Nghiên cứu xử lý ảnh spect tim trong hỗ trợ chẩn đoán bệnh động mạch vành745

x DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Tiếng Anh Tiếng Việt AUC ROC Areas under the receiver-operating characteristic curve Vùng dưới đường cong roc ASNC American society of nuclear c

Lời cam đoan

Tác giả xin cam đoan đây là công trình nghiên cứu riêng c a tác gi , ủ ả

không sao chép của bấ ỳt k ngư i nào Các số ệờ li u kết qu nêu trong lu n án ả ậ

là hoàn toàn trung thực và chưa từng được tác giả khác công b ố

Hà Nội, ngày 22 tháng 03 năm 2021

T/M tập thể giáo viên hướng dẫn Tác gi ả

TS Nguyễn Thái Hà NCS Nguyễn Thành Trung

Lời cảm ơn

Tôi xin chân thành cảm ơn TS Nguyễn Thái Hà và GS.TS Nguyễn

Đức Thu n, nh ng ngư i đã nhi t tình hư ng d n và giúp đ tôi r t nhi u ậ ữ ờ ệ ớ ẫ ỡ ấ ềtrong quá trình nghiên cứu và hoàn thành Luận án

Tôi cũng xin chân thành cảm ơn Bộ môn Công nghệ Đi n t và K ệ ử ỹthuật Y sinh, Phòng Đào tạo, Viện Điện tử -Viễn thông, Trường Đại học Bách Khoa Hà Nội đã t o điạ ều kiện thuận lợi để tôi hoàn thành nhiệm v ụnghiên c u cứ ủa mình

Tôi cũng xin chân thành cảm ơn tới khoa Y học H t nhân, bệnh viện ạTrung ương Quân đội 108; vi n Công ngh ệ ệ Thông tin, viện Khoa học và Công nghệ Quân sự đã hỗ trợ, cộng tác, tạo điều kiện để tôi hoàn thành nhiệm

v ụnghiên c u cứ ủa mình

Tôi cũng bày tỏ lòng biết ơn đ n Gia đình tôi, vế ợ và con tôi, các anh chị em, đ ng nghiệồ p và b n bè nh ng ngư i đã ạ ữ ờ ủng h và đ ng viên giúp đỡ ộ ộtôi trong th i gian làm Luờ ận án

iii

MỤC LỤ C

LỜI CAM ĐOAN……….i

LỜI CẢM ƠN……… …ii

MỤC LỤC……… iii

DANH MỤC CÁC HÌNH VẼ ……… vi

DANH MỤC CÁC BẢNG BIỂU……… ix

DANH MỤC CÁC TỪ VIẾT TẮT ……… … x

M Ở ĐẦU 1 Lý do chọn đề tài, mục đích nghiên cứu……… 1

2 Đối tượ , phương phápng và ph m vi nghiên cạ ứu của luận án……… …… …4

3 Ý nghĩa khoa học và th c ti n c a lu n án………5 ự ễ ủ ậ 4 Các đóng góp của lu n án……… ……… 6 ậ 5 B cố ục của luận án……….………… 7

CHƯƠNG 1 TỔNG QUAN VỀPHƯƠNG PHÁP XẠ HÌNH TƯ I MÁU CƠ TIM BẰNG Ớ MÁY SPECT VÀ KỸ THUẬT HỌC SÂU……… ……….8

1.1 Bệnh lý động m ch vành……….… 8 ạ 1.1.1 Giải phẫu tim và bệ lý ạnh m ch vành……… …….…….8

1.1.2 Các phương pháp chẩn đoán bệnh mạch vành……….9

1.2 X ạ hình tưới máu cơ tim bằng máy SPECT……….… 11

1.2.1 Nguyên lý của phương pháp chụ ạp x hình tưới máu cơ tim ……….… 11

1.2.2 Giá trị ủa phương pháp xạ hình tưới máu cơ tim bằng máy SPECT……… ….13 c 1.2.3 Các yếu tố ảnh hưởng t i đ chính xác k t quớ ộ ế ả chẩn đoán……… … 15

1.3 Giải pháp xử ảnh SPECT tim trong hỗ trợ chẩn đoán bệnh độ lý ng m ch vành …… …….17 ạ 1.3.1 Tình hình nghiên c u ứ các giải pháp trong nước ……… ….17

1.3.2 Tình hình nghiên cứ các giảu i pháp ngoài nước ……….… 18

1.3.3 Nhận xét, đánh giá các giải pháp đã khảo sát và đề xu t gi i pháp củấ ả a tác gi … 23 ả 1.4 K thuỹ ật học sâu……….25 1.5 Kết luậ chương 1……… ……… 31 n

iv

CHƯƠNG 2 XÂY D NG B CƠ S D LI U Ự Ộ Ở Ữ Ệ SPECT TI ……… 33 M

2.1 Vấn đềnghiên cứu … ……….……….33 2.2 Quy trình thu th p d u ……… ……… ………….38 ậ ữliệ2.2.1 Cơ ở s y h h t nhân ti n hành thu th p d u……… 38 ọc ạ ế ậ ữliệ2.2.2 Quy trình x ạ hình tưới máu cơ tim………… …….40 2.2.2.1 Quy trình thực hành theo t ng v ……….……40 ừ ịtrí 2.2.2.2 Quy trình thực hiệ ỹn k thuật xạ hình tưới máu cơ tim ằ b ng máy SPECT42 2.2.3 Tiêu chu n loẩ ại trừ ẫ m u……… 43 2.3 Quy trình x lý, chu n hoá d u……….44 ử ẩ ữliệ 2.3.1 Quy trình chu n hoá d u hình ẩ ữliệ ảnh………44 2.3.2 Quy trình chu n hoá d u thông tin lâm sàng………46 ẩ ữliệ2.4 Quy trình g n nhãn d u……….47 ắ ữliệ2.5 Xây dựng các tính năng bộ cơ sở ữ d u……… 50 liệ2.6 Phân bố ữ liệu, c m u d ỡ ẫ nghiên cứu ……… …….51 2.7 Nhận xét, đánh giá ộ cơ sở ữ b d u………….……… …53 liệ2.7 Kết luậ chương 2.n ……… …56

CHƯƠNG 3 XÂY D NG B L C NHI U SUY GI M S D NG M NG DEEP Ự Ộ Ọ Ễ Ả Ử Ụ Ạ

LEARNING 58

3.1 Vấn đềnghiên cứu … ……….……….58 3.2 Xây dựng mô hình l c nhi u suy gi m cho ọ ễ ả ảnh SPECT MPI……… …62 3.2.1 Các mô hình CAE, GAN, U- ……… …62 net

3.2.3 D u th nghi m………70 ữliệ ử ệ3.2.4 Đề xu t mấ ô hình 3D Convolutional Auto Encoder (3D CAE)- - trong hiệu chỉnh nhi u suy giễ ảm ……….……72

3.2.4.1 Mô hình đề xu t……… …… 72 ấ3.2.4.2 Thử nghiệm và kết quả……… 75 3.2.5 Đề xu t ấ mô hình 3DUnet-GAN ệu chỉnh nhiễu suy giả hi m……… ……….77

3.2.5.1 Mô hình đề xu t………77 ấ3.2.5.2 Hàm mục tiêu……….…… 78 3.2.5.3 Thiết lập thử nghi m……….……82 ệ3.2.5.4 K ết quả thử nghiệm mô hình……….……84

v

3.2.6 K t qu ế ảthực nghi mệ ……… ……84 3.3 Kết luậ chương 3n ……… …87

CHƯƠNG 4 PHÁT TRI N GI I PHÁP H TR CH N ĐOÁN B NH M CH VÀNH89 Ể Ả Ỗ Ợ Ẩ Ệ Ạ4.1 V n ấ đềnghiên cứu… ……… ………89 4.2 Đề xuất giải pháp hỗ trợ chẩn đoán nâng cao chấ t lượng hình ảnh cho các máy SPECT thông thường……… …92 4.2.1 Thu th p d u th c nghi m………92 ậ ữliệ ự ệ4.2.2 Hiệu chỉnh suy giảm bằng mô hình 3D Unet GAN……… …94 4.2.3 T p d u……….……94 ậ ữliệ4.2.4 Phương pháp thực nghi m……….……95 ệ4.2.5 K t qu ế ảthực nghi m……… …97 ệ4.3 Đề xu t gi i pháp h ra quyấ ả ỗtrợ ết định chẩn đoán……….…… 101 4.3.1 Cơ sở ữ d u ……… ……….………… 101 liệ4.3.2 Mô hình chẩn đoán……… 103 4.3.3 Thử nghiệm và kết qu ……… ………… ….105 ả4.4 Kết luậ chương 4n ………109

KẾT LUẬ ……… …… …110 N

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ……… ……….120

vi

DANH MỤC CÁC HÌNH VẼ

Hình 1.1 Bệnh động mạch vành… ……….………8

Hình 1.2 Mạch máu của tim.1 Xoang ngang 2.Động mạch v nh phải 3 Động mạch v nh à à tr i á 4 Động m ch mũ tim 5 Độạ ng mạch liên thất trước ………9

Hình 1.3 Đặc trưng hình ảnh khuy t x trên x ế ạ ạ hình tưới máu cơ tim………12

Hình 1.4 Chiến thuật điều trị thiếu máu cơ tim cục bộ dựa trên xạ hình tưới máu cơ tim……15

Hình 1.5 Sự phát triển của học máy trong tim mạch hạt nhân……… …18

Hình 1.6 So sánh đường ROC giữa SVM và 2 bác sĩ trong dò tìm tổn thương cơ tim … …19

Hình 1.7 Độ nhạy, độ đặc hiệu và độ chính xác của thuật toán ML so với TPD và phân tích trực quan của 2 chuyên gia ……….20

Hình 1.8 Đường cong ROC cho dự đoán biến cố tim bất lợi MACE………21

Hình 1.9 Mô hình DL trong dự đoán tắc nghẽn mạch vành……… ……22

Hình 1.10 Mạng nơron tích chập CNN……… ……… 26

Hình 1.11 Ma trận kích thước 600 * 800……… ……….27

Hình 1.12 Biểu diễn ma trận điểm màu……… ………… ……27

Hình 1.13 Ba ma trận bi u di n nh màu……… ……….…27 ể ễ ả Hình 1.14 nh mẢ ầu là một tensor 3 chi u……… …… ………28 ề Hình 1.15 Phép tính tích ch p……… ……… ………29 ậ Hình 1.16 Phép tính tích ch p cho nh màu có 3 kênh red, green, blue………29 ậ ả Hình 1.17 Tensor 3 chi u có chi u sâu k……… ……….………30 ề ề Hình 1.18 L p gớ ộp kích thước (2,2) ……… ……… ……30

