung thư tuyến vú và tuyến giáp…………………………………………………….

Một số nghiên cứu phát triển hệ thống hỗ trợ chẩn đoán ung thư tuyến vú và tuyến giáp gần đây …………………………………………………………………. Nhận xét, đánh giá các nghiên cứu đã khảo sát và đề xuất giải pháp của tác giả…………………………………………………………………………………………. Kết luận Chương 1…………………………. GIẢI PHÁP NÂNG CAO HIỆU QUẢ PHÂN VÙNG HÌNH ẢNH SIÊU ÂM TUYẾN VÚ SỬ DỤNG ẢNH ĐA PHÂN GIẢI VÀ MẠNG PHÂN VÙNG CẢI TIẾN DỰA TRÊN CẤU TRÚC U-NET………………………………………40 2.

Tổng quan giải pháp đề xuất cho mô hình phân vùng ảnh y tế…………………40 2. Tăng cường dữ liệu bằng giải pháp thu nhỏ kích thước ảnh gốc và đệm viền…………………………………………………. Mạng phân vùng đề xuất trong nghiên cứu……………………………………. Giải pháp tổng hợp ảnh phân vùng đầu ra của mạng phân vùng………….

Thực nghiệm giải pháp phân vùng đề xuất ……………………………………. Các phép đo hiệu suất phát hiện và phân vùng của mạng phân vùng…………. Hiệu suất mô hình phát hiện đối tượng của giải pháp đề xuất…………………59 2. Hiệu suất mô hình phân vùng ảnh của giải pháp đề xuất……………………….

So sánh hiệu suất phát hiện và phân vùng ảnh của giải pháp đề xuất với các nghiên cứu trước đây…………………………………………………………. Kết luận Chương 2………. GIẢI PHÁP NÂNG CAO HIỆU QUẢ PHÂN LOẠI HÌNH ẢNH KHỐI U TUYẾN GIÁP SỬ DỤNG MỘT LƯỢNG NHỎ DỮ LIỆU HUẤN LUYỆN MẠNG PHÂN LOẠI…………………………………………………………. Giải pháp phân loại ảnh siêu âm tuyến giáp đề xuất trong luận án…………….

Thực nghiệm giải pháp phân loại ảnh đề xuất với tập dữ liệu TDID…………. Tập dữ liệu ảnh siêu âm tuyến giáp TDID………………………………. Kết quả phân loại ảnh siêu âm tuyến giáp với tập dữ liệu thực nghiệm TDID…………………………………………………………………………………………86 3. Kết luận Chương 3………………………….92 TÀI LIỆU THAM KHẢO…………………………………………….94 DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ CỦA NGHIÊN CỨU SINH.105 v DANH MỤC CÁC CHỮ VIẾT TẮT VÀ CÁC KÝ HIỆU Chữ viết tắt: AI Atificial Intelligence Trí tuệ nhân tạo Computer-aided CADe Hỗ trợ phát hiện bằng máy tính Detection Computer-aided CADx Hỗ trợ chẩn đoán bằng máy tính Diagnosis Hàm Loss dùng trong mô hình phân CE Cross-entropy loại CNN Convolutional Neural Mạng nơ-ron tích chập Network CT Computed Chụp cắt lớp Tomography Scanner DL Deep Learning Học sâu DP Detection Point Điểm phát hiện Dice Score DSC Phép đo đánh giá mức độ tương đồng Measurement Fully Convolutional FCN Mạng tích chập kết nối đầy đủ Network Fine Needle FNA Kỹ thuật sinh thiết FNA Aspiration Tổng số trường hợp dự báo các quan FN False Negative sát thuộc nhãn Negative thành nhãn Positive Tổng số trường hợp dự báo các quan FP False Positive sát thuộc nhãn Positive thành nhãn Negative Graphics Processing GPU Bộ xử lý tác vụ liên quan đến đồ họa Units vi Intersection over Phép đo sự tương đồng giữa vùng dự IOU union đoán và đối tượng thật MLP Multi-layer Perceptron Mạng truyền thẳng nhiều lớp Magnetic Resonance MRI Chụp cộng hưởng từ Imaging Picture archiving and Hệ thống lưu trữ và truyền thông hình PACS communication system ảnh Resnet Residual Network Mạng tích chập sâu Support Vector Thuật toán phân loại nhị phân và và SVMs Machines dự báo của học có giám sát Tổng số trường hợp dự báo đúng là TP True Positive nhãn Positive Tổng số trường hợp dự đúng là nhãn TN True Negative Negative.

