Tiếp cận học sâu cho phát hiện bất thường trong phổi dựa vào dữ liệu hình ảnh x quang lồng ngực

Một trong những kênh thông tin quan trọng hỗ trợ chẩn đoán và điều trị bệnh chính là dựa vào hình ảnh y khoa như X-Quang, CT, MRI, chụp xạ hình… Để tiến đến việc hỗ trợ chẩn đoán và điề

LÊ TÔN HOÀNG LONG

TIẾP CẬN HỌC SÂU CHO PHÁT HIỆN BẤT THƯỜNG TRONG PHỔI DỰA VÀO DỮ LIỆU HÌNH

LỜI CAM ĐOAN

Tôi xin cam đoan toàn bộ nội dung của luận văn với đề tài: “Tiếp cận

học sâu cho phát hiện bất thường trong phổi dựa vào dữ liệu hình ảnh

X-Quang lồng ngực” này là do tôi thực hiện dưới sự hướng dẫn trực tiếp của

TS Lê Thị Kim Nga - Trường Đại học Quy Nhơn Phần thực nghiệm chương trình đều do tôi tự xây dựng có sự hướng dẫn của giảng viên, trong đó có sử dụng một số thư viện chuẩn và các thuật toán được các tác giả xuất bản công khai Kết quả thực nghiệm được minh họa trong luận văn là trung thực

Nội dung luận văn này chưa từng được công bố hay xuất bản dưới bất

kỳ hình thức nào Các tài liệu tham khảo được sử dụng trong luận văn có nguồn gốc rõ ràng và trích dẫn chính xác, đầy đủ Nếu sai tôi xin hoàn toàn chịu trách nhiệm

Bình Định, ngày tháng năm 2021

Người cam đoan

Lê Tôn Hoàng Long

Trong quá trình nghiên cứu luận văn, mặc dù vẫn còn gặp rất nhiều khó khăn, nhưng tôi vẫn luôn nhận được sự quan tâm, giúp đỡ của quý thầy cô, bạn bè và người thân Đây là nguồn động lực lớn giúp tôi hoàn thành đề tài luận văn này

Tôi xin gửi lời cảm ơn chân thành và lòng biết ơn sâu sắc nhất đến quý Thầy (Cô), những người đã nuôi dưỡng và chắp cánh ước mơ cho bản thân tôi đến với con đường nghiên cứu khoa học đầy đam mê, đặc biệt là TS Lê Thị Kim Nga - Trường Đại học Quy Nhơn Với tâm huyết của mình, thầy đã chỉ

bảo tận tình chu đáo để bản thân hoàn thành tốt công việc của mình

Và cũng xin cảm ơn các cán bộ, nhân viên phòng Đào tạo Sau đại học, trường Đại học Quy Nhơn đã tạo điều kiện tốt nhất cho tôi trong suốt quá trình học tập tại trường

Cuối cùng, cho tôi được gửi lời biết ơn đến gia đình, bạn bè cùng tất cả những người thân, luôn bên cạnh động viên bản thân tôi trong suốt thời gian học tập và nghiên cứu

Kính chúc quý Thầy (Cô) và các anh chị em trong lớp cao học ngành Khoa học Máy tính khóa 22 sức khỏe, hạnh phúc và thành đạt

Xin chân thành cảm ơn!

Lê Tôn Hoàng Long

LỜI CAM ĐOAN

LỜI CẢM ƠN

DANH MỤC CÁC CHỮ VIẾT TẮT

DANH MỤC CÁC BẢNG, HÌNH ẢNH

MỞ ĐẦU 1

1 Lý do chọn đề tài 1

2 Mục đích nghiên cứu 3

3 Đối tượng và phạm vi nghiên cứu 3

4 Phương pháp nghiên cứu 4

5 Ý nghĩa khoa học và thực tiễn của đề tài 4

Chương 1 TỔNG QUAN VỀ PHÁT HIỆN BẤT THƯỜNG TRÊN ẢNH Y KHOA 6

1.1 Giới thiệu về ảnh y khoa 6

1.1.1 Cấu trúc ảnh y khoa 6

1.1.2 Dữ liệu ảnh DICOM 15

1.2 Bài toán phát hiện bất thường trên ảnh y khoa 23

1.2.1 Phát biểu bài toán 23

1.2.2 Ý nghĩa thực tiễn 23

1.2.3 Một số nghiên cứu liên quan 24

1.3 Một số kỹ thuật xử lý ảnh phát hiện bất thường trên ảnh y khoa 26

1.3.1 Tiếp cận dựa trên phân đoạn (Image Segmentation) 27

1.3.2 Tiếp cận dựa trên phân tích đặc trưng (Feature Extraction) 31

1.4 Ứng dụng phát hiện bất thường phổi trong chẩn đoán bệnh 33

1.5 Kết luận chương 1 34

CHƯƠNG 2 PHÁT HIỆN BẤT THƯỜNG TRÊN ẢNH X-QUANG PHỔI DỰA VÀO TIẾP CẬN HỌC SÂU 35

2.1.2 Học sâu trong phát hiện bất thường phổi 36

2.2 Cơ sở lý thuyết và một số mô hình học sâu 38

2.2.1 Cơ sở lý thuyết học sâu 38

2.2.2 Một số mô hình học sâu trong phân tích ảnh X-Quang phổi 41

2.3 Phát hiện bất thường phổi trên ảnh X-quang ứng dụng học sâu 60

2.4 Một số độ đo đánh giá kết quả phát hiện vùng bất thường 62

2.5 Kết luận chương 2 65

CHƯƠNG 3 THỬ NGHIỆM 66

3.1 Giới thiệu bài toán 66

3.2 Dữ liệu 68

3.3 Cài đặt thực nghiệm và kết quả đánh giá 69

KẾT LUẬN 75

DANH MỤC TÀI LIỆU THAM KHẢO 77 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN THẠC SĨ (BẢN SAO)

Chữ tắt Dạng đầy đủ Mô tả

Communication System

Hệ thống lưu trữ hình ảnh và giao tiếp

Communications in Medicine

Tiêu chuẩn ảnh số và truyền thông trong y tế

Bảng 2.1: Một số nghiên cứu sử dụng học sâu cho bài toán bất thường

phổi 38

Hình 1.1: Ví dụ ảnh y khoa 7

Hình 1.2: Minh họa kết quả sử dụng AI đối với ảnh y khoa 12

Hình 1.3: Ví dụ ảnh DICOM phổi cùng dữ liệu của bệnh nhân 16

Hình 1.4: Minh họa đối tượng thông tin và dịch vụ của DICOM 21

Hình 1.5: Sơ đồ cơ bản của bài toán phát hiện bất thường trên ảnh y khoa 23

Hình 1.6: Dải màu của ảnh xám 27

Hình 1.7: Phân đoạn đối với ảnh chụp phổi 27

Hình 1.8: Phân đoạn ảnh phổi bằng các giá trị ngưỡng khác nhau 29

Hình 1.9: Phân đoạn phổi dựa trên biên 30

Hình 2.1: Mối quan hệ của học sâu với các lĩnh vực liên quan 36

Hình 2.2: Mô hình mô tả một mạng nơ-ron sâu nhiều tầng 39

Hình 2.3: Mảng ma trận RGB của ảnh 42

Hình 2.4: Mô hình mạng CNN 42

Hình 2.5: Ma trận ảnh nhân ma trận bộ lọc 43

Hình 2.6: Ma trận đầu ra 43

Hình 2.7: Một số bộ lọc phổ biến 44

Hình 2.8: Hoạt động của lớp ReLU 45

Hình 2.9: Mô hình làm việc của Max Pooling 45

Hình 2.10: Kiến trúc mạng CNN hoàn chỉnh 46

Hình 2.11: Ý tưởng các bước của YOLO 47

Hình 2.12: Sơ đồ kiến trúc mạng YOLO 47

Hình 2.13: Kiến trúc của một output của mô hình YOLO 49

Hình 2.14: Các bản đồ đặc trưng của mạng YOLO 50

Hình 2.17: Ví dụ Non-max suppression 55

Hình 2.18: Kiến trúc mạng YOLOv3 57

Hình 2.19: So sánh hiệu suất của YOLOv4 với các mô hình học sâu state-of-art thời điểm đó (trong đó có YOLOv3) 58

Hình 2.20: Các phiên bản YOLOV5 59

Hình 2.21: Kết quả thử nghiệm và so sánh các phiê bản YOLOv5 59

Hình 2.22: Mô hình các bước của bài toán 60

Hình 2.23: Hình ảnh X-quang ngực được xử lý trong CNN 61

Hình 2.24: Kiến trúc mạng YOLO phát hiện bất thường phổi trên ảnh X-quang 61

Hình 2.25: Độ đo IoU 63

Hình 3.1: Sơ đồ mô hình các bước của bài toán 67

Hình 3.2: Danh sách các bệnh về phổi trong dataset 68

Hình 3.3: Quy trình của hệ thống xây dựng tập dữ liệu 69

Hình 3.4: Kết quả tiền xử lý dữ liệu 70

Hình 3.5: Chỉnh sửa cấu hình mạng (số class) 71

Hình 3.6: File mô tả dữ liệu train 71

Hình 3.7: Kết quả train mô hình YOLOv5 72

Hình 3.8: Lưu file weights của mô hình (lưu sau mỗi epoch) 73

Hình 3.9: Kết quả xác định và dự đoán bệnh trên ảnh X-quang của YOLOv5 73

Hình 3.10: So sánh kết quả YOLOv5 và nhãn thực tế 74

MỞ ĐẦU

1 Lý do chọn đề tài

Những năm gần đây, khoa học công nghệ trong ngành y tế được quan tâm nghiên cứu và ứng dụng rất nhiều do sự phát triển của khoa học cũng như nhu cầu bệnh tật ngày càng lớn và đa dạng Việc chẩn đoán và phát hiện bệnh sớm

là cực kỳ quan trọng, giúp quá trình khám chữa bệnh hiệu quả hơn, hạn chế các bước điều trị không cần thiết, có khả năng lành bệnh cao hơn, qua đó tiết kiệm cho bệnh nhân Một trong những kênh thông tin quan trọng hỗ trợ chẩn đoán và điều trị bệnh chính là dựa vào hình ảnh y khoa như X-Quang, CT, MRI, chụp xạ hình…