Hình 1.19 Các loại lớp gộp……… ……… …31

Hình 2.1 Hệ thống máy SPECT: Infinia, Optima, Ventri……… 39

Hình 2.2 Quy trình xạ hình tưới máu cơ tim bằng máy SPECT………42

Hình 2.3 Ảnh lát cắt và ảnh cực được trình bày theo protocol chẩn đoán ……… … 45

Hình 2.4 Protocol chuyên lấy ảnh cho học máy………45

Hình 2.5 Sơ đồ chuẩn hóa dữ liệu……… …46

Hình 2.6 File trả lời kết quả……… ……47

Hình 2.7 Ảnh cực được tổng hợp từ các lát cắt……….………49

Hình 2.8 Phần mềm gắn nhãn dữ liệu bệnh nhân……… …50

vii

Hình 3.1 Ảnh không hiệu chỉnh suy giảm (NC images) và ảnh có hiệu chỉnh suy giảm (AC

images) của cùng một bệnh nhân………60

Hình 3.2 Mạng CAE trong lọc nhiễu……… …63

Hình 3.3 Mô hình mạng U- ……….… …64 net Hình 3.4 Phép tính transposed convolution……… ….……65

Hình 3.5 Sơ đồ mạng GAN……… … …66

Hình 3.6 Nhóm ảnh lát cắt thành một khối mẫu 3D……… …71

Hình 3.7 Kiến trúc 3D CAE đề xuất- ……… ……73

Hình 3.8 Đầu vào NC, ảnh biến đổi và ảnh đích thật ……… ……75

Hình 3.9 Kiến trúc 3DUnet-GAN……… …77

Hình 3.10 Đồ thị hàm Sigmoid……… 78

Hình 3.11 Đồ thị hàm mục tiêu trong trường hợp yi = 1……… 80

Hình 3.11 Đồ thị hàm mục tiêu trong trường hợp yi = 0……….… 80

Hình 3.13 Ảnh đầu vào, ảnh dự đoán và ảnh thật……… ……83

Hình 4.1 Deep learning neural network, Regression, Random Forests, Support vector machine, Gradient Boosting Machines………90

Hình 4.2 Trích xuất đặc trưng của học máy và deep learning ……… …90

Hình 4.3 Ảnh dự đoán hiệu chỉnh suy giảm GenAC từ mô hình 3D Unet GAN và ảnh chưa hiệu chỉnh suy giảm NC……… …94

Hình 4.4 Thứ tự sắp xếp ảnh……….……….94

Hình 4.5 Phần mềm hỗ trợ đọc kết quả trong thực nghiệm……… ……….96

Hình 4.6 Độ chính xác chẩn đoán……… 97

Hình 4.7 So sánh độ nhạy và độ đặ c hi u……… 99 ệ Hình 4.8 Gia tăng tỉ lệ phát hiện bệnh nhân không tổn thương khi dùng GenAC……… ….100

Hình 4.9 Gia tăng tỉ ệ l phát hi n các nhánh không tệ ổn thương……….100

Hình 4.10 A Ảnh cắt lát; B Ảnh bản đồ cực……… … … 102

Hình 4.11 Khuyết xạ tưới máu trên hình ảnh SPECT tim……… …………102

Hình 4.12 Kiến trúc VGG gồm 16 lớp CNN……… ….103

Hình 4.13 Kiến trúc mạng deep learning sử dụng để chẩn đoán CAD……… ………… 104

-Hình 4.14 Kiểm tra chéo 5 đoạn (5-fold cross validation) ……….……106

Hình 4.15 Độ chính xác của 2 mô hình sử dụng ảnh cắt lát MPI và ảnh cực trên các tập con106

ix

DANH MỤC CÁC BẢNG BIỂU

Bảng 1.1 Độ nhậy, đặc hiệu của SPECT MPI trong chẩn đoán bệnh động mạch vành….……14

Bảng 1.2 Các nghiên cứu sử dụng học máy ứng dụng trong tim mạch hạt nhân………… …23

Bảng 2.1 Bảng thống kê các tập dữ liệu CT và SPECT MPI……….……34

Bảng 2.2 Các tập dữ liệu ứng dụng trí tuệ nhân tạo trong tim mạch hạt nhân……… 38

Bảng 2.3 Dữ liệu nghiên cứu……… ……44

Bảng 2.4 Bảng mã hóa hệ số nguy cơ……….…47

Bảng 2.5 Bảng phân loại nhãn……… ……48

Bảng 2.6 17 phân vùng cơ tim dùng trong trả lời kết quả……… ……….……49

Bảng 2.7 Bảng thống kê thông tin của bộ dữ liệu……… …….…51

Bảng 2.8 Phân bố dữ liệu……… …….…52

Bảng 3.1 Số lượng mẫu……… …………72

Bảng 3.2 Kích thước của từng lớp 3D-CAE……… ……74

Bảng 3.3 Đánh giá trên các phép đo khác nhau (chữ in đậm thể hiện kết quả đo tốt nhất) …76

Bảng 3.4 Kết quả thực nghiệm (giá trị bôi đen là tốt nhất) ……… …84

Bảng 3.5 Đánh giá hiệu suất (chữ in đậm cho giá trị đo tốt nhất) ……….……85

Bảng 4.1 B ng th ng kê thông tin cả ố ủa bộ ữ ệ d li u……… ……93

Bảng 4 2 B ng th ng kê tả ố ổn thương cơ tim……….… 93

Bảng 4.3 B ng chia m u……… …95 ả ẫ Bảng 4.4 Số lượng mẫu……… …….… 103

x

DANH MỤC CÁC TỪ VIẾT TẮT

Từ viết tắt Tiếng Anh Tiếng Việt

AUC ROC Areas under the receiver-operating

characteristic curve

Vùng dưới đường cong roc

ASNC American society of nuclear

cardiology

Hiệp hội tim mạch hạt nhân hoa kỳ

AC Attenuation correction Hiệu chỉnh suy giảm

BMI Body mass index Chỉ ố ối cơ thể s kh

CNN Convolutional neural network Mạng nơ ron tích chập

CAE Convolutional auto-encoder Mã hóa tự động tích chập

CADx Computer-aided diagnosis H ỗtrợ chẩn đoán bằng máy tính

CT Computed tomography Chụp cắt lớp vi tính

DDSM Digital database for screening

mammography

Cơ sở dữ liệu số về chụp ảnh vú

FBP Filtered back projection Chiếu ngược có lọc

GAN Generative adversarial network Mạng sinh

HVS Human visual system H ệthống th ịgiác của con người

IRMA Image retrieval in medical applications Hình ảnh trong các các ứng dụng y tế

IRAC Iterative reconstruction attenuation

correction

Hiệu chỉnh suy giảm tái tạo lặp

IRAC Iterative reconstruction attenuation

correction

Hiệu chỉnh suy giảm tái tạo lặp

LAD Left anterior decending Động m ch liên thấạ t trước

LCx Left circumplex artery Động mạch mũ

xi

MPI Myocardial perfusion imaging X ạ hình tưới máu cơ tim

MNIST Mixed national institute of standards

and technology

Viện quốc gia hỗn hợp về tiêu chuẩn và công nghệ

MACE Major adverse cardiovascular events Biế ốn c tim m ch bất lợi ạ

MIAS Mammographic imaging analysis

society

Cộng đồng phân tích ảnh nhũ vú

MBIR Model-based iterative reconstruction Mô hình thuật toán tái tạ ặp o l

MSE Mean squared error Sai số toàn phương trung bình

NMAE Normalized mean absolute error Sai số tuyệt đối trung bình chu n hóa ẩ

NNC Neural network convolution Mạng nơ ron tích chập

NC Non attenuation correction Không hiệu chỉnh suy giảm

OSEM Ordered subset expectation

maximization

Thuật toán tái tạo osem

PCC Pearson's correlation coefficient Hệ số tương quan pearson

PSNR Peak signal to noise ratio T s tín hi u cỉ ố ệ ực đại trên nhi u ễ

PET/MR Positron emission tomography–

magnetic resonance imaging

Chụp ảnh lai ghép positron và cộng hưởng từ

QGS Quantitative gated spect Định lượng gắn cổng điện tim spect

QPS Quantitative perfusion spect Định lượng tưới máu spect

RED CNN - Residual encoder-decoder convolution

neural network

Mạng nơ ron tích chập giải mã-mã hóa

RBG Red green blue 3 màu đỏ xanh lá xanh da trời

RCA Right coronary artery Động m ch vành ph i ạ ả

SPECT Single photon emission computed

tomography

Chụp vi tính c t lớắ p phát x ạ đơn photon spect

SRS Summed rest score Tổng điểm pha ngh ỉ

SSS Summed stress score T ng s m pha g ng s c ổ ố điể ắ ứ

SDS Summed differences score Điểm chênh l ch gi a 2 pha ệ ữ

SVM Support vector machine Máy vectơ hỗ ợ tr

xii

SSIM Structural similarity index Chỉ ố s so sánh s ự tương đồng c u trúc ấ

TID Transient ischemic dilation Triệu chứng thi u máu thoáng qua ế

TPD Total perfusion deficit T ng khuyổ ết xạ

UQI Universal quality index Hệ số chất lượng phổ quát

1

M Ở ĐẦ U

1 Lý do chọn đ tài, m c đích nghiên c u ề ụ ứ

Ngày nay, nguyên nhân gây t vong và tàn ph ử ế hàng đầu tại các quốc gia phát tri n là ể

bệnh tim mạch Tại các nước đang phát triển, bệnh tim mạch cũng có xu hướng gia tăng

Bệnh tim mạch chiếm 34,2% ố ử vong chung trên toàn thế ới mỗi năm cho dù đã có s t ginhiều phương pháp điều tr h u hi u Ở ệị ữ ệ Vi t Nam, s ngườố i ch t vì b nh tim m ch kho ng ế ệ ạ ả200.000 người, chi m ¼ t ng s ca t vong hế ổ ố ử ằng năm Theo thống kê, c ứ 3 ngườ rưởi t ng thành thì có 1 người có nguy cơ tim mạch S liệu trên đượố c đưa ra t i tạ ọa đàm "Vì trái tim

kh e Vi t Nam" di n ra t i b nh viỏ ệ ễ ạ ệ ện Tim Hà Nội 2015

Bệnh động mạch vành là bệnh lý tim mạch hay gặp nhất, là nguyên nhân gây tử vong hàng đầu trên th gi i Nguyên nhân gây ra b nh này ch yế ớ ệ ủ ếu do xơ vữa thành m ch, gây ạthiếu máu cơ tim cụ ộ ổ ức b T ch c y t th giớ ớế ế i ư c tính có tới 3,8 triệu đàn ông và 3,4 triệu

ph n ụ ữchết vì bệnh động mạch vành mỗi năm Tại các nước ở ắc Mỹ và Tây Âu, tỉ ệ B l chết vì b nh này ệ đã giảm nhưng tại các nước đang phát triển, trong đó có Việt Nam, t l ỉ ệnày đang tăng nhanh Con số ước tính ch ra r ng kho ng 82% tỉ ằ ả ỉ ệ l chết vì bệnh động m ch ạvành trong tương lai sẽ ẩ x y ra ở các nước đang phát triển

