Nghiên cứu xử lý ảnh spect tim trong hỗ trợ chẩn đoán bệnh động mạch vành744

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Nguyễn Thành Trung NGHIÊN CỨU XỬ LÝ ẢNH SPECT TIM TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH ĐỘNG MẠCH VÀNH Ngành: Kỹ thuật điện tử Mã số: 9520203 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội – 2021 Cơng trình hồn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: TS Nguyễn Thái Hà GS TS Nguyễn Đức Thuận Phản biện 1: PGS.TS Trần Đức Tân Phản biện 2: PGS.TS Hồng Văn Phúc Phản biện 3: PGS.TS Ngơ Quốc Tạo Luận án bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp Trường Đại học Bách khoa Hà Nội Vào hồi 30 phút, ngày 11 tháng 03 năm 2021 Có thể tìm hiểu luận án thư viện: Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội Thư viện Quốc gia Việt Nam MỞ ĐẦU Lý chọn đề tài, mục đích nghiên cứu Bệnh động mạch vành bệnh lý tim mạch hay gặp nhất, nguyên nhân gây tử vong hàng đầu giới Tổ chức y tế giới ước tính có tới 3,8 triệu đàn ông 3,4 triệu phụ nữ chết bệnh động mạch vành năm Tại nước Bắc Mỹ Tây Âu, tỉ lệ chết bệnh giảm nước phát triển, có Việt Nam, tỉ lệ tăng nhanh với ước tính khoảng 82% tỉ lệ chết bệnh động mạch vành tương lai Xạ hình tưới máu tim (Myocardial Perfusion Imaging) phương pháp chẩn đoán bệnh thiếu máu tim cục khơng chảy máu có độ nhạy độ đặc hiệu cao Kỹ thuật thực rộng rãi nước phát triển giá trị chẩn đốn mang lại Tuy nhiên, kỹ thuật xạ hình tưới máu tim kỹ thuật khó, trải qua nhiều bước thực từ dược chất phóng xạ, ghi hình, xử lý hình ảnh đọc kết Độ chuẩn xác bước ảnh hưởng tới độ xác chẩn đốn Trong yếu tố làm giảm độ xác chẩn đốn nhiễu suy giảm ghi hình sai sót chủ quan bác sĩ đọc kết yếu tố quan trọng gây ảnh hưởng tới chất lượng chẩn đoán Một, nhiễu suy giảm tượng suy giảm photon qua tổ chức mơ có tỉ trọng khác nhau, làm cho photon không đến đầu dò máy chụp cắt lớp phát xạ vi tính đơn photon (SPECT), dẫn đến phân bố phóng xạ tim ghi máy SPECT khơng xác Để giải vấn đề này, nhiều giải pháp đưa chụp nằm sấp, cải tiến thuật toán tái tạo hiệu gắn thêm máy chụp cắt lớp vi tính (CT) vào máy SPECT Tuy nhiên, giá thành máy SPECT tăng lên đáng kể, kèm theo chi phí phịng ốc làm tăng nguy an tồn xạ…Thêm vào đó, theo thống kê, số lượng máy SPECT đơn chiếm khoảng 80 % giới nên giải nhiễu suy giảm mà tận dụng máy có ý nghĩa quan trọng Hai, sai sót chủ quan bác sĩ bắt nguồn trình độ chun mơn, độ phức tạp hình ảnh, số lượng bệnh nhân lớn, khả tập trung, tâm tr ạng, sức khỏe…Theo thống kê Hoa Kỳ, sai sót chẩn đốn chung ước tính vào khoảng 10 đến 15% tim mạch hạt nhân 30 % Giải pháp hỗ trợ phân loại bệnh nhân có tổn thương khơng có tổn thương phát triển nhằm giúp bác sĩ định ảnh SPECT tim Về giải pháp hộ trợ giống người đọc thứ có nhiệm vụ xác định tổn thương hình ảnh SPECT tim Vì vậy, mục đích luận án đề xuất giải pháp loại bỏ nhiễu suy giảm mà không dùng đến máy