Để tiến đến việc hỗ trợ chẩn đoán và điều trị bệnh dựa trên hình ảnh y khoa thì có thể phải cần đến rất nhiều thuật toán khác nhau, chẳng hạn như phân vùng ảnh, phát hiện, nhận dạng tự động các vùng của cơ thể phù hợp và chính xác nhằm có thể phát hiện những bất thường trên các bộ phận của cơ thể Phát hiện và nhận dạng chính xác vùng ảnh của từng vùng bệnh có thể giúp tính toán và đánh giá chính xác bệnh lý cũng như khả năng hoạt động của bộ phận đó trong những trường hợp bị tổn thương

Trong những năm gần đây, khoa học về chẩn đoán hình ảnh trong y tế

đã chứng tỏ được sự cần thiết trong chẩn đoán và điều trị bệnh Chẩn đoán hình ảnh đã góp phần quan trọng nâng cao tính chính xác, kịp thời và hiệu quả cao trong chẩn đoán và điều trị bệnh Dựa trên hình ảnh siêu âm hay chụp X-Quang, bác sĩ có thể đo được tương đối chính xác kích thước các tạng đặc (Phổi, Tim, Gan, Lách, Thận, Tuỵ, ) và phát hiện các khối u bất thường nếu

có Từ hình ảnh X-Quang lồng ngực, bác sĩ có thể xác định cấu trúc, kích thước toàn bộ phổi, chi tiết từng lá phổi và các mạch máu lớn Trong sản khoa, siêu âm giúp xác định và theo dõi sự phát triển của thai nhi trong bụng mẹ; Từ hình ảnh y tế DICOM có thể giúp bác sĩ xác định được các vùng bất

thường hay các khối u nếu có về hình thái, kích thước, khối lượng,… ở một số tạng đặc trong cơ thể như Gan, Dạ dày, Phổi, Não, … Tuy nhiên việc hỗ trợ bác sĩ tính toán và xác định các vùng bất thường một cách tự động trên ảnh

CT, MRI vẫn còn nhiều khó khăn do độ tương phản thấp và giá trị cường độ ảnh của các vùng tạng khác nhau là khá tương đồng Vì vậy, nghiên cứu các phương pháp hay các thuật toán phát hiện hay xác định các bất thường nào đó trong cơ thể một cách tự động thông qua hình ảnh y tế nhằm giúp bác sĩ chấn đoán bệnh nhanh chóng, kịp thời và chính xác là vẫn đề hết cần thiết

Bất chấp những tiến bộ trong y học, cũng như sự tiến bộ trong các phương pháp điều trị, các bệnh gây ra do các bất thường phổi được xem là có khả năng gây tử vong cao nhất trên toàn thế giới Ảnh hưởng của các bệnh về phổi đối với sức khỏe ngày càng tăng rõ rệt và nhanh chóng bởi sự thay đổi của môi trường, khí hậu, lối sống và các yếu tốt khác Theo thống kê từ WHO, tính đến 09/2019, đã có 65 triệu người đang sống với COPD và 3 triệu người chết vì COPD hằng năm; ung thư phổi là ung thư có tỷ lệ tử vong cao nhất với 1.76 triệu người chết mỗi năm và 91 phần trăm dân số thế giới đang sống trong môi trường không khí ô nhiễm quá mức tiêu chuẩn của WHO [1] Nguy cơ mắc các bệnh về phổi là rất lớn, đặc biệt là ở các quốc gia đang phát triển và có mức thu nhập trung bình thấp như Việt Nam, nơi hàng triệu người

vẫn đang đối mặt với khó khăn tài chính và ô nhiễm không khí

Từ đó có thể thấy, phát hiện sớm các bất thường trong phổi từ đó hỗ trợ chẩn đoán và điều trị sớm các bệnh về phổi là vô cùng cấp thiết và quan trọng hơn bao giờ hết Tại các phòng khám và trung tâm y tế, các bất thường trên phổi thường được xác định bằng nhiều phương thức hình ảnh như X-Quang, CT, MRI,… Do khả năng tiếp cận dễ dàng và chi phí thấp, chụp X-Quang phổi được sử dụng rộng rãi để chẩn đoán và theo dõi sức khỏe Tuy nhiên việc đọc và chẩn đoán từ hình ảnh y tế đòi hỏi chuyên viên y tế, bác sĩ

có chuyên môn cao và kinh nghiệm, có thể dẫn đến khác biệt chủ quan, trì hoãn chẩn đoán và điều trị Các thuật toán xử lý ảnh y tế chuẩn DICOM, các

mô hình học máy và học sâu để xác định và phân loại bất thường trên tạng như phổi là cực kỳ cần thiết và đang rất được các nhà nghiên cứu trong nước

và quốc tế quan tâm

Từ những phân tích nêu trên, tôi chọn đề tài “TIẾP CẬN HỌC SÂU CHO PHÁT HIỆN BẤT THƯỜNG TRONG PHỔI DỰA VÀO DỮ LIỆU HÌNH ẢNH X-QUANG LỒNG NGỰC”

2 Mục đích nghiên cứu

Mục tiêu của đề tài là nghiên cứu, ứng dụng và phát triển một số thuật toán trong xử lý ảnh X-Quang lồng ngực chuẩn y tế DICOM, nhằm vào các đối tượng phổi, từ đó tiếp cận một số mô hình học sâu để phát hiện vùng bất thường

Bắt đầu từ việc tìm hiểu cấu trúc hình ảnh y khoa chụp X-Quang lồng ngực được sử dụng trong bệnh viện, xây dựng CSDL ảnh X-Quang lồng ngực chuẩn DICOM, từ đó tiến đến nghiên cứu những kỹ thuật xử lý ảnh và thị giác máy tập trung vào đối tượng phổi trên ảnh y khoa để làm cơ sở cho việc nghiên cứu một số mô hình học máy hỗ trợ phát hiện các vùng bất thường trên đó

3 Đối tượng và phạm vi nghiên cứu

3.1 Đối tượng nghiên cứu:

- Dữ liệu ảnh y khoa X-Quang chuẩn DICOM chụp lồng ngực

- Các dấu hiệu bất thường của phổi trên ảnh y khoa X-Quang lồng ngực

3.2 Phạm vi nghiên cứu:

Phạm vi nghiên cứu của đề tài này là các thuật toán xử lý ảnh y khoa chuẩn DICOM và ứng dụng mô hình học máy vào phát hiện vùng bất thường

phổi trên ảnh X-Quang lồng ngực

4 Phương pháp nghiên cứu

Quá trình nghiên cứu được tiến hành trên cơ sở kết hợp lý thuyết với thực nghiệm Các vấn đề nghiên cứu cần giải quyết từng bước từ các giải thuật trên

lý thuyết đến thực hiện xây dựng chương trình với đầu vào là các dữ liệu hình ảnh y khoa thu nhận được từ thực tế bệnh viện và từ nguồn internet Như vậy, các bước được tiến hành dựa trên việc tìm hiểu và nghiên cứu tài liệu, cài đặt thử nghiệm sau đó đánh giá kết quả thực nghiệm và trên cơ sở đó tổng kết những ý tưởng cải tiến nhằm nâng cao chất lượng Các nội dung cần nghiên cứu chính:

 Cấu trúc ảnh X-Quang lồng ngực chuẩn DICOM

 Xây dựng CSDL ảnh y khoa chuẩn DICOM về bệnh phổi

 Thuật toán xử lý trên dữ liệu ảnh X-Quang lồng ngực

 Mô hình học máy, học sâu phát hiện vùng bất thường phổi trên ảnh

 Hệ chuyên gia hỗ trợ chẩn đoán từ những phát hiện bất thường

5 Ý nghĩa khoa học và thực tiễn của đề tài

Nghiên cứu hướng tiếp cận với bài toán xử lý ảnh y tế X-Quang phổi chuẩn DICOM và xây dựng mô hình học sâu phát hiện vùng bất thường trên phổi hỗ trợ chẩn đoán, thực sự đang là bài toán khoa học rất được quan tâm hiện nay trên thế giới

Hướng nghiên cứu cung cấp một hướng tiếp cận vấn đề mang tính thực tiễn cao hiện nay là hỗ trợ chẩn đoán và điều trị sớm các bệnh về phổi, đặc biệt cấp thiết với tình hình căng thẳng của dịch bệnh phổi COVID-19 hiện nay Bài toán xử lý ảnh y tế luôn được các nhà nghiên cứu quan tâm, đầu tư