X ạ hình tưới máu cơ timMPI (Myocardial Perfusion Imaging) b ng máy ch p c t lằ ụ ắ ớp phát xạ vi tính đơn photon SPECT (Sigle Photon Emission Computed Tomography) là phương pháp chẩn đoán bệnh thiếu máu cơ tim cục b không chộ ảy máu có độ nh y và độ ạ

đặc hi u cao K thuệ ỹ ật này được th c hi n r ng rãi tự ệ ộ ại các nước phát tri n b i nh ng giá ể ở ữ

tr ịchẩn đoán nó mang lại Theo một thống kê gần đây tại Hoa Kỳ, mỗi năm có khoảng 7 triệu lượt bệnh nhân được tiến hành chụp xạ hình tưới máu cơ tim và đây là phương pháp được áp d ng nhi u nh t trong chuyên ngành tim m ch h t nhân ụ ề ấ ạ ạ

Tuy nhiên, kỹ thu t xạ hình tưới máu cơ tim là mộậ t kỹ thuật khó, tr i qua nhiả ều bước

thực hiện từ dược chất phóng xạ, ghi hình, xử lý hình ảnh và đọc kết quả Độ chuẩn xác

của các bước này ảnh hưởng tới độ chính xác của chẩn đoán Trong các yếu tố làm giảm

độ chính xác c a chủ ẩn đoán thì nhiễu suy gi m trong khi ghi hình và sai sót ch quan c a ả ủ ủbác sĩ đọc k t qu là nh ng y u t quan tr ng gây ế ả ữ ế ố ọ ảnh hưởng t i chớ ất lượng chẩn đoán

2

Một, n ễu suy giảm là hiện tượhi ng tia photon b ịsuy giả năng lượ khi đi qua các tổm ng chức mô có t trỉ ọng khác nhau, làm cho các photon không đến được các đầu dò c a máy ủSPECT, dẫn đến phân b phóng xố ạ ở cơ tim ghi bởi máy SPECT không chính xác Để ả gi i quyết vấ ền đ này, nhiều giải pháp đã được đưa ra như chụp nằm sấp, cải tiến thuật toán tái

t o và hi u qu nh t bây gi là g n thêm m t máy ch p c t l p vi tính (CT) vào cùng máy ạ ệ ả ấ ờ ắ ộ ụ ắ ớSPECT Tuy nhiên, giá thành máy SPECT sẽ tăng lên đáng kể, kèm theo đó là các chi phí

v phòng ề ốc và làm tăng nguy cơ mất an toàn bức xạ Thêm vào đó, theo thống kê, số…lượng máy SPECT đơn thuần đang chiếm kho ng 80 % trên th gi i nên gi i quyả ế ớ ả ết được nhi u suy gi m mà vễ ả ẫn tậ ụng đượn d c những máy này có ý nghĩa quan tr ng ọ

Hai, sai sót ch quan củ ủa bác sĩ bắt nguồn trình độ chuyên môn, độ ph c tạ ủứ p c a hình

ảnh, s ố lượng b nh nhân l n, kh ệ ớ ả năng tập trung, tâm tr ng, s c kh e…Theo th ng kê ạ ứ ỏ ố ởHoa K , sai sót chỳ ẩn đoán chung ước tính vào khoảng 10 đến 15% và trong tim m ch hạ ạt nhân là 30 % Giải pháp hỗ ợ tr phân lo i b nh nhân có t n tạ ệ ổ hương và không có tổn thương được phát tri n nhể ằm giúp bác sĩ ra quyết định trên nh SPECT tim V cơ b n gi i pháp ả ề ả ả

h tr ộ ợ này giống như người đọc thứ 2 có nhiệm vụ xác định tổ thương trên hình ản nh SPECT tim

Như vậy, vấn đề ử x lý nhi u suy gi m và h tr chễ ả ỗ ợ ẩn đoán để nâng cao độ chính xác là

nh ng yêu c u c p bách ữ ầ ấ Trước các vấn đề đó, các giải thu t hậ ọc sâu đang có tiềm năng to

l n ớ có thể là câu trả ời phù hợp nhất Tuy nhiên, để ử l th nghiệm và đánh giá hiệu quả ủa ccác mô hình h c sâu c n có t p dọ ầ ậ ữ ệ li u lớn, đáng tin cậy Theo các nghiên c u v trí tuứ ề ệnhân t o trong tim m ch h t nhân trên thạ ạ ạ ế ớ gi i thì số lượng nghiên c u còn h n chứ ạ ế, các

tập dữ ệu có số ẫu nhỏ, chưa có nguồn gốc tin cậy Đa phần các tập dữ ệu này đều sử li m li

dụng mẫu đầu vào là các biến chức năng, các tham số định lượng… phù hợp với mô hình học máy cũ như máy hỗ ợ tr vec-tơ, chưa ật n dụng đượ ức s c m nh c a h c sâu v i công c ạ ủ ọ ớ ụtrích chọn đặc trưng tự độ ng t hình nh M t số ậừ ả ộ t p dữ ệ li u t t, có số ố lượng mẫ ớu l n, thu

th p nhậ ở ững trung tâm tin cậy thì không công khai, cá nhân hóa nên việc tiếp cận tập dữ

liệu này rất khó khăn Thêm nữa, các tập dữ liệu trên đều dựa trên cơ sở ữ ệu của bệ d li nh nhân nước ngoài để tính các tham s ố định lượng nên khi áp dụng vào đặc điểm hình nh ả

3

SPECT tim của người Vi t Nam chệ ắc chắn có nhi u h n chề ạ ế Điều này đã được nhiều nghiên c u ch ng minh và khuyứ ứ ến cáo rằng mỗi chủng ngườ ầi c n có b cơ s d liộ ở ữ ệu riêng

để đánh giá Từ những điều trên có th th y r ng t p d li u nghiên c u SPECT tim còn ít ể ấ ằ ậ ữ ệ ứ

và không áp dụng được cho người Vi t Nam, cệ ần xây dựng b cơ s d liộ ở ữ ệu mang các đặc trưng của người Vi t Tuy nhiên, vi c xây dệ ệ ựng cơ sở ữ ệ d li u SPECT tim l n s r t khó ớ ẽ ấkhăn vì kỹ thuật xạ hình tưới máu cơ tim bằng máy SPECT là m t k thuật khó, rất ít trung ộ ỹtâm Y học Hạt nhân ở Việt Nam có thể làm được Bên cạnh đó, sự ế ti p c n dậ ữ ệ li u với các

vấn đề ề quy đị v nh, bảo mật cũng như trình độ ử x lý d li u còn hữ ệ ạn chế ẽ s làm công việc này tr ở nên khó khăn hơn

Mục đích ủ c a luận án là h tr ỗ ợchẩn đoán, hạn chế sai sót thông qua nghiên cứu, xử lý

ảnh SPECT tim nh m đưa ra các bi n pháp c i thi n chằ ệ ả ệ ất lượng hình nh, nả âng cao độchính xác chẩn đoán phương pháp xạ hình tưới máu cơ tim bằng máy SPECT

Do đó, nghiên cứu sinh đã tiến hành xây d ng các m c tiêu : ự ụ

• Xây dựng b d li u SPECT tim có s m u lộ ữ ệ ố ẫ ớn, độ tin cậy cao mang đặc trưng của người Vi t Nam Mệ ục tiêu này giải quyết vấ ền đ cơ sở ữ ệ d li u để th nghiử ệm và kiểm

định k t qu c a các gi i thu t h c sâu trong hi u ch nh nhi u suy gi m và h tr ế ả ủ ả ậ ọ ệ ỉ ễ ả ỗ ợchẩn đoán nâng cao độ chính xác của phương pháp xạ hình tưới máu cơ tim Thực

hi n m c tiêu này bệ ụ ằng cách xây d ng các quy trình : quy trình thu th p d li u, quy ự ậ ữ ệtrình x lý chu n hóa dử ẩ ữ ệ li u, quy trình g n nhãn dắ ữ ệ li u, quy trình xây dựng các đặc tính của bộ ữ ệ d li u D li u bữ ệ ệnh nhân được thu thập từ quy trình th c hành chuự ẩn Y

học Hạt nhân cho dược sĩ chuẩn bị dược chất phóng xạ, kỹ thuật viên tiêm và chụp hình, bác sĩ trả ời kết quả Quy trình thu nhận hình ảnh được thiết lập theo hướ l ng

d n cẫ ủa hội tim m ch h t nhân châu Âu và hi p h i tim m ch h t nhân Hoa K Quy ạ ạ ệ ộ ạ ạ ỳtrình xử lý dữ liệu được thi t l p để bảo tồn các đặc trưng hình ảế ậ nh SPECT tim, chu n ẩhóa d li u cho phù h p vữ ệ ợ ới đầu vào c a các mô hình h c máy, loủ ọ ại bỏ các thông tin không c n thi t giầ ế ảm khối lượng tính toán, kết hợp các yế ố nguy cơ đưa vào bộu t cơ

s d liở ữ ệu Quy trình gắn nhãn dữ ệu đượ li c th c hi n bự ệ ởi các bác sĩ có ít nhất 10 năm kinh nghiệm đọc xạ hình tưới máu cơ tim Quy trình xây dựng các tính năng của bộ

4

d liữ ệu như trích xuất thông tin bệnh nhân, bảo mật thông tin người bệnh, trích xuất các đặc tính mang tính thống kê như tuổi, gi i tính, b nh s lâm sàng, k t lu n t n ớ ệ ử ế ậ ổthương…