Các ký hiệu: A (Addition) Nút tổng hợp trong mạng nơ-ron tích chập Nguyên tắc lấy kết quả dựa trên kết quả xếp chồng của các ảnh AND_RULE phân vùng đầu ra Cos( ) Hàm tính khoảng cách giữa hai vectơ ảnh trong không gian vector Nguyên tắc lấy kết quả dựa trên kết quả đa số của các ảnh DOMINANT phân vùng đầu ra Fd Bản đồ đặc trưng tổng hợp với d lớp Nguyên tắc lấy kết quả dựa trên kết quả vùng bao phủ rộng OR_RULE nhất của các ảnh phân vùng đầu ra z Bản đồ đặc trưng ở lớp z |X1| Độ dài vector đặc trưng của ảnh đầu vào x1 |X2| Độ dài vector đặc trưng của ảnh đầu vào x2 vii DANH MỤC CÁC BẢNG, BIỂU Bảng 2. Bảng mô tả về tập dữ liệu BUS và BUSI được sử dụng trong các thử 54 nghiệm Bảng 2. Bảng thống kê kết quả thực nghiệm phát hiện tổn thương của giải pháp đề xuất và các giải pháp khác khi dùng hàm tổn thất CE trên tập dữ liệu 59 BUS Bảng 2. Bảng thống kê kết quả thực nghiệm phát hiện tổn thương của giải pháp đề xuất và các giải pháp khác khi dùng hàm tổn thất Dice trên tập dữ liệu 61 BUS Bảng 2.

Bảng thống kê kết quả thực nghiệm của mô hình phát hiện tổn thương khi sử dụng ảnh đa phân giải và không sử dụng ảnh đa phân giải với tập dữ 62 liệu BUSI Bảng 2. Bảng thống kê kết quả thực nghiệm phân vùng tổn thương khi sử dụng và không sử dụng giải pháp đề xuất với việc sử dụng tổn thất CE cùng 64 với ba quy tắc kết hợp (AND, OR, DOMINANT) Bảng 2. Bảng thống kê kết quả thực nghiệm phân vùng tổn thương khi sử dụng và không sử dụng giải pháp đề xuất với việc sử dụng tổn thất Dice cùng 65 với ba quy tắc kết hợp (AND, OR, DOMINANT) Bảng 2. Bảng thống kê kết quả thực nghiệm phân vùng tổn thương khi sử 66 dụng và không sử dụng giải pháp đề xuất, thực nghiệm với tập dữ liệu BUSI Bảng 2.

Bảng so sánh hiệu suất của giải pháp đề xuất mới và các giải pháp 70 khác dựa trên tiêu chí DP khi thực nghiệm với bộ dữ liệu BUS Bảng 2. Bảng so sánh hiệu suất của giải pháp đề xuất mới và các giải pháp 71 khác dựa trên tiêu chí IOU khi thực nghiệm với bộ dữ liệu BUS Bảng 2. Bảng so sánh hiệu suất của giải pháp đề xuất mới và các giải pháp 72 khác khi thực nghiệm với bộ dữ liệu BUSI Bảng 2. Thời gian xử lý của mạng phân vùng thông thường và giải pháp 73 được đề xuất Bảng 3.

Mô tả về tập dữ liệu TDID được sử dụng trong các thử nghiệm 85 viii Bảng 3. Bảng thống kê kết quả thực nghiệm của mạng phân loại được đề xuất 88 và mạng phân loại thông thường dựa trên cấu trúc Residual Network Bảng 3. Bảng thống kê kết quả thực nghiệm của mạng phân loại được đề xuất 88 và mạng phân loại thông thường dựa trên cấu trúc Inception Network Bảng 3. Bảng thống kê kết quả thực nghiệm của mạng phân loại được đề 90 xuất, mạng phân loại dựa trên cấu trúc Residual Network và Inception Network ix DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.

Hình ảnh y tế cơ bản và ứng dụng 9 Hình 1. Các kỹ thuật cơ bản trong xử lý ảnh y tế 10 Hình 1. Cấu trúc cơ bản của Convolutional Neural Networks 16 Hình 1. Cấu trúc kết hợp mạng tích chập và mạng giải chập 18 Hình 1.

Cấu trúc của mạng U-Net 19 Hình 1. Cấu trúc mô hình phân loại hình ảnh sử dụng CNN 23 Hình 1. Sơ đồ cấu trúc phương pháp xây dựng mạng ResNet 25 Hình 1. Cấu trúc mạng Resnet 26 Hình 1.