để tối ưu tốc độ và độ chính xác vì dữ liệu ảnh y tế hiện nay là cực lớn, phức tạp và đầy tiềm năng Xây dựng các mô hình học máy, học sâu hỗ trợ chẩn đoán, điều trị sớm trong y tế luôn là bài toán cấp thiết, đặc biệt là các bệnh về

phổi luôn đứng đầu trong danh sách các bệnh gây tử vong cao trên thế giới

Giải pháp ứng dụng học sâu trong phát hiện bất thường phổi dựa trên ảnh X-Quang lồng ngực có ý nghĩa khoa học lẫn thực tiễn cao Nhằm ứng dụng thực tiễn một hướng tối ưu hơn về hỗ trợ chẩn đoán các bệnh về phổi dựa trên sự phát hiện sớm các bất thường trong phổi bằng các thuật toán xử lý ảnh y tế và các mô hình học sâu

NỘI DUNG CHÍNH

Nội dung của đề tài được chia thành 3 chương

Chương 1: Tổng quan về phát hiện bất thường trên ảnh y khoa

Trong chương này, chúng tôi trình bày lý thuyết về dữ liệu ảnh y khoa chuẩn DICOM, bài toán phát hiện bất thường và một số hướng tiếp cận giải quyết bài toán dựa theo kỹ thuật xử lý ảnh Chương này cũng đề cập tới một

số ứng dụng của bài toán phát hiện bất thường trong chẩn đoán bệnh

Chương 2: Phát hiện bất thường trên ảnh X-Quang phổi dựa vào tiếp cận học

sâu

Chương 2 trình bày các cấu trúc bất thường của phổi trên ảnh X-Quang lồng ngực cũng như lý thuyết của thuật toán huấn luyện và xây dựng mô hình học sâu để giải quyết bài toán

Chương 3: Chương trình thử nghiệm

Chương thực nghiệm giới thiệu tập CSDL nghiên cứu đầu vào, cài đặt

và chạy mô hình học sâu với mục đích phát hiện bất thường của phổi trên ảnh X-Quang, từ đó phân tích đánh giá dựa trên kết quả thực nghiệm

Chương 1 TỔNG QUAN VỀ PHÁT HIỆN BẤT

Ảnh y khoa (hình 1.1) là tên gọi chung của nhóm ảnh được sử dụng trong y học như ảnh siêu âm, ảnh cộng hưởng từ (MRI), hay ảnh X-quang,

Do được xây dựng từ các loại tín hiệu và thiết bị khác nhau nên chất lượng ảnh cũng như sự tác động trong quá trình chụp ảnh sẽ ảnh hưởng khác nhau tới sức khỏe người bệnh Ngoài ra, khác với các loại ảnh thông thường, để thể hiện đầy đủ các thông tin cần thiết, ảnh y khoa đôi khi cần nhiều lớp ảnh (như ảnh CT 3 hay 4 chiều, siêu âm 3 hay 4 chiều, MRI 3 chiều) Các loại ảnh này không chỉ hỗ trợ bác sĩ trong quá trình chẩn đoán, mà còn lưu trữ làm tư liệu cho học tập và nghiên cứu

Hình 1.1: Ví dụ ảnh y khoa

Hình ảnh trong y khoa là quá trình tạo ra hình ảnh có thể thấy được về cấu trúc bên trong của cơ thể về nghiên cứu khoa học và y khoa và điều trị cũng như là một cái nhìn hữu hình về các chức năng của các mô, bộ phận bên trong Quá trình này tạo ra một ngân hàng dữ liệu về các chức năng và cấu trúc bình thường của các cơ quan nội tạng và từ đó có thể dễ dàng nhận ra sự bất thường Quá trình này bao gồm cả hình ảnh hữu cơ tự nhiên và bức xạ sử dụng năng lượng điện từ (tia X và gamma), siêu âm, từ tính, các phạm vi và hình ảnh nhiệt Có nhiều công nghệ khác được dung để ghi lại thông tin về vị trí và chức năng của cơ thể Các kỹ thuật như vậy thường tồn tại nhiều hạn chế nếu so sánh với các biến đổi tạo ra hình ảnh Hằng năm có hàng tỉ hình ảnh y khoa được sử dụng trên toàn thế giới cho nhiều mục đích chẩn đoán khác nhau, và chỉ một nửa trong số chúng sử dụng các điều biến ion hóa và bức xạ Hình ảnh y khoa tạo ra hình ảnh của cấu trúc bên trong cơ thể mà không cần các thủ tục mổ xẻ hay xâm lấn cơ thể Các hình ảnh này được tạo

ra bằng việc sử dụng các bộ xử lý nhanh và dựa vào chuyển đổi năng lượng một cách số học và logic thành các tín hiệu Các tín hiệu này sau đó được chuyển đổi thành các ảnh số Các tín hiệu đại diện cho các mô, bộ phận khác

nhau trong cơ thể

Trước đây, để dự đoán các chấn thương hay để có được thông tin bên trong cơ thể của người bệnh, bác sĩ chỉ có thể dựa vào các thông số xét nghiệm hay các triệu chứng ở người bệnh hoặc phát hiện ra trong quá trình phẫu thuật Kỹ thuật dựng ảnh y khoa phát triển đã cho bác sĩ một công cụ hữu dụng để “nhìn thấy” được những thông tin bên trong cơ thểcủa người bệnh, các vết nứt xương có thể được nhìn thấy thông qua một bức ảnh chụp X-quang hay các khối u, các vết thương, tế bào ung thư trên nội tạng của người bệnh có thể được nhìn thấy thông qua ảnh chụp CT Trước khi phẫu thuật, ảnh chụp CT còn hỗ trợ như một bản đồ giúp bác sĩ có thể nhìn thấy vị trí các khối máu vón cục trong mạch máu, những vùng tổn thương trong não Với lợi thế to lớn này, việc thu ảnh để chẩn đoán bệnh đã trở thành một bước gần như không thể thiếu ở hầu hết các bệnh viện Tuy nhiên, điều này cũng tạo nên một lượng dữ liệu y học to lớn mà con người khó có thể tự mình thống kê và sử dụng trong thời gian ngắn

Các thực thể tạo ảnh y tế (medical imaging modality) khác nhau cung

cấp các thông tin đặc tính riêng biệt về các cơ quan bên trong hay của các tổ chức mô của cơ thể Độ tương phản và độ nhìn thấy của ảnh y tế phụ thuộc vào thực thể tạo ảnh, hàm đáp ứng cũng như phụ thuộc vào các vùng bệnh lý của bệnh nhân Ví dụ cụ thể như khi thăm khám vết rạn cơ thể ở khung xương sườn bằng chụp X-quang ngực thì cần nhìn rõ cấu trúc xương cứng, muốn kiểm tra khả năng có bị ung thư vú hay không thông qua phim chụp X-quang

vú thì lại cần thấy rõ sự vi vôi hóa, các khối bất thường, các cấu trúc mô mềm,… Do vậy, mục tiêu của tạo ảnh và xử lý ảnh y tế là thu nhận và xử lý các thông tin hữu ích về các cơ quan sinh lý hay các cơ quan của cơ thể bằng cách sử dụng các nguồn thông tin lấy được trong ảnh y khoa để phục vụ cho việc chẩn đoán bệnh

1.1.1.1 Ưu và nhược điểm của xử lý ảnh số trong ứng dụng y tế:

Các ảnh kỹ thuật số trong y khoa đóng một vai trò quan trọng và vô cùng cần thiết hằng ngày trong các ứng dụng y tế Xử lý ảnh y khoa đề cập đến việc xử lý các hình ảnh trong y tế bằng cách sử dụng máy tính Công việc

xử lý này bao gồm nhiều loại kỹ thuật và tiến trình, hoạt động có thể kể đến như thu thập hình ảnh, lưu trữ, biểu diễn và trao đổi Một ảnh là một hàm biểu thị một thước đo các đặc điểm như độ sáng, màu sắc của cảnh được ghi lại

Dữ liệu ảnh y khoa có các ưu điểm có thể kể đến như:

- Chi phí lưu trữ rẻ, khả năng lưu trữ và truyền tải dễ dàng

- Dữ liệu ảnh số sẽ không thay đổi dù cho có được sao chép lại bao

nhiều lần và giữ nguyên tính chất và ý nghĩa của dữ liệu

- Cung cấp một công cụ mạnh mẽ cho các bác sĩ, nhân viên y tế

- Có thể hiển thị hình ảnh ngay lập tức sau khi nhận được dữ liệu

- Hình ảnh có khả năng được nâng cao chất lượng giúp bác sĩ dễ dàng

hơn trong tiếp cận và đưa ra chẩn đoán

- Cung cấp một tập các ảnh phục vụ cho thực hành và giáo dục y khoa,

biểu diễn các ví dụ về bệnh hay mô tả đặc điểm của một bộ phận nào đó

- Giao tiếp, truyền tải dữ liệu hình ảnh nhanh chóng và đồng nhất

- Giúp việc so sánh giữa các hình ảnh trở nên nhanh và dễ dàng hơn

Ngoài ra, một vài nhược điểm có thể nói đến khi đề cập đến ảnh số trong y khoa là đòi hỏi một bộ nhớ lưu trữ dung lượng lớn, một bộ xử lý đủ nhanh để truyền tải và xử lý dữ liệu hay tính bản quyền

Các phương pháp chẩn đoán hình ảnh rất phong phú, như chẩn đoán qua hình ảnh X-quang, hình ảnh siêu âm, siêu âm – Doppler màu, hình ảnh nội soi, hình ảnh chụp cắt lớp vi tính (Computed Tomography Scanner – CT Scanner), hình ảnh chụp cộng hưởng từ (Magnetic Resonance Imaging-MRL), …