CT, tận dụng máy SPECT thông thường giải pháp hỗ trợ bác sĩ định ảnh SPECT tim Tuy nhiên, để giải hai vấn đề trên, việc xây dựng sở liệu nhằm thử nghiệm thuật toán cần thiết Đối tượng phạm vi nghiên cứu luận án Đối tượng nghiên cứu luận án đặc trưng hình ảnh SPECT tim, mơ hình lọc nhiễu phân lớp Phạm vi nghiên cứu luận án liệu khoa Y học Hạt nhân, Bệnh viện Trung ương Quân đội 108 từ năm 2015 tới nay, mơ hình học máy áp dụng lĩnh vực thị giác máy tính nh ững năm gần đây, đặc biệt mơ hình lọc nhiễu chụp cắt lớp CT Ý nghĩa khoa học thực tiễn luận án Về ý nghĩa khoa học: Có liệu SPECT tim có số lượng lớn, độ xác cao, xây dựng sở y học hạt nhân có uy tín cơng bố rộng rãi Bộ liệu xây dựng với đặc trưng hình ảnh SPECT tim người Việt Nam Đây không phục vụ cho nghiên cứu tác giả mà phục vụ nghiên cứu khác xử lý ảnh, hỗ trợ chẩn đoán bệnh động mạch vành ảnh SPECT tim sau Vấn đề xử lý nhiễu suy giảm ảnh SPECT tim deep learning nghiên cứu tổng thể, có hệ thống sở liệu lớn, độ xác cao, thực sở y học hạt nhân tin cậy Mô hình lọc nhiễu đề xuất có độ xác tương đương việc lắp thêm máy ch ụp cắt lát CT thuật toán phức tạp vào máy SPECT thông thường Vấn đề hỗ trợ bác sĩ trả lời kết xạ hình tưới máu tim nghiên cứu tổng thể Điều thể thơng phương pháp phân loại tổn thương hay không tổn thương đề xuất Về ý nghĩa thực tiễn: Tập liệu SPECT tim công bố r ộng rãi động lực để phát triển thuật toán học máy nghiên cứu xử lý nhiễu suy giảm, hỗ trợ chẩn đoán sau Giải pháp hiệu chỉnh nhiễu suy giảm mơ hình deep learning mang lại nhiều ý nghĩa thực tiễn giảm liều chiếu xạ cho bệnh nhân, giảm chi phí mua sắm thiết bị, chi phí xây dựng phịng ốc bảo đảm an tồn xạ, tận dụng phát huy máy SPECT đơn sẵn có, cảm hứng để phát triển hệ máy SPECT tương lai, mở rộng áp d ụng để hiệu chỉnh suy giảm cho ảnh PET/CT ảnh PET/MR… Giải pháp h ỗ trợ chẩn đốn phân loại có tổn thương hay khơng có tổn thương tim ảnh SPECT tim Các bác sĩ tập trung phân tích nhiều vào trường hợp nghi ngờ, giảm sai sót, tăng độ xác chẩn đốn Cấu trúc luận án Luận án bao gồm chương, chương trình bày tổng quan bệnh động mạch vành, phương pháp chẩn đoán, phương pháp xạ hình tưới máu tim máy SPECT, h ạn chế phương pháp hỗ trợ Chương luận án trình bày xây d ựng sở liệu SPECT tim làm sở để thử nghiệm đánh giá thuật toán học máy Tiếp theo, chương đề xuất mơ hình lọc nhiễu suy giảm cho máy SPECT khơng có chức hiệu chỉnh CT Chương đề xuất giải pháp hỗ trợ chẩn đốn hình ảnh SPECT tim nâng cao chất lượng hình ảnh cho máy SPECT thơng thường mơ hình hỗ trợ định nhằm nâng cao độ xác chẩn đốn Phần cuối luận án kết luận hướng phát triển đề tài CHƯƠNG TỔNG QUAN VỀ PHƯƠNG PHÁP XẠ HÌNH TƯỚI MÁU CƠ TIM BẰNG MÁY SPECT 1.1 Bệnh lý động mạch vành Ở hầu giới, có Việt Nam, bệnh động mạch vành CAD (coronary artery disease) vấn đề quan tâm hàng đầu y h ọc đại tỷ lệ mắc ngày cao nguyên nhân gây tử vong, sức lao động Với bệnh