• Đề xuất gi i pháp l c nhi u suy gi m ả ọ ễ ả mà không dùng đến máy CT b ng h c máy, t n ằ ọ ậdụng được những máy SPECT thông thường Giải pháp này chính là áp dụng mô hình

học sâu trong dự đoán ảnh có hiệu chỉnh suy giảm, có chất lượng và độ chính xác tương đương hình ảnh hi u ch nh suy gi m b ng máy ch p c t l p CT D liệ ỉ ả ằ ụ ắ ớ ữ ệu đưa vào mô hình h c máy g m tọ ồ ập ảnh được chuẩn hóa ở ục tiêu m trên, chụ ở ệp b i h th ng ốmáy SPECT/CT hiện đại nhất của Gehealthcare, bao gồm ảnh đầu vào chưa có hiệu chỉnh suy gi m, nh g n nhãn hu n luy n là nh hi u ch nh suy gi m b ng CT c a ả ả ắ ấ ệ ả ệ ỉ ả ằ ủcùng bệnh nhân tương ứng Mô hình học được thi t k phù h p vế ế ợ ới các đặc trưng hình nh SPECT tim, các tham s ả ố được cải thi n qua các th nghi m ệ ử ệ

• Đề xu t gi i pháp h tr ấ ả ỗ ợ bác sĩ nâng cao độ chính xác chẩn đoán trên nh SPECT ảtim Mục tiêu này nhằm làm giảm sai sót do yếu tố chủ quan, mà cụ ể th là phục vụbác sĩ trong quá trình trả ờ ế l i k t qu Mô hình h c sâu s h c các đả ọ ẽ ọ ặc trưng của hình

ảnh mang t n thương và đổ ặc trưng của b nh nhân không có tệ ổn thương Trải qua quá trình hu n luy n, mô hình sấ ệ ẽ ỗ ợ bác sĩ phân loạ h tr i b nh nhân không có tệ ổn thương nhanh hơn, tập trung vào các b nh nhân có tệ ổn thương Dữ ệ li u h c ọ ở đây chính là hình ảnh SPECT tim kèm các hệ ố nguy cơ, đầu ra gắn nhãn bởi bác sĩ sẽ giúp mô s hình mạng thiế ật l p các tham s tố ối ưu

2 Đối tư ng, phương pháp và ph m vi nghiên c u c a lu n án ợ ạ ứ ủ ậ

Đối tượng nghiên c u c a lu n án: ứ ủ ậ

• Đặc trưng hình ảnh x hình tưới máu cơ tim bằạ ng máy SPECT, các y u t ảnh hưởng ế ố

đến hình ảnh SPECT tim đặc bi t là nhi u suy gi m ệ ễ ả

• Các mô hình x lý nhi u nh, các gi i pháp nâng cao chử ễ ả ả ất lượng hình nh ả

• Nghiên cứu phương pháp ghi hình và thu thập dữ ệ li u SPECT tim

• Các mô hình phân lớ ử ụp s d ng trí tu nhân tệ ạo và phương pháp xây dựng các mô hình này

• Các mô hình lọc nhiễu, tăng cường ch t lượấ ng hình ảnh, các phương pháp xây dựng các mô hình này

• Nghiên cứu các b cơ s d liộ ở ữ ệu, phương pháp xây dựng b cơ s d li u phù h p ộ ở ữ ệ ợ

v i h c sâu ớ ọ

3 Ý nghĩa khoa học và th c ti n củự ễ a lu n án ậ

V ề ý nghĩa khoa học:

• Có được m t b d li u SPECT tim có s ộ ộ ữ ệ ố lượng lớn, độ chính xác cao, xây d ng t i ự ạ

cơ sở y h c họ ạt nhân có uy tín được công b r ng rãi B d liố ộ ộ ữ ệu này được xây d ng ựvới các đặc trưng hình ảnh SPECT tim c a ngư i Vi t Nam ủ ờ ệ Đây không chỉ ph c v ụ ụcho nghiên c u cứ ủa tác g ải mà còn phục vụ các nghiên c u khác trong x lý nh, h ứ ử ả ỗ

tr ợchẩn đoán bệnh động m ch vành trên nh SPECT tim sau này ạ ả

• Vấn đề ử x lý nhiễu suy giảm trên ảnh SPECT tim bằng deep learning được nghiên

c u t ng th , có h th ng trên mứ ổ ể ệ ố ột cơ sở ữ ệ ớn, độ d li u l chính xác cao, th c hiự ện tại một cơ sở y h c h t nhân tin c y Mô hình l c nhiọ ạ ậ ọ ễu được đề xuất có độ chính xác tương đương việ ắc l p thêm m t máy ch p c t látộ ụ ắ CT cùng thuật toán ph c t p vào ứ ạmáy SPECT thông thường

y học rất quan tâm Th hai, gi i pháp này gi m chi phí mua s m thi t b , chi phí xây ứ ả ả ắ ế ị

dựng phòng ốc bảo đảm an toàn ức xạ, tận dụng và phát huy được những máy bSPECT đơn thuần sẵn có để ự th c hiện được k thu t ỹ ậ cao như ạ hình tưới máu cơ x tim Thư ba, giải pháp này s là c m h ng đ phát tri n các th h máy SPECT ti p ẽ ả ứ ể ể ế ệ ếtheo trong tương lai Th ứ tư, ý tưởng c a gi i pháp này có th m r ng áp dủ ả ể ở ộ ụng để

hi u ch nh suy gi m cho nh PET/CT, nh PET/MR… ệ ỉ ả ả ả

• Giải pháp hỗ ợ chẩn đoán sẽ phân loại có tổn thương hay không có tổn thương cơ tr tim trên ảnh SPECT tim Các bác sĩ sẽ ậ t p trung phân tích nhiều hơn vào các trường

h p nghi ng , giợ ờ ảm sai sót, tăng độ chính xác chẩn đoán

t p vào h ạ ệthống máy SPECT thông thường

• Đề xu t gi i pháp h tr ấ ả ỗ ợchẩn đoán x hình tưới máu cơ tim bằng máy SPECT nâng ạcao độ chính xác b ng gi i thu t h c sâu ằ ả ậ ọ

Chương 2: Tác giả ến hành xây dựng bộ cơ sở ữ ệu SPECT tim làm cơ sở để ti d li hu n ấluyện, đánh giá các thuật toán trong xử lý ảnh và giải pháp hỗ ợ chẩn đoán trong các tr chương tiếp theo

Chương 3: Tác giả xây dựng bộ ọc nhiễu suy giảm sử ụng mạng deep learning Từ l dcác đặc trưng hình ảnh c a SPECT tim, tác gi c u trúc l i các lát cắủ ả ấ ạ t 2D thành d li u 3D ữ ệ

nhằm bảo tồn các đặc trưng có mối liên hệ không gian giữa các lát Sau đó, tác giả xây

dựng các mô hình học có khả năng lọc nhiễu suy g ảm cao là 3D Convolutional Autoi Encoder (3D CAE), 3DUnet- -GAN Để đánh giá hiệu quả ủa các mô hình, các phép đo cNMAE, PCC, SSIM đã đượ ử ục s d ng

Chương 4:Tác giả phát triển 2 giải pháp hỗ ợ chẩn đoán bệnh mạch vành ột, tác tr M

gi tiả ến hành đánh giá giá ị ủ tr c a ảnh hiệu chỉnh suy giảm bằng mô hình học sâu tạo ra trình bày ở chương 3 với 2 bác sĩ có nhiều năm kinh nghiệm T ừ đó, tác giả đề xuấ ỗ trợt h chẩn đoán bệnh động m ch vành b ng nâng cao ch t lư ng hình nh qua d ạ ằ ấ ợ ả ự đoán ảnh hi u ệchỉnh suy gi m v i mô hình h c sâu Hai, tác gi ả ớ ọ ả đã khảo sát nh bả ản đồ ự c c và ảnh c t lát ắ

để xác định lo i d liạ ữ ệu đầu vào phù h p cho mô hình h c máy trong bài toán phân l p ợ ọ ớSau đó, tác giả đề xu t mô hình phân l p có tấ ớ ổn thương và không có tổn thương

Chương 5: Kết lu n, n ngh ậ kiế ị và hướng phát tri n ể

Phần cu i cùng là danh m c, tài li u tham khố ụ ệ ảo và các công trình đã công bố

Các đóng góp chính của lu n án ậ ở chương 2, chương 3 và chương 4 của lu n án ậ

8

CHƯƠNG 1 Ổ T NG QUAN V Ề PHƯƠNG PHÁP XẠ HÌNH

TƯỚI MÁU CƠ TIM BẰNG MÁY SPECT 1.1 Bệnh lý đ ng mạch vành ộ

1.1.1 Giải phẫu tim và bệnh lý mạch vành

Ở ầ h u h t các nư c trên th giế ớ ế ới, trong đó có Việt Nam, bệnh động m ch vành CAD ạ(coronary artery disease) là vấ ề quan tâm hàng đần đ u của y h c hi n đ i vì t l mắc ngày ọ ệ ạ ỷ ệcàng cao và là một trong nh ng nguyên nhân chính gây t vong, m t sữ ử ấ ức lao động V i ớ

bệnh nhân bị ệnh động mạch vành, chi phí điều trị ất lớ , đặc biệt là dành cho việc điều b r n

tr khi b nh mị ệ ở ức độ ặ n ng ho c bi n ch ng [1] ặ ế ứ

Xơ vữa động m ch là nguyên nhân chính c a bạ ủ ệnh động mạch vành Xơ vữa động mạch làm dày thành động m ch, xâm l n d n vào trong lòng m ch gây h p kh u kính, d n ạ ấ ầ ạ ẹ ẩ ẫ

đến giảm lưu lượng dòng ch y gây tri u ch ng thi u máu c c b ả ệ ứ ế ụ ộ cơ tim Thêm nữa, m ng ả

xơ vữa cũng có thể ị b rách, v tỡ ạo điều ki n hình thành huy t kh i gây bít t c lòng m ch, ệ ế ố ắ ạ

dẫn đến bi n ch ng n ng n là nh i máu ế ứ ặ ề ồ cơ tim cấp (hình 1.1)

9

Circumplex Artery) c p máu cho ph n còn lấ ầ ại của tim (hình 1.2) T ba nhánh l n này cho ừ ớ

ra r t nhiấ ều các nhánh động m ch nhạ ỏ hơn có nhiệm v mang máu giàu oxy tụ ừ động mạch chủ đi nuôi dưỡng t t c các cấấ ả u trúc trong qu tim Khi b xơ v a lòng mả ị ữ ạch, lưu lượng máu từ động m ch vành t i cơ tim bị ảm, cơ tim không nhậ ủạ ớ gi n đ oxy và xuất hiện các cơn đau thắt ng c ự

Hình 1.2 M ch máu c a timạ ủ

1 Xoang ngang 2.Động m ch vành phạ ải 3 Động m ch vành trái ạ

4 Động m ch m ạ ũ 5 Động m ch liên thạ ất trước 1.1.2 Các phương pháp ch n đoán bẩ ệnh mạch vành