Chẩn đoán hình ảnh đã góp phần rất quan trọng trong việc nâng cao tính chính xác, kịp thời và hiệu quả trong chẩn đoán bệnh Như dựa trên hình ảnh chụp CT, các bác sĩ có thể đo được tương đối chính xác kích thước các cơ quan nội tạng đặc trong ổ bụng (gan, lách, thận, tụy, …) và phát hiện các khối

u bất thường

1.1.1.2 Một số kỹ thuật xử lý ảnh y khoa

Kỹ thuật xử lý ảnh y khoa là sử dụng máy tính để thao tác và xử lý đối với đối tượng là ảnh số trong y khoa Các kỹ thuật này có nhiều lợi ích như tính đàn hồi, khả năng thích ứng, lưu trữ dữ liệu, và truyền tải dữ liệu một cách hiệu quả Với sự phát triển của các kỹ thuật thay đổi kích thước ảnh mà vẫn giữ được chất lượng đủ tốt, các ảnh y khoa sẽ được lưu trữ tối ưu hơn Ảnh 2D và 3D có thể được xử lý trong các không gian nhiều chiều Các kỹ thuật xử lý ảnh bắt đầu được hình thành và phát triển vào những năm 1960 với mục tiêu ứng dụng nhằm vào các ngành như không gian và mục đích y tế Trong những năm 1970, với sự phát triển của hệ thống vi tính, chi phí cho xử

lý ảnh số đã trở nên rẻ hơn và tốc độ xử lý cũng nhanh hơn Trong những năm

2000 trở lại đây, các hệ thống và tác vụ xử lý ảnh đã và đang ngày càng nhanh, rẻ và tối ưu với độ chính xác ngày càng được cải thiện cao hơn Một

số kỹ thuật xử lý ảnh y khoa có thể kể đến như:

- Xử lý ảnh dựa trên mạng nơ-ron nhân tạo

- Phương pháp thống kê để phân tích kết cấu

- Phân đoạn màu sắc và hình ảnh B/W

- Xử lý ảnh dựa trên hệ thống chuyên gia

- Ứng dụng các kỹ thuật lập trình hướng đối tượng trong các môi

trường xử lý ảnh

- Tạo dựng hình trong thị giác máy

- Các kỹ thuật phân loại đa hình

- Các kỹ thuật lấy nét tự động cho các ảnh MRI

- Kỹ thuật tạo ngưỡng để tìm đường biên của vật thể

- Kỹ thuật phân đoạn tuần tự để tìm ra các mạnh mỏng (mạch máu, sợi

thần kinh, sợi cơ,…) trong ảnh y khoa và vết nứt đường tóc trong NDT

- Phương pháp phân dạng để phân loại kết cấu

- Kỹ thuật nén dữ liệu bằng cách sử dụng các phân mảnh và phép biến

đổi đường cosin Descrete

- Các phương pháp khôi phục hình ảnh bằng cách sử dụng các hàm

giãn điểm và bộ lọc Wiener

Các thiết bị và máy y tế về chẩn đoán hình ảnh ngày càng được sử dụng nhiều trong công nghệ thông tin, phần mềm cho các máy y tế ngày càng được nâng cấp, nhất là khi kỹ thuật số ra đời và phát triển Các thiết bị và máy y tế

đã ghi nhận và phân tích tín hiệu rất tốt, cho hình ảnh sâu hơn, chất lượng ảnh tốt hơn

Hơn nữa giao diện giữa các thiết bị và máy y tế kỹ thuật cao với hệ thống máy tính dùng trong quản lý tại bệnh viện và giữa các bệnh viện với nhau ngày càng trởi nên đồng nhất, các giao thức truyền ảnh trên mạng đều đồng nhất một chuẩn chung (hình ảnh có kích thước giảm nhẹ gánh nặng đường truyền nhưng chất lượng hình ảnh vẫn được đảm bảo đủ để chẩn đoán) tạo nên phòng “hội chẩn ảo” giữa các chuyên gia y tế ở xa nhau

1.1.1.3 Ứng dụng của AI trong xử lý ảnh y khoa

Các hệ thống sử dụng AI đã và đang đi sâu vào phục vụ nhiều lĩnh vực trong cuộc sống như: Điều khiển tự động (máy lạnh, máy giặt biết tự điều chỉnh cường độ, mức độ vận hành, xe hơi tự lái), an ninh (các hệ thống nhận dạng khuôn mặt, vân tay, chữ viết, giọng nói, mống mắt), y tế (hỗ trợ chẩn đoán bệnh, phát hiện khối u, dự đoán bệnh), sinh học (phát hiện gen, tối ưu gen), hóa học (dự đoán liên kết hóa học, cấu trúc hóa học), kinh tế, nông

nghiệp Hiểu một cách đơn giản, AI là trí thông minh do con người tạo ra nhằm giúp máy tính có thể hiểu, thích ứng, suy nghĩ và xử lý các thông tin phục vụ mục đích của con người Trong những năm gần đây, có rất nhiều nghiên cứu về sử dụng AI trong việc hỗ trợ chẩn đoán bệnh như phân vùng nội tạng trong cơ thể, phát hiện khối u, hay xác định ung thư đã được công bố trên nhiều bài báo khoa học Holger và đồng nghiệp [2] đã đề xuất một hệ thống sử dụng phương pháp học sâu để đánh dấu phânđoạn các vùng nội tạng

từ ảnh CT (hình 1.2), hay Krzysztof Pawełczyk và đồng nghiệp [3] đã sử dụng phương pháp học chuyên sâu để phát hiện các tổn thương ở phổi từ ảnh chụp CT, dự đoán ung thư qua các chỉ số hóa sinh [4]

Hình 1.2: Minh họa kết quả sử dụng AI đối với ảnh y khoa

Việc phát triển mạnh mẽ các kỹ thuật dựng ảnh trong y học đã tạo ra một lượng dữ liệu y học to lớn mà con người khó có thể xử lý tốt được Vì thế, việc sử dụng AI để hỗ trợ cho con người tìm ra những thông tin hữu ích một cách nhanh chóng là một bước đi cần thiết và quan trọng để phát triển ngành y cũng như tăng khả năng chữa trị thành công cho các bệnh nhân Cũng

giống như bác sĩ cần nhiều năm học tập và làm việc để có thể tích lũy kinh nghiệm trong việc chẩn đoán và đưa ra phác đồ điều trị tốt cho bệnh nhân, các

hệ thống AI cũng cần được “huấn luyện” để có khả năng sử dụng các thông tin đã học, để từ đó đưa ra kết luận phù hợp Theo Holger[2] hay KrzysztofPawełczyk [3], các nhà nghiên cứu sử dụng các bộ ảnh chụp CT nội tạng đã được các chuyên gia “đánh dấu” để huấn luyện cho hệ thống AI Sau khi được huấn luyện, hệ thống AI có khả năng tự đánh dấu các nội tạng ở các ảnh CT khác với độ chính xác phù hợp (phụ thuộc vào dữ liệu và phương pháp huấn luyện) mà không cần sự can thiệp của con người Không chỉ dừng lại ở việc phân biệt các vùng nội tạng, mà nhiều nhóm nghiên cứu đã phát triển các chương trình AI khác như: Đánh dấu các phần có dấu hiệu ung thư trong ảnh gan, phổi [4, 5]… phân biệt các vùng khác nhau hay phát hiện các vùng bất thường của não trong ảnh MRI thông qua phân đoạn các vùng trong não [6, 7] Đặcbiệt trong trường hợp ảnh nhiều chiều, nhiều lớp, việc xử lý tất

cả các lớp ảnh là một công việc tốn nhiều thời gian và công sức đối với bác sĩ

Vì thế, việc sử dụng AI sẽ hỗ trợ họ rất nhiều, đồng thời góp phần mang lại chất lượng chữa trị tốt hơn cho người bệnh [6]

Hiện nay, AI đã và đang được ứng dụng trong hỗ trợ chữa trị bệnh ở một số bệnh viện trên thế giới Năm 2016 ở Tokyo, hệ thống IBM-Watson (hệ thống phần mềm AI rất tinh vi của Hãng IBM) đã được sử dụng và chẩn đoán đúng căn bệnh ung thư bạch cầu ở một bệnh nhân mà các bác sĩ vốn đã mất cả năm để điều trị mà chưa có kết quả Nhờ khả năng tổng hợp lượng thông tin lớn trong thời gian ngắn một cách khách quan, IBM-Watson đã chẩn đoán chính xác ca bệnh hiếm này, đồng thời hỗ trợ đưa ra phác đồ điều trị phù hợp Hiện nay, IBM-Watson đang được sử dụng ở nhiều bệnh viện trên thế giới để giúp các bác sĩ xác định được các căn bệnh hiếm gặp Ở Ấn Độ, AI được sử dụng ngày càng phổ biến trong lĩnh vực y tế để giúp cải thiện tình trạng thiếu

bác sĩ ở nước này: Ở các bệnh viện thuộc Tập đoàn Manipal, IBM-Watson được sử dụng để hỗ trợ các bác sỹ chẩn đoán và chữa trị bệnh ung thư; ở Bệnh viện mắt Aravind, Google Brain được chuẩn bị sử dụng trong quy trình khám chữa cho bệnh nhân Hãng Microsoft hiện đang cung cấp hệ thống Azure với AI hỗ trợ bệnh viện và bệnh nhân trong dự đoán và truy vấn thông tin dựa trên hồ sơ bệnh án điện tử Ở Mỹ, Bệnh viện Oxford đang phát triển một hệ thống AI để chẩn đoán bệnh tim và ung thư phổi Rất nhiều trung tâm nghiên cứu cũng như bệnh viện khác đang đầu tư nghiên cứu phát triển và sử dụng AI cho việc chẩn đoán và chữa trị bệnh Ở Việt Nam, đầu năm 2018, Bệnh viện đa khoa Phú Thọ đã khai trương phòng ứng dụng AI trong điều trị ung thư sử dụng IBM-Watson