nhân bị bệnh động mạch vành, chi phí điều trị lớn, đặc biệt dành cho việc điều trị bệnh mức độ nặng biến chứng Xơ vữa động mạch nguyên nhân bệnh động mạch vành Xơ vữa động mạch làm dày thành động mạch, xâm lấn dần vào lịng mạch gây hẹp kính, dẫn đến giảm lưu lượng dòng chảy gây triệu chứng thiếu máu cục tim Thêm nữa, mảng xơ vữa bị rách, vỡ tạo điều kiện hình thành huyết khối gây bít tắc lịng mạch, dẫn đến biến chứng nặng nề nhồi máu tim cấp (hình 1.1) Hình 1.1 Bệnh động mạch vành Có nhiều phương pháp để chẩn đoán bệnh động mạch vành, từ bệnh sử đau thắt ngực, đến xét nghiệm chẩn đốn khơng xâm lấn điện tâm đồ, siêu âm, chụp cộng hưởng từ, xét nghiệm chẩn đoán xâm lấn chụp mạch cản quang qua da, xạ hình tưới máu tim Mỗi xét nghiệm có ưu, nhược điểm riêng Tuy nhiên, phương pháp xạ hình tưới máu tim MPI sử dụng phổ biến trường hợp nguy trung bình cao giá trị chẩn đốn mang lại 1.2 Xạ hình tưới máu tim máy SPECT Xạ hình tưới máu tim MPI (myocardial perfusion imaging) máy chụp cắt lớp phát xạ đơn photon SPECT (single photon emission computed tomography) kỹ thuật dùng để đánh giá lượng máu ni tim có đầy đủ hay không lúc nghỉ ngơi vận động (hình 1.2) Kỹ thuật thường định để tìm nguyên nhân đau ngực sau nhồi máu tim để kiểm tra vùng tim không nhận đủ máu đánh giá độ rộng tổn thương tim Bên cạnh đó, kỹ thuật SPECT MPI dùng để xác định xem động mạch vành có bị hẹp hay khơng hẹp mức độ Hình 1.2 Quy trình xạ hình tưới máu tim Ngày nay, xạ hình tưới máu tim chấp nhận, sử dụng rộng rãi, coi phương pháp chẩn đốn khơng chảy máu có vai trị định lâm sàng Các nghiên cứu lâm sàng đưa nhiều ch ứng khoa học thuyết phục xác tiên lượng, định hướng điều trị theo dõi bệnh động mạch vành phương pháp xạ hình tưới máu tim (bảng 1.1) Bảng 1.1 Độ nhậy, đặc hiệu SPECT MPI chẩn đoán bệnh động mạch vành STT Tác giả Dược chất phóng xạ Độ Đặc hiệu nhạy Elhendy Azzarelli San Roman 76 73 95 77 Tetrofosmin 87 70 Budoff Tetrofosmin 75 71 Iskandrian Sestamibi 87 69 Candell- Riera Tl - 201 93 94 Berman Sestamibi 96 82 Kiat Sestamibi / Tl - 201 94 80 Mahmanrian Sestamibi 87 87 10 Bệnh Tl - 201 82 - 86 74 - 78 108 viện Sestamibi / Tetrofosmin TƯQĐ Tetrofosmin / Sestamibi Các yếu tố ảnh hưởng tới độ xác chẩn đốn liều lượng thuốc, kỹ thuật tiêm, kỹ thuật chụp, kỹ thuật xử lý hình ảnh, chun mơn bác sĩ, nhiễu phát sinh Trong phạm vi nghiên cứu, tác giả xin trình bầy hai yếu tố góp phần lớn vào sai sót nhiễu hiệu ứng suy giảm yếu tố chủ quan người đọc kết Nhiễu ảnh hiệu ứng suy giảm biến đổi tỉ trọng mơ mềm gây làm giảm độ xác, độ đặc hiệu kỹ thuật xạ hình tưới máu tim Để khắc phục nhiễu suy giảm, kỹ thuật chụp SPECT MPI kết hợp điện tâm đồ ECG-gating MPI, chụp nằm úp sử dụng để cải thiện khuyết điểm Phương pháp kết hợp ảnh chụp CT để hiệu chỉnh suy giảm phát triển gần đây, tăng độ xác chuẩn đốn so với phương pháp hiệu chỉnh Tuy nhiên, số lượng máy sử dụng phương pháp