Trong th i gian qua, ngành tim mờ ạch đã có những bước ti n l n trong chế ớ ẩn đoán, điều tr c p c u v i nh ng b nh nhân m ch vành Pị ấ ứ ớ ữ ệ ạ hương pháp tái tưới máu cơ tim, đặc

biệt là can thiệp động mạch vành đã làm giảm tỉ ệ ử vong, nhồi máu cơ tim và tăng thờ l t i gian sống thêm đáng kể [2-4] Tuy nhiên, để có kết quả kh ảquan, việc chẩn đoán đúng

bệnh, giai đoạn bệnh có ý nghĩa quan trọng, mang tính quyết định trong hướng điều trị

Hi n nay, có m t s ệ ộ ố phương pháp chẩn đoán bệnh động mạch vành

Điện tâm đồ là phương pháp đơn giản nh t đ phát hi n nh ng d u hi u c a b nh ấ ể ệ ữ ấ ệ ủ ệ

mạch vành Phương pháp này thu nhận những tín hiệu xung điện trong quá trình quả tim

hoạt động Thông qua tín hiệu điện tâm đồ, nh ng bi u hi n c a thiữ ể ệ ủ ếu máu cơ tim, hoại tử

cơ tim cũng như những bi n ch ng c a b nh tim mế ứ ủ ệ ạch như dày thành tim, dãn buồng tim

và r i lo n nh p số ạ ị ẽ được phát hiệ Đây là phương pháp thăm dò dễ ựn th c hi n, ít t n kém, ệ ố

mất ít thời gian để ực hiện kỹ th thuật Tuy nhiên, sự tương quan của điện tâm đồ và bệnh

cấp máu bởi nhánh mạch vành đó sẽ không được cấp đủ oxy Vùng cơ tim đó sẽ có hiện tượng r i lo n v n đ ng so v i các vùng khác (có th gi m v n đ ng ho c hoàn toàn không ố ạ ậ ộ ớ ể ả ậ ộ ặ

vận động) Siêu âm tim thường phát hiện được bệnh mạch vành ở ai đoạn muộn vì lúc ginày đã xuất hi n nh ng r i lo n vệ ữ ố ạ ận động c a bu ng tim ủ ồ

Chụp cộng hưởng từ MRI (magnetic resonance imaging) có thể cho các thông tin về

giải phẫu, chức năng, sự tưới máu và chuyển hóa cơ tim Tuy nhiên, kỹ thuật này có một

s hố ạn chế như thời gian thực hiện dài, chống chỉ định nếu bệnh nhân có cấy một số thi t ế

b ịkim loại Hiệ ạn t i, ch p MRI tim vụ ẫn chưa đượ ửc s dụng rộng rãi trong lâm sàng Nguyên nhân có th do s chuyên gia làm MRI tim và sể ố ự ế ti p c n vậ ới hệ ố th ng này còn h n chạ ế

Do v y, chậ ỉ định MRI tim thường được khuyến cáo trong trường h p cợ ần đánh giá khi nghi

ng ờcó bất thường mạch vành hay cần đánh giá bệnh tim bẩm sinh phức tạp, hoặc trường

h p c n tránh tiợ ầ ếp xúc với tia X

K thuỹ ật PET/CT (positron emission tomography/ computed tomography) hiện nay trong tim mạch được ch ỉ định là đánh giá tình trạng cơ tim sống còn (myocardial viability), phân biệt vùng cơ tim choáng (stunning), đông miên (hibernating) vớ ẹo cơ tim PET/CT i sFDG được coi là phương pháp đánh giá khả năng hồi ph c vụ ận động, chức năng thất trái sau can thiệp tái tưới máu động mạch vành có độ nhạy cao Sử ụ d ng PET/CT có thể cho phép tiến hành đồng th i chờ ụp động m ch vành bạ ằng CT đa lớp c t, k t h p v i các thông ắ ế ợ ớtin c a PET v tình tr ng chủ ề ạ ức năng như tưới máu cơ tim, đánh giá cơ tim sống còn được trình bày trên cùng 1 hình nh theo không gian 3 chi u ả ề

Phương pháp MSCT (multi-slice computer tomography) tim là k thu t ch p không ỹ ậ ụxâm l n, cho phép kh o sát tr c ti p lòng mấ ả ự ế ạch để ế bi t mứ ộ ẹc đ h p lòng mạch, đồng thời

11

đánh được các tính ch t mấ ảng xơ vữa động mạch Phương pháp này có độ tương phản cao,

d áp d ng cho b nh nhân vì th i gian nín th t 5 t i 7 giây ễ ụ ệ ờ ởchỉ ừ ớ

X ạ hình tưới máu cơ tim MPI (myocardial perfusion imaging) bằng máy chụp cắt lớp phát xạ đơn photon SPECT (single photon emission computed tomography) là kỹ thu t ậdùng để đánh giá lượng máu nuôi tim có đầy đủ hay không trong lúc ngh ỉ ngơi và vận

động K thuỹ ật này thường được ch ỉ định để tìm nguyên nhân đau ngực cũng như sau nhồi máu cơ tim để ể ki m tra vùng nào c a tim không nh n đ máu hoủ ậ ủ ặc đánh giá độ ộ r ng t n ổthương cơ tim Bên cạnh đó, kỹ thuật SPECT MPI còn được dùng để xác định xem động

m ch vành có b h p hay không và h p mạ ị ẹ ẹ ở ức độ nào Phương pháp này sẽ được trình bày nhiều hơn ở ph n ti p theo c a lu n án ầ ế ủ ậ

1.2 X ạ hình tưới máu cơ tim b ng máy SPECTằ

1.2.1 Nguyên lý của phương pháp ch p xạ hình tưới máu cơ tim ụ

Có nhiều phương pháp để chẩn đoán bệnh động m ch vành, tạ ừ ệ b nh sử ủa cơn đau c

thắt ngực, đến các xét nghiệm chẩn đoán không xâm lấn như điện tâm đồ, siêu âm, chụp

cộng hưởng từ, xét nghiệm chẩn đoán xâm lấn như chụp mạch cản quang qua da, xạ hình tưới máu cơ tim M i xét nghi m đ u có nhỗ ệ ề ững ưu, nhược điểm riêng Tuy nhiên, phương pháp xạ hình tưới máu cơ tim MPI được sử ụ d ng phổ biến hơn cả trong các trường hợp nguy cơ trung bình và cao vì nh ng giá tr trong chữ ị ẩn đoán nó mang lại

Để ự th c hi n k thu t này, bệ ỹ ậ ệnh nhân được tiêm dược ch t phóng x ấ ạ vào cơ thể theo đường tĩnh mạch Sau đó, máy SPECT sẽ ch p l i hình nh c a nh ng ch t này di chuy n ụ ạ ả ủ ữ ấ ểtrong tim Nh ng chữ ất đánh dấu sẽ đến tim thông qua đường máu Khi nh ng chữ ất đánh

dấu này đến cơ tim thì những nơi nào cơ tim còn hoạt động tốt sẽ ấp thụ đầy đủ nhữ h ng

chất đánh dấu này, còn những nơi không hấp th ất đánh dấu thì chính là vùng không ụch

nhận đủmáu hoặc có thể đã bị hư hại bởi nhồi máu cơ tim Để ụ thể hơn, quá trình tạo c

ảnh x ạ hình tưới máu cơ tim bằng máy SPECT được mô t ả như sau:

Trong thực tế, quả tim được nuôi dưỡng bởi 3 nhánh động m ch gạ ồm động mạch vành phải, động m ch vành trạ ái và động m ch liên thạ ất trước Trong ph n nguyên lý tầ ạo

ảnh x ạ hình tưới máu cơ tim, tác giả gi s qu ả ử ả tim được nuôi b i 2 độở ng mạch là động

12

mạch phải và động mạch trái (hình 1.3.b) Động m ch ph i không b sơ vữa, máu lưu thông ạ ả ị

tốt Động mạch trái b sị ơ vữa, lưu lượng máu lưu thông bị ạ h n ch ế

Hình 1.3 Đặc trưng hình ảnh khuy t x trên x ế ạ ạ hình tưới máu cơ tim

Dược ch t phóng x ấ ạ Tc99m được tiêm vào ngườ ệnh nhân, theo cơ chếi b sinh lý s ẽ

b ịcơ tim bắt gi Ch t phóng x b lưu giữ tại cơ tim phát ra tia gamma có mức năng lượng ữ ấ ạ ị

140 keV, đi qua các tổ ch c cơ thứ ể, đập vào b mề ặt đầu dò và tham gia quá trình t o nh ạ ảHình nh thu nhả ận được chính là mật độ phóng x tạ ại các vùng cơ tim

Trong pha ngh , qu tim vỉ ả ận động bình thường nên nhu c u máu nuôi tim không lầ ớn, cung lượng tim v a phừ ải Do đó, mạch bên trái dù b ị sơ vữa nhưng vẫn cung c p đ ấ ủ lưu lượng máu nuôi sống cơ tim giống như nhánh bên phải Vì cung lượng tim hai nhánh ở

giống nhau nên mật độ phóng xạ ại các vung cơ tim chi phối bởi 2 nhanh cũng tương tự tnhau Điều này d n đ n hình nh cẫ ế ả ắt lát cơ tim có mật độ phóng x ạ tương đối đồng đều,

g n giầ ống với mạch không b ị sơ vỡ Tuy nhiên, đố ới mộ ố ệi v t s b nh nhân nặng, có độ ẹp hlòng m ch l n thì ngay t i pha nghạ ớ ạ ỉ này cũng đã xuất hi n tình tr ng thiệ ạ ếu máu nuôi dưỡng

cơ tim Vì thiếu máu nên mật độ phóng x t i các vùng chi ph i b i 2 nhánh ph i và trái ạ ạ ố ở ảkhông cân ng, d bằ ẫn đến khuy t xế ạ khi so sánh các vùng cơ tim khác nhau Tương ứng v i ớ

m t cân b ng phóng x ấ ằ ạ đó là hình ảnh khuyết xạ trên hình nh cả ắt lát cơ tim (hình 1.3 a).Trong pha g ng s c, qu tim vắ ứ ả ận động mạnh để bơm máu nuôi cơ thể, nhu c u nuôi ầdưỡng cơ tim lớn, cung lượng vành tăng, động mạch vành dãn ra làm tăng tiết di n lòng ệ

mạch đ máu lưu thông nhiều hơn Tạể i nhánh ph i không b xơ vả ị ữa, máu lưu thông tốt cho hình ảnh mậ ột đ phóng xạ đồng đều trên vùng cơ tim chi phối Tại nhánh xơ vữa, bị ẹ h p