Mặc dù ứng dụng AI trong y tế đang phát triển rất nhanh, song do một

số hạn chế về mặt kỹ thuật cũng như pháp lý nên việc để AI chẩn đoán hoàn toàn là chưa khả thi Tuy nhiên, với các bước tiến bộ không ngừng, AI đã và đang chứng minh cho chúng ta thấy đây là một công cụ mạnh để hỗ trợ cho các bác sĩ trong việc tiền chẩn đoán bệnh trong tương lai gần Nếu như việc

áp dụng các thống kê y tế của bà Florence Nightstingale (người sáng lập ra ngành y tế hiện đại và là nhà thống kê y tế người Ý) là một bước tiến lớn trong ngành y học thì ngày nay, AI đang là một công cụ mạnh để thống kê và

sử dụng lượng thông tin ngày một lớn dần từ các ảnh, hồ sơ bệnh án và thông tin y học trong việc chẩn đoán và chữa trị bệnh Tin rằng, một ngày không xa, khi AI được phát triển và hoàn thiện hơn, việc chẩn đoán và đưa ra phác đồ điều trị hoàn toàn bằng AI sẽ là một thành tựu mới của loài người Không những vậy, khái niệm chẩn đoán bệnh có thể không còn tồn tại trong tương lai

mà được thay thế bằng khái niệm xác định bệnh khi mức độ “thấy” và “hiểu” những thông tin bên trong cơ thể con người được AI xử lý tốt

DICOM – Tiêu chuẩn để xử lý, lưu trữ, in ấn và thu/ nhận hình ảnh trong y tế, là hệ thống tiêu chuẩn công nghiệp được phát triển nhằm mục đích

để cho các thiết bị ảnh của các nhà sản xuất khác nhau có thể trao đổi và chia

sẻ thông tin trong môi trường thông tin ảnh y tế, đặc biệt là môi trường PACS Tiêu chuẩn này bao gồm cả việc định nghĩa cấu trúc tập tin và giao thức truyền thông tin Giao thức truyền thông tin là một giao thức ứng dụng sử dụng nền tảng TCP/IP để giao tiếp lẫn nhau giữa các hệ thống Các tập tin DICOM có thể được trao đổi lẫn nhau giữa các hệ thống khi các hệ thống này

có khả năng thu nhận hình ảnh và dữ liệu bệnh nhân theo định dạng DICOM

Tiêu chuẩn DICOM cho phép việc tích hợp dễ dàng các máy thu nhận

hình ảnh, server, trạm làm việc (workstation), máy in và các thiết bị phần

cứng khác có nối mạng từ các nhà sản xuất khác nhau vào trong hệ thống PACS Các thiết bị khác nhau được đi kèm một bảng đáp ứng các tiêu chuẩn DICOM để làm rõ các lớp dịch vụ mà thiết bị này hỗ trợ DICOM đã dần dần được chấp nhận rộng rãi ở các bệnh viện và phòng khám

Định dạng dữ liệu DICOM khác so với các định dạng khác là các nhóm thông tin được tích hợp vào bên trong tập tin DICOM thành các tập dữ liệu

Do đó, nếu một tập tin X-quang phổi theo định dạng DICOM (hình 1.3) sẽ chứa các thông tin như tên bệnh nhân, mã ID bệnh nhân, vì vậy hình ảnh sẽ không bao giờ bị thất lạc thông tin

Hình 1.3: Ví dụ ảnh DICOM phổi cùng dữ liệu của bệnh nhân

Một đối tượng dữ liệu DICOM sẽ bao gồm các thuộc tính như họ và tên, mã ID, … và cũng bao gồm các thuộc tính đặc biệt chứa dữ liệu pixel của hình ảnh Một đối tượng DICOM đơn lẻ có thể chỉ có một thuộc tính chứ dữ liệu pixel Tuy nhiên, thuộc tính có thể chứa đa “khung hình”, cho phép lưu trữ các vòng lặp hoặc dữ liệu đa khung hình khác Một ví dụ khác là dữ liệu

NM, với một ảnh NM, theo định nghĩa, là một ảnh đa khung hình đa chiều Trong các trường hợp này, dữ liệu ba hoặc bốn chiều có thể được đóng gói trong một đối tượng DICOM đơn Dữ liệu pixel có thể được nén lại bằng cách

sử dụng một tập các chuẩn khác nhau, bao gồm JPEG, JPEG 2000, và mã hóa RLE Trình nén LZW (zip) có thể được sử dụng không chỉ cho dữ liệu pixel,

mà còn cho cả tập dữ liệu, nhưng trường hợp này hiếm khi xảy ra

Tập tin DICOM là đơn vị lưu trữ bộ dữ liệu (DataSet) thể hiện một SOP cụ thể liên quan đến một IOD tương ứng Trong DICOM, bộ dữ liệu được đặt sau thông tin đầu File (File Meta Information)

Thông tin đầu file: bao gồm thông tin định danh bắt đầu bởi 128 bytes

Premable thường được bỏ trống và đưa về địa chỉ 00H, 4 bytes tiếp theo chứa chuỗi ký tự "DICM" thông báo đây là tập tin DICOM Tiếp đến là thành phần

dữ liệu đầu File gồm các thẻ Tag, VR, VL, Values chứa thông tin: tên bệnh nhân, loại thiết bị, ngày giờ chụp Các thành phần này sử dụng mã hóa theo

VR và Little Endian Nếu sử dụng một phần mềm soạn thảo văn bản mở tập tin DICOM sẽ thấy các nội dung trên ở dạng Text

Bộ dữ liệu: mỗi tập tin DICOM chứa một bộ dữ liệu DataSet gồm một SOP cụ thể và duy nhất liên quan đến một SOP đơn và IOD tương ứng Một tập tin DICOM có thể chứa nhiều khung ảnh nếu IOD được xác định mang nhiều khung, thành phần này sử dụng mã hóa dữ liệu UID (Unique Identifier)

Hiểu một cách đơn giản, tập tin DICOM ngoài phần ảnh giống như các tập tin ảnh thông thường: JPG, BMP, GIF thì còn chứa thêm các thông tin: bệnh nhân, thiết bị chụp, ngày giờ chụp Trong thực tế, tập tin DICOM

có phần tên mở rộng là “DCM”, được tạo ra từ thiết bị chụp thường là một tập hợp các tập ảnh DICOM, có dung lượng từ vài chục đến vài trăm Megabytes

Từ các file ảnh chụp cắt lớp 2D có thể tổng hợp, nội suy tái tạo ra ảnh 3D

1.1.2.1 Các thành phần của tiêu chuẩn DICOM

- Nghi thức thực hiện (Conformance)

- Định nghĩa đối tượng thông tin (Information Object Definitions)

- Định nghĩa lớp dịch vụ (Service Class Definitions)

- Cấu trúc dữ liệu và mã hóa (Data Structure and Encoding)

- Từ điển dữ liệu (Data Dictionary)

- Giao thức trao đổi bản tin (Message Exchange Protocol)

- Hỗ trợ truyền thông mạng trao đổi bản tin (Network Communication

Support for Message Exchange)

- Hỗ trợ trao đổi kiểu điểm – điểm (Point to point Support)

- Profiles ứng dụng lưu trữ Media (Media Storage Application

Profiles)

- Media vật lý và khuôn dạng dùng cho trao đổi dữ liệu (Media

Formats and Physical Media for Data Interchange)

- Chức năng hiển thị chuẩn mức xám (Grayscale Standard Display

Function)

- Profiles quản lý hệ thống và an ninh bảo mật (Security and System

Management Profiles)

- Nguồn ánh xạ nội dung (Content Mapping Resource)

1.1.2.2 Lớp đối tượng và lớp dịch vụ DICOM

DICOM có hai lớp đối tượng thông tin là “Lớp đối tượng” và “Lớp dịch vụ” Trong đó, lớp đối tượng IOD bao gồm từ điển dữ liệu và đối tượng thế giới thực; trong khi đó, lớp dịch vụ bao gồm các định nghĩa dịch vụ: lưu trữ, truyền hình ảnh, hiển thị, truy vấn,… được xây dựng dựa trên tập các phần tử dịch vụ truyền thông DIMSE mà thực chất là các chương trình phần mềm có nhiệm vụ thực thi các chức năng xác định theo yêu cầu Cặp đối tượng – dịch vụ SOP của DICOM được minh họa trong hình 1.3

DICOM bao gồm nhiều dịch vụ, phần lớn phục vụ mục đích truyền nhận dữ liệu trong một mạng Các dịch vụ của DICOM có thể kể đến là:

- Lưu trữ:

Dịch vụ lưu trữ DICOM được sử dụng để gửi hình ảnh hoặc các đối tượng liên tục khác (báo cáo có cấu trúc, v.v.) đến hệ thống lưu trữ và liên lạc hình ảnh (PACS) hoặc máy trạm