hiệu chỉnh CT cịn hạn chế giá thành đắt lên nhiều, u cầu cao cho phòng chụp bảo đảm an toàn xạ Nguyên nhân thứ hai đề cập sai sót chủ quan bác sĩ đọc kết Nguyên nhân bắt nguồn nhiều yếu tố độ phức tạp hình ảnh, trình độ bác sĩ, số lượng bệnh nhân đông, khả tập trung, tâm trạng dẫn đến bỏ sót tổn thương, thay đổi chiến lược điều trị sai, gây hậu nghiêm trọng Với hai yếu tố gây sai sót chẩn đốn SPECT MPI trình bày trên, việc nghiên cứu xử lý hình ảnh giảm nhiễu suy giảm hỗ trợ giảm sai sót chủ quan bác sĩ yêu cầu cấp thiết 1.3 Giải pháp xử lý ảnh SPECT tim hỗ trợ chẩn đoán bệnh động mạch vành Trong năm gần đây, cộng đồng trí tuệ nhân tạo Việt Nam có bước phát triển lớn Các nghiên cứu học máy nói chung deep learning ngày nhiều, vào lĩnh vực có xử lý ảnh y tế Tuy nhiên, nghiên cứu mơ hình học máy xử lý ảnh SPECT tim chưa nhiều Ngun nhân ban đầu sở liệu lĩnh vực cịn hạn chế, khó truy cập Theo PubMed, số nghiên cứu lĩnh vực tim mạch hạt nhân năm 2018 tăng gấp đôi so với tổng hai năm trước cho thấy quan tâm ngày tăng học máy Với góc nhìn tại, theo tác giả nghiên cứu trước cịn tồn số điểm: Chưa có nghiên cứu hiệu chỉnh nhiễu suy giảm mơ hình học máy tập liệu lớn Hầu hết phương pháp hiệu chỉnh nhiễu suy giảm biện pháp kỹ thuật thực hành y học, xử lý phần cứng thuật tốn khơng liên quan tới trí tuệ nhân tạo Về ứng dụng học sâu hiệu chỉnh nhiễu suy giảm có nghiên cứu liệu với 65 mẫu Dữ liệu đầu vào ảnh cực Ảnh cực kết phép biến đổi theo hướng dẫn hội tim mạch hạt nhân Hoa Kỳ Châu Âu từ ảnh lát cắt tim thành ảnh tổng hợp Tuy nhiên, phép biến đổi có nguy làm thơng tin q trình biến đổi Nếu đưa ảnh cực vào độ xác mơ hình giảm xuống Phương pháp thống kê định lượng TPD, SRS, SSS, SDS dựa sở liệu bệnh nhân chuẩn nước chế tạo máy SPECT, thông thường Hoa Kỳ Về đặc điểm sinh học chủng người khác nên sở liệu chuẩn khác theo nước Do vậy, mơ hình chẩn đốn so sánh với TPD, SRS, SSS, SDS nên áp dụng với đối tượng cụ thể Thuật toán học máy LogitBoot thuật toán học máy Các thuật toán có hiệu suất cao phát triển Mơ hình thuật tốn Deep Learning áp d ụng cịn đơn giản, góp phần dẫn đến kết cịn chưa cao 1.4 Kết luận chương Từ điểm hạn chế kết hợp với điều kiện yêu cầu tại, tác giả đề xuất hướng nghiên cứu sau: Nghiên cứu xây dựng liệu chuẩn SPECT MPI người Việt Nam với số mẫu lớn theo tiêu chuẩn liệu chuẩn ImageNet Nghiên cứu xây dựng mơ hình lọc nhiễu suy giảm cho máy SPECT thơng thường Nghiên cứu xây dựng mơ hình phát tổn thương, hỗ trợ chẩn đoán CHƯƠNG XÂY DỰNG BỘ CƠ SỞ DỮ LIỆU SPECT TIM 2.1 Vấn đề nghiên cứu Hỗ trợ chẩn đoán máy tính CADx (Computer-aided diagnosis) nghiên cứu với mục đích hỗ tr ợ bác sĩ đọc kết chẩn đốn SPECT MPI, hạn chế sai sót chủ quan, kinh nghiệm lâm sàng phức tạp hình ảnh… Mặc dù, CADx mang lại kết nghiên cứu khả quan chưa chấp thuận y tế Một lý kể đến chưa có sở liệu chuẩn để đánh giá hệ thống hỗ trợ chẩn đoán Hiện nay, hầu hết