13

động m ch, dù thành mạ ạch dãn ra nhưng vẫn không đủ ế ti t di n mệ ạch để máu lưu thông

tốt, dẫ ến máu không đủn đ cung cấp cho vùng cơ tim chi phối tương ứng Vùng cơ tim này

có mậ ột đ phóng xạ ấp hơn vùng cơ tim chi phố th i bở ội đ ng m ch ph i Sạ ả ự ấ m t cân bằng phóng x này gây ra hiạ ện tượng khuy t x trên vùng chi phế ạ ối bở ội đ ng m ch trái Tạ ừ ấ m t cân bằng này, hình nh cả ắt lát cơ tim tương ứng b khuyết xạ Điểị m khuy t x này chính là ế ạ

d u hiấ ệu cơ tim bị ổn thương t

Bác sĩ dựa vào 2 b nh pha ngh và pha g ng s c c a cơ tim k t h p v i các thông ộ ả ỉ ắ ứ ủ ế ợ ớtin lâm sàng s ẽ đưa ra kết qu ảchẩn đoán

1.2.2 Giá trị ủ c a phương pháp x hình tướạ i máu cơ tim b ng máy SPECTằ

Tiêu chuẩn vàng trong xác định độ chính xác của xạ hình tưới máu cơ tim là chụp

động m ch vành Tuy nhiên, mạ ức đô hẹp m ch vạ ành ước tính trên hình nh ch p m ch ả ụ ạthường không tương quan chặt ch v i m c đ n ng v chẽ ớ ứ ộ ặ ề ức năng dự ữ tưới máu độ tr ng

mạch vành Số lượng và mức độ bệnh động mạch vành thường được đánh giá thấp hơn trong ch p mụ ạch vành Hơn nữa, hiện tượng giảm tưới máu sinh lý có thể được quan sát

thấy trên xạ hình mà không phát hi n có h p m ch vành trên ch p m ch là do b nh vi mệ ẹ ạ ụ ạ ệ ạch

ho c khuyặ ết xạ do chuy n hóa [5] ể

Ngày nay, x ạ hình tưới máu cơ tim đã được chấp nh n, s d ng rậ ử ụ ộng rãi, được coi là phương pháp chẩn đoán không ch y máu có vai trò quyả ết định trong lâm sàng Để được điều đó, kỹ thuật này đã có những bước phát tri n không ng ng, t viể ừ ừ ệc tìm ra các dược chấ ắn Tc99m như sestamibi, tetrofosmin , đết g n các phần mềm phân tích định tính được

cải tiến, các phương pháp hiệu chỉnh độ suy giảm (attenuation correction), kết hợp gắn cổng điện tim (ecg gated spect mpi)…Các nghiên cứu lâm sàng đã đưa ra nhiều b ng ch ng ằ ứkhoa h c thuyọ ết phục về s ự chính xác tiên lượng, định hướng điều tr và theo dõi bệnh động ị

m ch vành cạ ủa phương pháp xạ hình tưới máu cơ tim (bảng 1.1)

Tl - 201 Sestamibi Sestamibi Tl - 201 Sestamibi

Tl - 201 Tetrofosmin Sestamibi

độ ừ v a ho c n ng, di n r ng trên x ặ ặ ệ ộ ạ hình MPI, cơn đau thắt ngực đáp ứng kém với điều tr ị

nội khoa, bệnh nhân có kèm theo hình ảnh MPI nhiều dấu hiệu tiên lượng nặng như tổn thương đa mạch, r i lo n v n đ ng thành th t và gi m chố ạ ậ ộ ấ ả ức năng tâm thu thất trái n ng ặ(hình 1.4)

15

Hình 1.4 Chiến thuật điều tr b nh thiị ệ ếu máu cơ tim cục bộ ự d a trên x ạ hình tưới

máu cơ tim

1.2.3 Các yếu tố ả nh hưởng tớ ội đ chính xác kết qu ch n đoán ả ẩ

K thu t x ỹ ậ ạ hình tưới máu cơ tim là mộ ỹt k thuật khó, đòi hỏi nhi u yêu c u k thu t ề ầ ỹ ậ

và ph i tr i qua nhiả ả ều bước mới ra được hình ảnh chẩn đoán đảm b o chả ất lượng Mỗi bước

đều c n th c hiầ ự ện đúng quy trình để không làm ảnh hưởng t i k t qu chớ ế ả ẩn đoán Các yếu

t ố ảnh hưởng tới độ chính xác chẩn đoán như liều lượng thuốc, kỹ thuật tiêm, kỹ thuật chụp, k thu t x lý hình nh, chuyêỹ ậ ử ả n môn bác sĩ, các nhiễu phát sinh Trong ph m vi ạnghiên cứu, tác gi xin trình b y hai y u tả ầ ế ố cơ b n ả góp ph n l n vào sai sót là nhi u do ầ ớ ễ

hi u ng suy gi m và y u t ệ ứ ả ế ốchủ quan của người đọc kết quả

Nhi u ễ ảnh hiệu ứng suy giảm do biến đổi tỉ ọng các mô ềm gây ra làm giảm độ tr mchính xác, độ đặ c hi u k thu t x ệ ỹ ậ ạ hình tưới máu cơ tim [6-9] Hình nh nhi u này nam ả ễ ở

giới thường xuất hiệ ở thành dưới và được gọi là suy giảm do cơ hoành (diaphragmatic n attenuation) gây ra do nh ng tữ ạng dưới cơ hoành nằm gi a tiữ m và đầu thu của gamma camera Hình dạng, kích thước, đặc điểm giải phẫ ủa bệu c nh nhân sẽ quyết định mức độsuy giảm Đôi khi, nhiễu do hiệu ứng suy giảm cũng có ở thành trướ ởc nh ng b nh nhân ữ ệnam gi i to béo ớ Ở ph nụ ữ, hiệ ứu ng suy gi m có nguả ồn gốc từ vú nên hình ảnh giảm mật

độ phóng xạ thường thấ ởy thành trước, m m tim hoỏ ặc thành bên Kích thước, v trí c a vú ị ủ

s quyẽ ế ịt đnh mứ ộc đ nhiễu suy giảm Trong lâm sàng, nhiễu suy giả ở vú có số lượm ng chiếm ưu thế hơn so với nhiễu suy giảm từ các tạng dưới cơ hoành đối nữ ới Một số gi

16

trường h p g p nhi u suy gi m khác là do quá nhi u mô mợ ặ ễ ả ề ỡ, phì đại cơ, bệnh nhân không

có kh ả năng nâng tay trái lên do tổn thương

Để kh c ph c nhi u suy gi m, các k thu t ch p SPECT MPI k t hắ ụ ễ ả ỹ ậ ụ ế ợp điện tâm đồECG-gating MPI, chụp ằm úp được sử ụng để ải thiện khuyết điểm nàyn d c [10] Phương pháp k t hế ợ ảp nh chụp CT để ệ hi u ch nh suy gi m mỉ ả ới được phát tri n gể ần đây, đã tăng độchính xác chuẩn đoán hơn so với các phương pháp hiệu ch nh trên [ỉ 11-13] Tuy nhiên, sốlượng máy s dử ụng phương pháp hiệu ch nh b ng CT còn h n ch ỉ ằ ạ ế vì giá thành đắt lên nhi u, yêu cề ầu cao hơn cho phòng chụp và bảo đảm an toàn bức xạ

Nguyên nhân thứ hai đề ậ ở đây chính là sai sót chủ c p quan của bác sĩ đọc kết quả Nguyên nhân này b t ngu n b i nhi u yắ ồ ở ề ế ố như độu t ph c tạ ủứ p c a hình ảnh, trình độ ủ c a bác sĩ, số lượng bệnh nhân đông, khả năng tập trung, tâm tr ng d n đế ỏạ ẫ n b sót tổn thương, thay đổi chiến lược điều tr sai, gây h u qu nghiêm tr ng ị ậ ả ọ

Theo báo cáo năm 2015 của Vi n Hàn lâm y h c qu c gia Hoa K thì hệ ọ ố ỳ ầu như mỗi người đều s tr i qua m t chẽ ả ộ ẩn đoán sai trong đời [1 ] M4 ột báo cáo khác ch ra t l ch n ỉ ỉ ệ ẩđoán bỏ sót tổn thương, không chính xác được ước tính vào kho ng 10 đ n 15 % ả ế [15] Kết

qu thả ống kê khám nghiệm tử thi bệnh nhân sau điều tr chỉ ra l i chị ỗ ẩn đoán sai gây ra 10% trường h p t vong và t ợ ử ừ 6 đến 17% gây ra tác d ng ph [14ụ ụ ] Điều này gi i thích t i sao ả ạchẩn đoán sai lại gây ra t ừ 40.000 đến 80.000 ca t vong mỗi năm trong các bệử nh vi n Hoa ệ

K ỳ Ở các nước đang phát triể như Viện t Nam, trình độ chuyên môn và cơ sở ật chất vkhông b ng Hoa K thì các con s trên d ằ ỳ ố ự tính còn cao hơn

V t l ề ỉ ệchẩn đoán sai của bác sĩ trong chụp cát l p cớ ộng hưởng t ừ và điện toán phức

tạp, các nghiên cứu hồi cứu chỉ ra con số ừ 30% trở t lên [16] Tỉ ệ ỗi cao tương tự cũng l lđược th ng kê k thu t tim m ch h t nhân [17] ố ở ỹ ậ ạ ạ

Với hai yếu tố gây ra sai sót trong chẩn đoán SPECT MPI trình bày ở trên, việc nghiên

cứu xử lý hình nh gi m nhi u suy gi m và hả ả ễ ả ỗ tr giợ ảm sai sót chủ quan của bác sĩ là những yêu c u c p thi t ầ ấ ế

Không giống như các phương pháp hỗ ợ tr chẩn đoán sử ụng các chỉ ố ố d s th ng kê, trí

tu ệnhân tạo bắt chước và học cách giải thích của các chuyên gia, đưa ra gợi ý chẩn đoán

dựa trên xác suất bất thường [18,19] T ừ đó, bác sĩ có thểso sánh, đối chiếu, hạn chế ỏ b