- Cam kết bộ nhớ:

Dịch vụ cam kết lưu trữ DICOM được sử dụng để xác nhận rằng một hình ảnh đã được thiết bị lưu trữ vĩnh viễn (trên các đĩa dự phòng hoặc trên phương tiện dự phòng, ví dụ như ghi vào đĩa CD) Người dùng Lớp Dịch

vụ (SCU: tương tự như một máy khách ), một phương thức hoặc máy trạm,

v.v., sử dụng xác nhận từ Nhà cung cấp Lớp Dịch vụ (SCP: tương tự như một máy chủ ), một trạm lưu trữ chẳng hạn, để đảm bảo rằng nó là an toàn để xóa các hình ảnh cục bộ

- Truy vấn/ truy xuất:

Điều này cho phép một máy trạm tìm danh sách hình ảnh hoặc các đối tượng khác và sau đó truy xuất chúng từ hệ thống lưu trữ và liên lạc hình ảnh

- Danh sách công việc hiện đại:

Dịch vụ danh sách công việc theo phương thức DICOM cung cấp danh sách các quy trình hình ảnh đã được lên lịch để thực hiện bởi thiết bị thu nhận hình ảnh (đôi khi được gọi là hệ thống phương thức) Các mục trong danh sách công việc bao gồm các chi tiết liên quan về chủ đề của thủ thuật (ID bệnh nhân, tên, giới tính và tuổi), loại thủ tục (loại thiết bị, mô tả thủ tục,

mã thủ tục) và trình tự thủ thuật (bác sĩ giới thiệu, số tham gia, lý do thi) Thiết bị thu nhận hình ảnh, chẳng hạn như máy quét CT, truy vấn nhà cung cấp dịch vụ, chẳng hạn như RIS, để lấy thông tin này sau đó được trình bày cho nhà điều hành hệ thống và được thiết bị hình ảnh sử dụng để điền chi tiết vào siêu dữ liệu hình ảnh

Trước khi sử dụng dịch vụ danh sách công việc theo phương thức DICOM, người vận hành máy quét được yêu cầu nhập thủ công tất cả các chi tiết liên quan Nhập thủ công chậm hơn và dẫn đến nguy cơ tên bệnh nhân viết sai chính tả và các lỗi nhập dữ liệu khác

- Phương thức thực hiện bước thủ tục:

Một dịch vụ bổ sung cho danh sách công việc của phương thức, điều này cho phép phương thức gửi báo cáo về một cuộc kiểm tra đã thực hiện bao gồm dữ liệu về hình ảnh thu được, thời gian bắt đầu, thời gian kết thúc và thời gian của một nghiên cứu, liều lượng phân phối, Nó giúp khoa X-quang xử

lý chính xác hơn về việc sử dụng tài nguyên (trạm thu nhận) Còn được gọi là

MPPS, dịch vụ này cho phép một phương thức phối hợp tốt hơn với các máy chủ lưu trữ hình ảnh bằng cách cung cấp cho máy chủ danh sách các đối tượng cần gửi trước hoặc trong khi thực sự gửi các đối tượng đó

- In:

Dịch vụ in DICOM được sử dụng để gửi hình ảnh đến máy in DICOM, thông thường để in phim X-quang Có một hiệu chuẩn tiêu chuẩn để giúp đảm bảo tính nhất quán giữa các thiết bị hiển thị khác nhau, bao gồm cả bản in ra bản cứng

- Phương tiện ngoại tuyến (tệp):

Định dạng cho các tệp phương tiện ngoại tuyến được chỉ định trong Phần 10 của Tiêu chuẩn DICOM Các tệp như vậy đôi khi được gọi là "tệp Phần 10"

DICOM giới hạn tên tệp trên phương tiện DICOM thành 8 ký tự (một số hệ thống sử dụng sai 8.3, nhưng điều này không phù hợp với tiêu chuẩn) Đây là nguyên nhân phổ biến của các vấn đề với phương tiện được tạo ra bởi các nhà phát triển đã không đọc kỹ các thông số kỹ thuật Vấn đề này là một yêu cầu lịch sử để duy trì khả năng tương thích với các hệ thống cũ hơn hiện có Nó cũng yêu cầu sự hiện diện của một thư mục phương tiện, tệp DICOMDIR, cung cấp thông tin chỉ mục và tóm tắt cho tất cả các tệp DICOM trên phương tiện Thông tin DICOMDIR cung cấp thông tin về mỗi tệp lớn hơn đáng kể so với bất kỳ tên tệp nào có thể, vì vậy sẽ ít cần các tên tệp có ý nghĩa hơn

Các tệp DICOM thường có phần mở rộng tệp dcm nếu chúng không phải là một phần của phương tiện DICOM (yêu cầu chúng không có phần mở rộng)

Các kiểu MIME cho tập tin DICOM được định nghĩa bởi RFC 3240 như application / DICOM

Các kiểu nhận dạng loại Uniform cho file DICOM là org.nema.dicom

Ngoài ra còn có một cuộc kiểm tra trao đổi phương tiện liên tục và quá trình "kết nối" cho phương tiện CD và hoạt động mạng do tổ chức IHE tổ chức

Hình 1.4: Minh họa đối tượng thông tin và dịch vụ của DICOM

1.1.2.3 Ứng dụng của ảnh DICOM

Ứng dụng cốt lõi của tiêu chuẩn DICOM là chụp, lưu trữ và phân phối hình ảnh y tế Tiêu chuẩn cũng cung cấp các dịch vụ liên quan đến hình ảnh như quản lý danh sách công việc quy trình hình ảnh, in hình ảnh trên phim hoặc phương tiện kỹ thuật số như DVD, báo cáo trạng thái quy trình như hoàn thành việc thu thập hình ảnh, xác nhận lưu trữ hình ảnh thành công, mã hóa

bộ dữ liệu, xóa thông tin nhận dạng bệnh nhân khỏi bộ dữ liệu , sắp xếp bố cục của hình ảnh để xem lại, lưu các thao tác và chú thích hình ảnh, hiệu chỉnh hiển thị hình ảnh, mã hóa điện tâm đồ, mã hóa kết quả CAD, mã hóa dữ liệu đo lường có cấu trúc và lưu trữ các giao thức thu nhận

Định nghĩa đối tượng thông tin DICOM mã hóa dữ liệu được tạo ra bởi nhiều loại thiết bị hình ảnh, bao gồm, CT (chụp cắt lớp vi tính), MRI (chụp cộng hưởng từ), siêu âm, X-quang, soi huỳnh quang, chụp mạch, chụp nhũ ảnh , tổng hợp vú, PET (chụp cắt lớp phát xạ positron), SPECT (chụp cắt lớp

vi tính phát xạ đơn photon), Nội soi, kính hiển vi, chụp ảnh toàn bộ slide, OCT (chụp cắt lớp kết hợp quang học)

DICOM cũng được thực hiện bởi các thiết bị liên kết với hình ảnh hoặc quy trình hình ảnh bao gồm, PACS (hệ thống lưu trữ và truyền thông hình ảnh), trình xem hình ảnh và trạm hiển thị, CAD (hệ thống phát hiện / chẩn đoán có sự hỗ trợ của máy tính), hệ thống hình ảnh 3D, ứng dụng phân tích lâm sàng, máy in hình ảnh , Máy quét phim, trình ghi phương tiện (xuất tệp DICOM ra đĩa CD, DVD, v.v.), trình nhập phương tiện (nhập tệp DICOM từ

CD, DVD, USB, v.v.), RIS (hệ thống thông tin X-quang), VNA (trung lập với nhà cung cấp hệ thống lưu trữ), EMR (hồ sơ y tế điện tử) và hệ thống báo cáo

X quang

Nhiều lĩnh vực y học có một nhóm làm việc chuyên dụng với DICOM,

và DICOM có thể áp dụng cho bất kỳ lĩnh vực y học nào mà hình ảnh phổ biến, bao gồm: X-quang, tim mạch, ung thư học, y học hạt nhân, xạ trị, thần kinh, chỉnh hình, sản phụ khoa, nhãn khoa, nha khoa, phẫu thuật hàm mặt, da liễu, bệnh học, thử nghiệm lâm sàng, thuốc thú y và chụp ảnh y tế / lâm sàn

Các chuẩn được sử dụng bởi DICOM

Các tiêu chuẩn và giao thức được biết đến nhiều nhất được sử dụng bởi DICOM là:

- DICOM sử dụng mô hình mạng OSI Nó sử dụng 2 giao thức mạng dựa trên Internet và cho phép truyền dữ liệu, TCP / IP và giao thức truyền siêu văn bản HTTP Ngoài ra, DICOM có loại nội dung MIME của riêng nó

- DICOM sử dụng các giao thức khác như DHCP, SAML

- DICOM sử dụng hệ thống mã hóa được gọi là SNOMED CT dựa trên các thuật ngữ y tế và lâm sàng

- DICOM sử dụng một bảng chữ cái bên ngoài được gọi là LOINC

- Trong trường hợp hình ảnh vú, việc sử dụng được tạo bằng các loại

tệp có cấu trúc khác được gọi là BI-RADS

1.2 BÀI TOÁN PHÁT HIỆN BẤT THƯỜNG TRÊN ẢNH Y KHOA 1.2.1 Phát biểu bài toán

Đối với các bác sĩ, việc phát hiện khối u, vùng bất thường trong cơ thể

là nhờ vào kiến thức học tập và rèn luyện nhiều năm, cùng kinh nghiệm được tích lũy, hoặc được phát hiện trong quá trình thao tác, làm việc Trong thị giác máy tính, các vùng bất thường sẽ được phát hiện và khoanh vùng Bài toán được phát biểu cụ thể như sau:

Cho trước một ảnh y khoa chuẩn DICOM (X-quang, ảnh cắt lớp CT,…) Mục tiêu bài toán là tìm và xác định vùng khoanh tương ứng với các vùng bất thường của phổi nếu có trong ảnh Xác định và khoanh vùng được đối tượng bất thường trong ảnh thể hiện sự bất thường của cơ quan, khu vực bên trong cơ thể tại nơi khoanh vùng, từ đó hỗ trợ bác sĩ chẩn đoán bệnh dễ dàng và nhanh chóng hơn Sơ đồ cơ bản của bài toán có thể được mô phỏng như hình 1.5:

Hình 1.5: Sơ đồ cơ bản của bài toán phát hiện bất thường trên ảnh y khoa

1.2.2 Ý nghĩa thực tiễn

Hiện nay trên thế giới cũng như Việt Nam, chẩn đoán các bệnh về phổi luôn là một bài toán quan trọng và mang tính cấp thiết, đặc biệt trong bối cảnh

dịch bệnh COVID-19 diễn ra hiện nay, việc chẩn đoán sớm được bệnh sẽ giúp quá trình chữa và phân loại bệnh nhân được dễ dàng hơn Chẩn đoán bằng hình ảnh là một phương pháp chẩn đoán nhanh chóng và hiệu quả cao, đã được ứng dụng để hỗ trợ chẩn đoán bệnh trong ngành y tế, tuy nhiên, bác sĩ chẩn đoán hình ảnh cần kiến thức chuyên môn sâu cũng như kinh nghiệm làm việc lâu năm để có thể đưa ra kết quả chẩn đoán chính xác Thực trạng hiện nay có thể thấy được rằng số lượng bác sĩ chẩn đoán hình ảnh giỏi là không nhiều, chỉ tập trung tại các bệnh viện trung ương và các thành phố lớn, nên việc chẩn đoán hình ảnh ở các trung tâm y tế và bệnh viện tuyến địa phương gặp nhiều khó khăn

Một trong số các giải pháp là việc ứng dụng một số chương trình phần mềm hỗ trợ các bác sĩ có thể nhanh chóng hơn trong quá trình chẩn đoán hình ảnh Bên cạnh đó, ứng dụng nói trên là một công cụ hỗ trợ các bác sĩ trẻ, chưa

có kinh nghiệm định hướng và đưa ra các chẩn đoán cận lâm sàng

Trong việc chuẩn đoán bệnh, các kỹ thuật phát hiện và khoanh vùng bất thường trên ảnh y khoa nhằm hỗ trợ phát hiện ra những vùng được nghi vấn là khối u hay từ đó chẩn đoán sớm được bệnh trong cơ thể người từ ảnh chụp X-quang ngực là một hướng đi mang tính ứng dụng cao

Dựa trên các kỹ thuật xử lý ảnh để phát hiện khối u bất thường trong cơ thể người từ ảnh chụp X-quang nhằm hỗ trợ các bệnh viện, các cơ sở y tế tuyến địa phương, không có đủ bác sĩ chẩn đoán hình ảnh vẫn có thể nhanh chóng đưa ra các kết luận sau khi khám cận lâm sàng cho bệnh nhân

1.2.3 Một số nghiên cứu liên quan

Như đã nói, bài toán phát hiện vùng bất thường trên ảnh y khoa là một bài toán mang tính thực tiễn cao khi hỗ trợ các bác sĩ trong chẩn đoán bệnh, kết quả phát hiện càng chính xác, độ hiệu quả trong chẩn đoán và điều trị càng cao Vì vậy, bài toán này nhận được sự quan tâm và đầu tư nghiên cứu

của nhiều tổ chức và nhà khoa học trên thế giới với mục đích phát triển, tìm cách cải thiện và nâng cao độ chính xác cũng như tốc độ phát hiện vùng bất thường Nhiều phương pháp và kỹ thuật đã được tiếp cận và phát triển trong

hệ thống ảnh y khoa, ví dụ như, ứng dụng các mô hình học máy, học sâu, các

mô hình mờ, kết hợp nhiều kỹ thuật xử lý ảnh như phân ngưỡng, phát hiện biên hay trích xuất đặc trưng, … với nhau Như đã nói, bài toán phát hiện vùng bất thường trên ảnh y khoa là một bài toán mang tính thực tiễn cao khi

hỗ trợ các bác sĩ trong chẩn đoán bệnh, kết quả phát hiện càng chính xác, độ hiệu quả trong chẩn đoán và điều trị càng cao Vì vậy, bài toán này nhận được

sự quan tâm và đầu tư nghiên cứu của nhiều tổ chức và nhà khoa học trên thế giới với mục đích phát triển, tìm cách cải thiện và nâng cao độ chính xác cũng như tốc độ phát hiện vùng bất thường Nhiều phương pháp và kỹ thuật đã được tiếp cận và phát triển trong hệ thống ảnh y khoa, ví dụ như, ứng dụng các mô hình học máy, học sâu, các mô hình mờ, kết hợp nhiều kỹ thuật xử lý ảnh như phân ngưỡng, phát hiện biên hay trích xuất đặc trưng, … với nhau Theo Kostis, W.J., Reeves, A.P., Yankelevitz, D.F [11], có 4 loại vùng bất thường (i) Được tách biệt tốt: Trong trường hợp này, các bất thường không được kết nối với mạch máu nhưng nằm ở lõi của mô phổi (ii) Juxta - mạch máu: Trong trường hợp này, các bất thường nằm ở trung tâm của trường phổi

và được kết nối với các mạch phổi xung quanh (iii) Đuôi màng phổi: Các loại nốt bất thường này được nối với nhau bằng một cấu trúc mỏng và nằm gần bề mặt màng phổi (iv) Juxta-màng phổi: Đây là một cấu trúc mỏng được kết nối bởi phần đáng kể của nốt Trong [12], họ đã sử dụng kỹ thuật Wavelet Packet Frame (WPF) để thu nhận các biểu diễn tần số không gian và áp dụng phân cụm k-Means để phân đoạn các mô phổi tốt hơn Điều này đã chứng minh kỹ thuật này là mạnh mẽ và có thể phân đoạn hiệu quả các vùng phổi từ nhiều hình ảnh từ các lần quét khác nhau Raghuramanet và cộng sự [13] phân

đoạn phổi bằng thuật toán truy xuất hình ảnh tương tác dựa trên khoảnh khắc Krawtchouk, được đào tạo dựa trên dữ liệu có sẵn trước đó Nghiên cứu này [14] đã triển khai kỹ thuật phân đoạn cắt bằng đồ thị, kết hợp hình dạng và các thông tin trước đó khác về cấu trúc phổi lân cận, trên hình ảnh bệnh lý phổi bao gồm tràn dịch màng phổi nhu cầu phân tích các bài kiểm tra trong thời gian ngắn cũng đang tăng lên Do đó, các bác sĩ X-quang có thể hiểu sai gây ra sai sót khi phát hiện Do đó, cần có các hệ thống CAD có thể phát hiện các nốt sần một cách hiệu quả trong thời gian ngắn [15] Hai hệ thống CAD chính được các bác sĩ X-quang sử dụng để hỗ trợ họ, đó là: CADe – Những

hệ thống này chỉ được sử dụng để phát hiện khối u CADx – Các luận án được

sử dụng để kiểm tra các đặc điểm của khối u Nanusha [16] đề xuất một cách tiếp cận là định lượng đặc điểm bề mặt của nốt phổi dựa trên hình ảnh CT mặt cắt mỏng Trong cách tiếp cận này mô tả sự phân đoạn của hình ảnh nốt ba chiều (3D) thu được bằng cách tiếp cận bề mặt có thể biến dạng 3D

Hình 1.6: Dải màu của ảnh xám

Với ảnh nhị phân, cấu trúc dải màu ảnh chỉ bao gồm hai giá trị lần lượt

là 0 là màu đen và 1 được dùng cho màu trắng Thông thường, chúng ta biến đổi ảnh màu thành ảnh xám để trích xuất các đối tượng trong ảnh bằng cách điều chỉnh histogram của ảnh đầu vào [17]

Có nhiều kỹ thuật đã được ứng dụng để xử lý, làm việc với ảnh y khoa

Ở đây chúng tôi xin đề cập tới hai kỹ thuật thường được sử dụng nhất vì tính hiệu quả của chúng là phân đoạn (Segmentation) và trích xuất đặc trưng (Feature Extraction)

1.3.1 Tiếp cận dựa trên phân đoạn (Image Segmentation)

Quá trình chia nhỏ ảnh đầu vào phân ảnh thành hai phần gồm phần mong muốn, hay còn được gọi là ROI và phần không mong muốn Đối với bài toán phát hiện bất thường trong phổi, mục tiêu của chúng ta là xác định sự hiện diện của vùng bất thường hay khối u ở trong hình ảnh đầu vào (hình 1.7)

Hình 1.7: Phân đoạn đối với ảnh chụp phổi

Ở đây, vùng bất thường cần được xác định chính là ROI, còn phần còn

lại trong ảnh là phần không mong muốn [18] Nhiệm vụ cực kỳ quan trọng của máy là tự động xác định được vùng bất thường bởi các cấu trúc đặc của các biến thể của vùng bất thường ở mô phổi như khối u hoặc mức độ ác tính của ung thư [19] Để phân đoạn hình ảnh, có hai chiến thuật có thể được thực hiện như phân đoạn bằng phát hiện biên và phân đoạn dựa trên phân vùng