nguồn liệu SPECT MPI có số lượng mẫu nhỏ không công bố rộng rãi Điều khiến cho việc kiểm chứng ứng dụng kết nghiên cứu trở nên khó khăn Một số liệu có số mẫu lớn khơng cơng bố rộng rãi, mang tính chất cá nhân, tiếp cận khó khăn Bên cạnh đó, nhiều nghiên cứu lâm sàng chủng người khác có đặc điểm hình ảnh khác Nghiên cứu xử lý ảnh SPECT tim để hỗ trợ chẩn đoán cho người Việt Nam cần thiết cần có liệu SPECT tim mang đặc điểm người Việt Nam Với vấn đề trên, để thực nghiên cứu xử lý ảnh SPECT tim hỗ trợ chẩn đoán bệnh động mạch vành, tác giả tiến hành xây dựng liệu chuẩn có kích thước lớn phục vụ nghiên cứu hỗ trợ chẩn đoán SPECT tim Bộ liệu xây dựng từ nguồn liệu uy tín tại Việt Nam khu vực Bộ liệu xây dựng dựa tiêu chuẩn liệu chuẩn ImageNet Dự kiến liệu SPECT tim có số mẫu 2000, đủ lớn để đưa vào thử nghiệm mơ hình h ọc sâu bảo đảm độ tin cậy kết thống kê 2.2 Quy trình thu thập liệu Dữ liệu thu thập khoa Y học hạt nhân - Bệnh viện TƯQĐ 108, đơn vị đầu ngành nước kỹ thuật xạ hình tưới máu tim máy SPECT Khoa có hệ thống máy SPECT đại SPECT/CT OPTIMA, SPECT INFINIA, SPECT VENTRI, chuyên dụng ch ụp SPECT tim Đội ngũ đọc kết xạ hình tưới máu tim bao gồm bác sĩ có 10 năm kinh nghiệm, đào tạo nước có ngành Y học Hạt nhân phát triển Mỹ, Nhật, Hàn Quốc, Úc Thời gian lấy số liệu từ năm 2015 tới hệ thống chụp xạ hình tim Infinia, Ventri SPECT/CT Optima Riêng liệu từ máy SPECT/CT Optima sử dụng để thực thử nghiệm mơ hình hiệu chỉnh nhiễu suy giảm Các quy trình th ực hành lâm sàng th ực nghiêm ngặt, có kiểm tra chéo bước bảo đảm khâu chuẩn bị thực hành kỹ thuật khơng có sai sót Quy trình chụp hình quy trình chụp ngày pha nghỉ pha gắng sức, theo hướng dẫn hội tim mạch hạt nhân Hoa Kỳ ACC/AHA/ ASNC (American College of Cardiology/American Heart Association Task Force on Practice Guidelines) Tiêu chuẩn loại trừ mẫu chụp pha (nghỉ gắng sức), không bảo đảm chất lượng hình ảnh, thiếu thơng tin lâm sàng, khơng có kết Bộ liệu nghiên cứu bao gồm 2348 ca chụp SPECT tim từ năm 2015 tới 2020 thống kê theo bảng 2.1 Dữ liệu kết sau hội chẩn nhiều bác sĩ sở để điều trị cho bệnh nhân Nghiên cứu thực với cho phép khoa Y học Hạt nhân - Bệnh viện TƯQĐ 108 Bảng 2.1: Dữ liệu nghiên cứu 2.3 Quy trình xử lý, chuẩn hố liệu Xử lý hình ảnh thực kỹ thuật viên chụp kiểm tra kỹ thuật viên trưởng với 15 năm kinh nghiệm theo hướng dẫn hội tim mạch hạt nhân Hoa Kỳ ASNC Bác sĩ đọc kết hiệu chỉnh lại vị trí vùng quan tâm chứa tâm thất trái mặt phẳng van tim (Valve plane position) cần thiết Từ thiết lập này, ảnh lát cắt ảnh cực tạo phục vụ đọc kết xạ hình 2.1 Trên hình chẩn đoán, lát cắt ảnh đồ cực trình bày lặp lại nhiều lần, vị trí khác nhau, không thị hết ảnh lát cắt Các thơng tin bệnh nhân tuổi, giới tính, tên… kèm ước lượng thống kê trình bày Nếu đưa tất vào mơ hình học máy chiếm nhiều tài nguyên Do vậy, cần thiết lập protocol chuyên lấy ảnh phục vụ học máy Tác giả kết