1.3.1 Tình hình nghiên cứ các giải pháp trong nước u

Trong những năm gần đây, cộng đồng trí tu nhân tệ ạ ởo Vi t Nam đã có những bước ệphát tri n l n Các nghiên c u vể ớ ứ ề ọc máy nói chung và deep learning đang ngày càng hnhi u, ề đi vào các lĩnh vực trong đó có xử lý ảnh y t Theo tìm h u cế iể ủa tác giả đã có nghiên

cứu như phát triển giải pháp hỗ ợ phát hiện các dấu hiệu tổn thương hình khối trên ả tr nh chụp X quang vú, - ứng d ng m ng neural STK trong bài toán nh n d ng tín hi u ECG ụ ạ ậ ạ ệ[20,21] Tuy nhiên, các nghiên c u mô hình h c máy trong x lý ứ ọ ử ảnh SPECT tim thì chưa

có Nguyên nhân ban đầu có thể ỉ ch ra là cơ sở ữ d liệu về lĩ nh v c này còn r t h n ch , khó ự ấ ạ ếtruy c p ậ

Hiện nay, đánh giá trực quan là bước đầu tiên trong xác định khuyết xạ tưới máu và thiếu máu cục bộ trong trả ời xạ l hình tưới máu cơ tim Để ỗ ợ h tr , một phương pháp bán định lượng được s d ng rử ụ ộng rãi là mô hình 17 đoạ ạ ản t o nh c c (ự polar map) [22] Ảnh

cực là ảnh 2D tổng hợp từ các ảnh lát cắt 3D theo khuyến cáo của hội tim mạch hạt nhân Hoa K ỳ để đơn giản hóa hi n th hệ ị đồ ọa củ chỉ ố định lượa s ng b ng cách hi n th mằ ệ ị ột ảnh

tổng hợp duy nhất Các chỉ ố s này định lượng mức độ tổn thương bằng tổng số điểm (summed score) dựa vào thang điểm mức độ ặ n ng cho mỗi đoạn (segment), có thể tính đượ ổng điểc t m pha ngh (SRS: Summed Rest Score), t ng s m pha g ng s c (SSS: ỉ ổ ố điể ắ ứSummed Stress Score) và điểm chênh l ch gi a 2 pha (SDS: summed differences score), ệ ữ

tổng khuyết xạ (TPD: total perfusion deficit) Các chỉ ố định lượng này phản ánh tình s

trạng thiếu máu cục bộ và nhồi máu [23-25] Các chỉ ố này được tính bằng cách sử ụ s d ng các thang điểm, trung bình thống kê, độ ệ l ch c a tủ ừng đoạn Các chỉ ố này đã giúp ích s nhiều cho các bác sĩ trong phương pháp chẩn đoán trực quan Tuy nhiên, nhiều nghiên đã

chứng minh r ng trí tu nhân t o cung cằ ệ ạ ấp độ chính xác cao hơn các chỉ ố s này được trình bày ph n ti p theo c a lu n án ở ầ ế ủ ậ

18

1.3.2 Tình hình nghiên cứ các giải pháp ngoài nước.u

Trong nhiều năm qua, xạ hình tưới máu cơ tim là một m ng quan tr ng trong y hả ọ ọc

hạt nhân, là nền tảng trong chẩn đoán bệnh mạch vành tắc nghẽn [ ] Sự26 chuyển từ chụp phẳng (planar) sang chụp cắt lớp đưa ra nhiều hình ảnh gấp hàng trăm lần cùng các thông tin lâm sàng đã làm cho khối lượng thông tin c n t ng hầ ổ ợp tăng lên, dễ gây ra sai sót ch ủquan cho bác sĩ Trí tuệ nhân tạo đang nổi lên là một phương pháp giúp lĩnh vực tim m ch ạhạt nhân vượt ra khỏi giới hạn của các phương pháp thống kê thông thường trong chẩn đoán, tiên lượng và an toàn điều tr B ng vi c k t h p hình nh ch p, h ị ằ ệ ế ợ ả ụ ồ sơ bệnh án và có

th c bể ả ản đồ gen đểtrích xuất ra các đặc trưng đưa vào mạng họ ểc đ xuất ra những tr l i ả ờ

Hình 1.5 S phát triự ển của h c máy trong tim m ch họ ạ ạt nhân

19

Arsajani và c ng sộ ự ự th c hi n m t nghiên cệ ộ ứu được thi t kế ế để cải thiệ ộn đ chính xác

của MPI cho dự đoán CAD bằng cách sử ụng thuật toán ọc có giám sát trong 957 bệ d h nh nhân b ng cách sằ ử ụ d ng hình ảnh tưới máu và bi n chế ức năng [ ] Trong đó, 334 27 ca có

kh ả năng thấp b mị ạch vành và 623 ca có dấu hiệ ổn thương ạch vành ết quả ủa học u t m K cmáy được so sánh v i ph n mớ ầ ềm định lượng t ự động và 2 bác sĩ đọc k t qu có kinh ế ảnghi m ệ Độ nhạy và độ đặc hi u cho k t qu cao hơn hẳn Đườệ ế ả ng cong ROC th hiện vùng ể

dưới đồ th ị AUC (Areas under the receiver operating characteristic curve cho SVM- ) (Support vector machine) là 0.92 so với 0.87 và 0.88 tương ứng của 2 bác sĩ (p <0,03).Nghiên c u chứ ỉ ra độ chính xác ML (machine learning) có thể so sánh đượ ớc v i các chuyên gia nếu được huấn luy n t t ệ ố

Hình 1.6 So sánh đường cong ROC gi a SVM ữ

và 2 bác sĩ trong dò tìm tổn thương cơ tim

Tương tự ậ v y, Arsajani và c ng s ộ ự cũng đưa ra một nghiên c u khác trên 1181 b nh ứ ệnhân để ự đoán CAD bằ d ng cách tích h p các d li u lâm sàngợ ữ ệ (post –ecg, tuổi, gi i tính, ớTPD (total perfusion deficit), tham s chênh l ch pha g ng s c và pha ngh , tri u chố ệ ắ ứ ỉ ệ ứng thiếu máu thoáng qua TID (Transient Ischemic Dilation) và hình ảnh đưa vào các thuật ) toán ML để ả c i thiện độchính xác SPECT tim [28] Thuật toán h c máy logit-ọ boost được

s dử ụng trong nghiên cứu này Khuyết xạ tưới máu tổng TPD (total perfusion deficit) được tính b ng phằ ần mềm định lượng tự động và có 2 chuyên gia có 30 năm và 10 năm kinh

20

nghi m ệ đọc hình ảnh Kết quả là ML có độ chính xác tương đương chuyên gia 1 và tốt hơn

phần mềm tính TPD cho nằm sấp và nằm ngửa (hình 1.7) Đường cong ROC cho thuật toán ML (0,94 ± 0,01) là vượt tr i so vộ ới phương pháp TPD và hai chuyên gia vớ ựi s khác

biệt có ý nghĩa thống kê (p <.001) Cuối cùng, Arsajani và c ng s k t luộ ự ế ận rằng ML tích

hợp với thông tin lâm sàng đã có thể cải thiệ ộn đ chính xác chẩn đoán của SPECT MPI đểphù h p v i nhợ ớ ững người đọc chuyên gia

Hình 1.7 Độ ạy, độ đặ nh c hiệu và độ chính xác c a thu t toán ML so v i TPD và ủ ậ ớ

phân tích tr c quan c a 2 chuyên gia.ự ủNăm 2017, Betancur và cộng s ự đã thực hi n m t nghiên cệ ộ ứu đánh giá giá trị tiên lượng khi k t h p ế ợ ảnh tưới máu SPECT MPI v i thông tin bớ ệnh nhân để ự đoán các biế d n

c ốtim mạch bất lợi MACE (major adverse cardiovascular eve ) thông qua sử ụng thuật nts dtoán ML [ ] Lý do là hi n nay ch29 ệ ẩn đoán trên ảnh MPI chỉ ự d a vào hình ảnh cùng tham

s ố phân tích định lượng mà không để ý đ n các xét nghi m lâm sàng khác có kh ế ệ ả năng dẫn đến dương tính giả cao D li u g m 2619 b nh nhân (48ữ ệ ồ ệ % là nam) đượ ấ ảc l y nh MPI 2 ởpha ngh /g ng s c, 38 % g ng s c th l c và 62% dùng thu cỉ ắ ứ ắ ứ ể ự ố Đặc tính h c cho máy g m ọ ồcác đặc trưng của bệnh nhân như tuổi, gi i tính, ti n s ớ ề ử gia đình (hút thuốc, đau ngực, h ệ

s ố nguy cơ) và đặc tính hình ảnh pha nghỉ và gắng sức Các đặc tính này gồm 28 đặc tính

21

ảnh, 17 đặc tính g ng sắ ức, 28 đặc tính b nh nhân Khám bệ ệnh lâm sàng được th c hi n b i ự ệ ởnhiều bác sĩ, những ngườ ắi n m rõ thông tin b nh nhân Thu t toán h c máy là Logit Boost ệ ậ ọ

Kết quả chỉ ra ML kết hợp thông tin lâm sàng dự đoán MACE vượt trội so với ML chỉ ử s

dụng hình ảnh (AUC: 81 so vớ 78, p <.01), cao hơn chuyên gia đọc kinh nghiệm, 0 i 0phương pháp TPD cho ảnh pha g ng s c (automated stress total perfusion deficit)ắ ứ , phương pháp tính khuy t xế ạ tưới máu cục bộ t ng ự độ (automated ischemic perfusion deficit) tương

ứng AUC: 0.81 vs 0.65 vs 0.73 vs 0.72, p < 0.01 (hình 1.8 )

Hình 1.8 Đường cong ROC cho d ự đoán biến c tim b t l i MACEố ấ ợ

Năm 2018, Betancur và cộng s đã thựự c hi n nghiên cệ ứu đa trung tâm ứng d ng Deep ụlearning (DL) vào dự đoán bệnh t c nghắ ẽn mạch vành bằng ảnh SPECT MPI và so sánh với phương pháp TPD (hình 1.9) [30] Số lượng bệnh nhân nghiên cứu là 1638, có 1018 ca (62%) và 1797 (37%) trên t ng 4914 m ch nhánh bổ ạ ị ắ t c nghẽn Thuật toán DL được huấn luyện vớ ải nh cực ban đầu (polar map) và nh c c định lượng (quantitative polar map) K t ả ự ế

qu ảcho thấy DL có AUC cao hơn TPD (trên mỗi bệnh nhân 0,80 so với 0,78; mỗi nhánh 0,76 so v i 0,73 p <ớ ( 0.01) Bài báo k t lu n Deep learning có khế ậ ả năng phát triển trong