1.3.1.1 Phân đoạn dựa trên phân vùng

Phân đoạn theo vùng có thể được chia thành các phương pháp như:

- Phân ngưỡng (Thresholding)

- Lan vùng (Region growing)

- Phân cụm trong không gian đặc trưng (Clustering in Feature

Space)

a) Phân ngưỡng

Giá trị được dùng để phân đoạn ROI được gọi là giá trị ngưỡng

(threshold value) Trong trường hợp ung thư phổi, chúng tôi chuyển đổi hình

ảnh đầu vào thành một ảnh xám và sau đó quyết định giá trị ngưỡng dựa trên các đặc tính cơ bản của khối u Ví dụ: chúng tôi nhận thấy khối u có các giá trị cường độ từ 155-255 ở ảnh đầu vào, chúng tôi có thể tiến hành chuyển đổi

về ảnh nhị phân với tất cả các giá trị nhỏ hơn 155 về 0 và tất cả các giá trị khác từ 155-255 đều bằng 1 Bằng cách này, tất cả các vùng không mong muốn trở thành màu đen, và các vùng mong muốn xác định là màu trắng [20]

b) Lan vùng

Trong phương pháp lan vùng, chúng tôi nhóm các pixel hoặc các vùng con của ảnh đầu vào lại thành các vùng lớn hơn, với ý nghĩa phân tích giá trị pixel và từ đó kết hợp với các giá trị cường độ khác nhau mà có cùng cấu trúc đặc tính như màu sắc, giá trị mức xám, các đặc điểm về hình dạng,… Trong khi

đó, đối với phương pháp chia tách, chúng ta tiến hành lấy một ảnh lớn và chia nó

ra thành các vùng nhỏ hơn dựa trên tính đồng nhất của các vùng đó [21]

c) Các kỹ thuật phân cụm

Trong phân đoạn dựa trên phân cụm, bước đầu tiên là tìm ra tất cả số các đặc điểm như giá trị trung bình, trung vị, độ lệch chuẩn, số phần tư và các đặc điểm kết cấu như tính đồng nhất, entropy, tương quan và wavelet hoặc các thông

số hồi quy, sau đó nhóm vùng tùy thuộc vào khoảng cách tối thiểu trong khu vực Phân cụm dựa trên vùng cho kết quả tốt hơn trong việc xử lý ảnh y khoa và

cả trong việc phát hiện các vùng bất thường, khối u trong ảnh ung thư phổi 4] Các kỹ thuật phân cụm được xem là phương pháp phân loại không giám sát, trong đó thuật toán phân cụm k-means rất được quan tâm trong các kỹ thuật học máy mà đầu ra không có trong các vector đặc trưng (hình 1.8)[25]

[22-Hình 1.8: Phân đoạn ảnh phổi bằng các giá trị ngưỡng khác nhau

1.3.1.2 Phân doạn dựa trên phát hiện biên

Trong phân đoạn dựa trên biên, chúng tôi cố gắng tìm ra các biên của các đối tượng số được tìm thấy trong ảnh dựa trên căn bản là các thay đổi đột ngột trong giá trị của một pixel (hình 1.9) Nhiều đối tượng số có các biên đứt gãy và mập mờ, không rõ ràng Để loại bỏ các yếu tố này khỏi ảnh, chúng ta thường thực hiện các phép toán hình học và các bộ lọc tuyến tính để có được khoảng cách nhiều hơn và loại bỏ các khoảng cách không cần thiết ở gần đối tượng số [25, 26] Bởi vì các khối u hay vùng bất thường không hề có một quy chuẩn hay một dạng hình cụ thể nên đây là bài toán thách thức đối với CAD (Computer Aided Design – tạm dịch: Thiết kế nhờ hỗ trợ của máy tính)

Hình 1.9: Phân đoạn phổi dựa trên biên a) Phân đoạn dựa trên hình học

Phân đoạn cơ sở hình thái là một quá trình kết hợp các phép toán hình học như mở rộng cực tiểu và gradient hình học với thuật toán watershed flooding (tách đối tượng khỏi nền ảnh) để phân đoạn ảnh thang độ xám của bất kỳ loại ảnh nào Ví dụ: thang độ xám với dải đơn (hình ảnh 8-bit) và hình ảnh màu với ba dải (hình ảnh 24-bit) Trong phép toán hình học, các phép toán phổ biến là giãn nở (Dialtion) và xói mòn (Erosion) Phép toán xói mòn được thực hiện khi hai biên được hợp nhất với nhau trong khi phép toán xói

mòn được thực hiện khi có các biên bị hỏng được tìm thấy trong hình ảnh Thao tác này cố gắng lấp đầy khoảng trống giữa hai biên bị hỏng [27-28]

b) Khớp mẫu

Trong phương pháp khớp mẫu, chúng tôi lấy một mẫu và đối sánh nó với tất cả các ảnh con có thể có trong toàn bộ ảnh Quá trình này được tiếp tục cho đến khi mẫu được khớp chính xác về giá trị cường độ với bất kỳ phần nào của hình ảnh [29] Có hai loại đối sánh mẫu là Đối sánh cục bộ và Đối sánh 3D mềm dẻo Phương pháp đối sánh cục bộ dựa trên GGVF (Generalized Gradient Vector Flaw) Một trong những tính năng của GGVF là mở rộng ảnh hưởng của gradient đến các vị trí cách xa biên và vùng đồng nhất trong khi vẫn để lại các thuộc tính mong muốn của trường vector trên bản đồ biên Phương pháp so khớp 3D mềm dẻo dựa trên một vector dịch chuyển làm mịn Phương pháp này nhằm tối thiểu hóa hàm năng lượng bằng cách cập nhật tuần

tự vector dịch chuyển trên các điểm thẳng hàng từ một vector ban đầu Vector ban đầu này được lấy từ vector dịch chuyển thu được từ so khớp cục bộ

1.3.2 Tiếp cận dựa trên phân tích đặc trưng (Feature Extraction)

Mỗi đối tượng được xác định tốt có một số tính năng hoặc thuộc tính giúp chúng ta xác định đối tượng đó một cách dễ dàng Để tự động phân loại các đối tượng, chúng ta cần một số đặc trưng Tập hợp các đối tượng đặc trưng này được gọi là vector đối tượng Để xác định bất thường trên phổi, chúng ta cần tìm các đặc trưng như vậy từ hình ảnh chụp đầu vào Trong xử lý ảnh có ba loại đặc trưng, thứ nhất là đặc điểm cấu trúc, thứ hai là đặc điểm kết cấu thống kê và thứ ba là đặc điểm quang phổ Đặc điểm cấu trúc còn được gọi là các đặc điểm nhị phân như diện tích, tâm, chu vi, định hướng, hình chiếu, tỷ lệ cỡ ảnh và số Euler,… Các đặc điểm thống kê cũng chia thành hai lớp lần lượt là đặc điểm kết cấu thống kê bậc nhất và bậc hai Các đặc điểm cấu trúc bậc nhất được trích xuất trực tiếp từ biểu đồ mức xám trong khi đối

với các đặc điểm cấu trúc bậc hai, trước tiên, chúng tôi tìm một ma trận đồng xuất hiện và sau đó chúng tôi tìm entropy trung bình và đồng phương sai Trong các đặc điểm quang phổ, đặc điểm Gaber và wavelet là các đặc điểm rất phổ biến, thường gặp khi làm việc với ảnh y khoa Nhiều tác giả sử dụng các tập đặc điểm khác nhau để phát hiện ung thư phổi bằng các phương pháp khác nhau với các bộ dữ liệu có sẵn khác nhau nhưng vẫn chưa có phương pháp nào có thể tự động phân đoạn và phân loại các vùng ác tính và lành tính trong hình ảnh ung thư phổi Tuy nhiên, có hai cách tiếp cận được sử dụng để trích xuất vector đặc trưng, đầu tiên là phương pháp Banalization liên quan đến các đặc điểm cấu trúc được tính toán từ các hình ảnh nhị phân và cách tiếp cận còn lại là cách tiếp cận masking trong đó tác giả thường trích xuất cấu trúc thống kê và các đặc trưng quang phổ

1.3.2.1 Thuật toán Banalization

Thuật toán banalization còn được biết đến như thuật toán threshold Mục tiêu của thuật toán này là tìm ra ngưỡng threshold thích hợp [26] Bằng việc sử dụng giá trị ngưỡng này, ảnh mục tiêu được chia ra thành hai phần gồm phần ảnh mặt tiền và phần ảnh nền Ảnh mặt tiền được thể hiện bằng màu trắng trong khi phần nền được thể hiện bằng màu đen Hướng tiếp cận này được dựa trên số lượng các pixel màu đen mà có giá trị lớn hơn các pixel màu trắng, nếu không thì có nghĩa là ảnh không được bình thường

1.3.2.2 Phương pháp Masking

Masking, hay còn được gọi là bộ lọc Bộ lọc được phân thành các dạng như:

- Low-Pass (duy trì các tần số thấp)

- High-Pass (duy trì các tần số cao)

- Band-Pass (duy trì các tần số với một dải tần số nhất định)

- Band-Reject (loại bỏ các tần số với một dải tần số nhất định) [27]