22

nâng cao khả năng phát hiệ ện b nh đ ng m ch vành khi so sánh vộ ạ ới các phương pháp y học

hi n nay ệ

Hình 1.9 Mô hình DL trong d ự đoán tắc ngh n m ch vànhẽ ạ

V hiề ệu chỉnh ảnh suy giảm cho ảnh SPECT MPI, trong lâm sàng các biện pháp kỹthuật đã được thực hiện như chụp SPECT kết hợp điện tim, chụp nằm úp cũng như các thuật toán tái tạo OSEM (ordered subset expectation maximization), IRAC (iterative reconstruction attenuation correction), FBP (images filtered back projection) được phát tri n Hi u qu nh t hi n t i là k thu t g n thêm máy ch p cể ệ ả ấ ệ ạ ỹ ậ ắ ụ ắt lát CT vào máy SPECT để

đo trực ti p s suy giế ự ảm photon trong cơ thể và k t h p v i các thu t toán trên cho ra nh ế ợ ớ ậ ả

hiệu chỉnh Tuy nhiên, phương pháp gắn thêm máy CT này đang tồn tại những vấ ền đ như giá thành và yêu c u phòng ch p cao, thu t toán phầ ụ ậ ức tạp, khó ghép nh do chuyả ển động

của bệnh nhân, an toàn bức xạ… Các phương pháp hiệu chỉnh sử ụng mô hình mạ d ng neural mới được áp dụng gần đây vào hiệu ch nh nhiỉ ễu cho CT li u th p [ề ấ 31-34], nhưng chưa thấy có nghiên c u xây d ng mô hình hi u ch nh suy gi m cho nh SPECT MPI ứ ự ệ ỉ ả ả

Với sự phát triển của tim mạch hạt nhân, học máy nói chung và Deep Learning nói riêng đang có những bướ ế ớc ti n l n trong nghiên c u nh SPECT MPI Trong th i gian t i, ứ ả ờ ớnhiều mô hình thuật toán mới sẽ góp phần hiệu chỉnh ảnh, nâng cao độchính xác trong

chẩn đoán hơn nữa

23

Bảng 1.2 Các nghiên c u s dứ ử ụng học máy ng d ng trong tim mứ ụ ạch hạt nhân

1.3.3 Nhận xét, đánh giá các nghiên c u đã kh o sát và đ xuấứ ả ề t hư ng nghiên ớ

cứu của tác giả

Trong các nghiên cứu trước đây, học máy và sự ắt đầ b u của deep-learning được ứng

d ng trong x lý nh SPECT nh m nâng cao hi u qu ụ ử ả ằ ệ ảchẩn đoán, tiên lượng nguy cơ Cácnghiên cứu đã chỉ ra độchính xác của học máy có thể so sánh được với các chuyên gia và hơn hẳn các phương pháp thống kê định lượng thông thường như TPD, SSS, SRS, SDS Bên cạnh đó, dữ ệ li u ảnh SPECT tim k t hế ợp với các thông tin lâm sàng đã giảm hẳn các dương tính giả, nâng cao độ chính xác chuẩn đoán khi so sánh với h c máy ch s d ng ọ ỉ ử ụ

ảnh ch p SPECT MPI T i thụ ạ ời điểm nghiên cứu đó, các thành công này góp phần phát tri n hể ọc máy trong lĩnh vực tim mạch hạt nhân

Vài năm gần đây ớ ự, v i s phát tri n nhanh chóng c a ngành tim m ch h t nhân, k ể ủ ạ ạ ỹthuật SPECT MPI cũng nhiều thay đổi từ chụp không có hiệu chỉnh suy giảm tới có hiệu chỉnh suy gi m, s ả ố lượng lát cắt tim, độ phân gi i hình ả ảnh tăng cùng v i nh ng thông tin ớ ữlâm sàng nhiều hơn làm cho khối lượng tính toán và các thu t toán hậ ọc máy trước đây khó

có th ể đáp ứng được S phát triự ển mạnh m c phẽ ủa ần cứng nâng tốc độ tính toán và thuật toán Deep Learning như VGG, Inception, Resnet, EffictienNet trong lĩnh vực th giác máy ị

t o [10-13] ạ

• D liữ ệu đầu vào là ảnh cự Ảc nh c c là k t qu của một phép biến đổi theo hướng ự ế ả

dẫn của hội tim mạch hạt nhân Hoa Kỳ và Châu Âu từ các ảnh lát cắt tim thành

m t ộ ảnh tổng hợp duy nhấ Ảnh cực giúp bác sĩ có cái nhìn tổng quát về ổn t tthương [30] Tuy nhiên, phép biến đổi này có nguy cơ làm mất thông tin trong quá trình biến đổi Do đó, bác sĩ thường nhìn c nh c c và nh lát c t trong khi ả ả ự ả ắ

đọc k t qu N u ch ế ả ế ỉ đưa ảnh cực vào thì độ chính xác c a mô hình s gi m ủ ẽ ả

xu ng ố

• Phương pháp thống kê định lượng như TPD, SRS, SSS, SDS d a trên cơ s d ự ở ữliệu bệnh nhân chuẩn của nước ch tạo máy SPECT, thông thườế ng là Hoa K V ỳ ềđặc điểm sinh h c c a t ng chọ ủ ừ ủng người là khác nhau nên cơ sở ữ ệ d li u chu n ẩcũng khác nhau theo từng nước [40,41] Do v y, mô hình chậ ẩn đoán so sánh với TPD SRS, SSS, SDS , cũng nên áp dụng v i tớ ừng đối tượng c th ụ ể

• Thu t toán h c máy LogitBoot là m t thu t toán hậ ọ ộ ậ ọc máy cơ bản Các thu t toán ậ

hi n nay có hi u suệ ệ ất cao hơn đã được phát tri n ể

• Mô hình thuật toán Deep Learning áp dụng còn đơn giản, góp ph n dầ ẫn đến k t ế

qu ả còn chưa cao

Bên cạnh đó, tác giả ậ nh n th y s ấ ố lượng nghiên c u h c máy v ch p c t l p CT r t ứ ọ ề ụ ắ ớ ấnhiều nhưng sốnghiên cứu về SPECT MPI còn ít Nguyên nhân có thể ể đến là kỹ k thuật SPECT MPI là kỹ thuật khó, không ph i trung tâm y hả ọc hạt nhân nào cũng làm được Thêm nữa, sự ế ti p c và xây dận ựng ngu n d liồ ữ ệu khó khăn làm việc xây d ng bự ộ ữ ệ d li u chuẩn không dễ ực hiệ th n [42] Một vài nghiên cứu về SPECT MPI có kết quả ốt nhưng t

h thệ ống máy SPECT đơn thuần đang chiếm khoảng 80% thị trường và đây là những hệ

thống dễ ị ảnh hưở b ng b i nhi u suy gi m [43,44] Mở ễ ả áy SPECT thông thường ch p không ụ

có chức năng hiệu ch nh s làm giảm độ chính xác chuẩn đoán Bài toán lọc nhiễu suy giảm ỉ ẽ

bằng mô hình mạng nhân tạo có ý nghĩa lớn trong thực tế ả ề y học, kinh tế và an toàn c v

bức xạ

1.4 K ỹ thuật học sâu

Trong các ki n trúc h c sâu, mế ọ ạng Nơron tích chập CNN được sử ụ d ng nhi u trong ề

lĩnh vực thị giác máy tính Thực c ất một mạng Nơron tích chập (CNN) là một trường hợp h

đặc bi t c a m ng N ron nhi u lệ ủ ạ ơ ề ớp Nó được thi t k v i mế ế ớ ục đích nhận d ng m u tr c ạ ẫ ự

ti p t ế ừcác giá trị điể ảnh mà không đòi hỏ m i quá nhi u các khâu tiề ền xử lý Hình 1.10 mô

t mả ột mô hình một mạng CNN đơn giản Các khối C1 đến C5 thể ện các lớp tích chập hi

của mạng (Convolution) Đây là các lớp chứa các tham số ọc cho phần trích chọn đặc h

trưng Mỗi giá trị trong kết quả đầu ra của một lớp tích chập thể ệ hi n mối quan hệ ủa một cvùng nhi u giá trề ị đi m ể ảnh đầu vào Ngoài các l p tích ch p (Convolution), ph n trích ớ ậ ầchọn đặc tr ng còn ch a m t s các lư ứ ộ ố ớp lo i khác nhạ ư: các lớp gộp (Pooling layer), các l p ớchuẩn hóa (Normalization Layer) Phần phân lớp là một mạng Nơron đầ ủy đ dùng để ánh

x ạ đặc trưng thu được sau l p tích ch p th n m vào các l p t ng ứớ ậ ứ ă ớ ươ ng trong t p nhãn Giá ậ

tr trị ọng số ủa mạng Nơron cũng như các giá trị tham số c c ủa các lớp tích chập này sẽ được

h c trong quá trình hu n luy n m ng ọ ấ ệ ạ

Các đặc trưng của hình ảnh được trích ch n t l p tích ch p Tích ch p duy trì m i ọ ừ ớ ậ ậ ốquan hệ ữ gi a các pixel b ng cách tìm hiằ ểu các đặc trưng của hình nh b ng cách sả ằ ử ụ d ng các ô vuông nhỏ ủa dữ ệu đầu vào Đây là một phép toán vớ c li i 2 đầu vào là ma trận hình

26

ảnh và b l c Các độ ọ ặc trưng của hình ảnh như phát hiện c nh, làm m , làm s c nét… có ạ ờ ắ

th ể được th c hiự ện với các bộ ọ l c khác nhau khi k t hế ợp bộ ọc vớ l i hình ảnh đầu vào

Hình 1.10 Mạng nơron tích chập CNNTrong máy tính, các màu red (đỏ), green (xanh lục), blue (xanh lam) được vi t t t là ế ắRGB, là ba màu chính c a ánh sáng khi tách ra tủ ừ lăng kính Khi trộn ba màu trên theo tỉ

l nhệ ất định có thể ạo thành các màu khác nhau Mỗi một màu được chọn thì tương ứ t ng

với một bộ 3 số nguyên tương ứng (R, G, B) trong khoảng [0, 255] Do có 256 cách chọn

R, 256 cách ch n màu G, 256 cách ch n B nên t ng sọ ọ ổ ố màu có thể tạo ra bằng hệ màu RGB là: 256 * 256 * 256 = 16777216 màu

Một tấm ảnh k thu t s ỹ ậ ố đượ ạc t o b i r t nhiở ấ ều điể ảnh, đượm c g i là pixel (vi t t t ọ ế ắpx) M i pixel là m t kh i màu r t nhỗ ộ ố ấ ỏ và là đơn vị cơ bản nhất để ạ t o nên m t bộ ức ảnh

Ví d , m t tụ ộ ấ ảnh có kích thướm c 800 pixel * 600 pixel, có thể biểu diễn dướ ại d ng một

ma trận kích thước 600 * 800 (vì định nghĩa ma trận là s hàng nhân s c t) (hình 1.11) ố ố ộ