hợp với chuyên gia từ 2.5 Xây dựng tính sở liệu Trong lĩnh vực trí tuệ nhân tạo nói chung, việc thử nghiệm mơ hình học máy địi hỏi nhiều thời gian cơng sức Các mơ hình thiết kế khơng tốt tốn tài nguyên máy thời gian huấn luyện lâu Do vậy, phương pháp tiếp cận vấn đề nghiên cứu r ất quan trọng, làm giảm thời gian nghiên cứu đạt hiệu cao Tuy nhiên, để có phương phương tiếp cận tốt cần có thơng tin từ sở liệu trính xuất ra, phục vụ cho việc định hướng, thiết kế mơ hình tốt Trong sở liệu SPECT tim, tác giả xây dựng phương thức trích xuất số liệu theo thơng tin u cầu đưa vào ví dụ tuổi, nam, nữ, theo hay nhiều hệ số nguy cơ… Bảng 2.4 ví dụ đặc trưng liệu SPECT tim Bảng 2.7 Bảng thống kê thơng tin liệu Tuổi trung bình Nam Tăng huyết áp Đau ngực trái Đái tháo đường Đã đặt stent Số lượng tổng Đặc trưng 64.48 1837 (78,23%) 1425 (60.7%) 1864 (79.4%) 164 (19.76%) 256 (10.9%) 2348 2.6 Nhận xét, đánh giá, so sánh sở liệu Từ tiêu chuẩn liệu chuẩn ImageNET, tác giả xây dựng liệu SPECT tim Bộ liệu SPECT tim có số đặc điểm sau: Về kích thước, liệu SPECT tim luận án có 2348 mẫu đáp ứng yêu cầu số mẫu để đưa vào mơ hình học máy So sánh với liệu có SPECT tim tác giả Bentacur Arsanjan tương ứng với 1638 1181 mẫu liệu luận án có số mẫu lớn Về độ cân nhãn, liệu xây dựng gồm 02 nhãn (có tổn thương khơng có tổn thương) Trong đó, tỷ lệ 02 nhãn đạt xấp xỉ 50/50, nghĩa tỉ lệ tương đối đồng nhãn Trong điều kiện cần cân hóa, tác giả cắt số lượng nhỏ để liệu đạt cân hoàn toàn Về chất lượng ảnh, liệu luận án thu thập đơn vị y học hạt nhân uy tín, bác sĩ lâu năm kinh nghiệm, hệ thống SPECT đại, chất lượng ảnh phân giải cao Theo quy trình chụp SPECT, lát cắt chuẩn hóa ảnh ln thể dạng đầy đủ, liệu khơng có tượng ảnh bị khuyết phần, bị che chắn, bị biến dạng liệu ảnh khác Về tính đa dạng, tác giả thu thập liệu máy SPECT thông dụng hãng GE healthcare Ventri, Infinia Optima thời gian dài từ 2015 tới Việc thu thập máy thu thập th ời gian dài bảo đảm cho hình ảnh thu mang nhiều đặc trưng phổ quát Về tiêu chuẩn gắn nhãn, tập liệu ảnh SPECT tim gắn nhãn thủ công bác sĩ Y học Hạt nhân, bệnh viện Trung ương Quân đội 108 Các bác sĩ có 10 năm kinh nghiệm thực kỹ thuật xạ hình tưới máu tim máy SPECT Đồng thời, liệu kiểm tra chéo bác sĩ để tránh sai sót Những trường hợp khơng có thống bác sĩ bàn bạc đến định chung Gán nhãn liệu cho ảnh SPECT tim, bác sĩ dựa xét nghiệm khác làm sở đối chứng siêu âm tim điện tim Nh ững ca bệnh có biểu lâm sáng siêu âm điện tim trùng với tổn thương hình ảnh tim lấy vào nghiên cứu 2.7 Kết luận chương Trong chương này, tác giả xây dựng tập liệu số lượng lớn tới 2348 mẫu, đáng tin cậy, công bố rộng rãi, mang đặc điểm lâm sàng người Việt Nam, đủ cho thuật toán học sâu, theo tiêu chuẩn liệu chuẩn ImageNet Bộ liệu sở để thử nghiệm đánh giá mơ hình học sâu hiệu chỉnh nhiễu suy giảm hỗ trợ chẩn đoán thực chương chương luận án Bên cạnh đó, liệu cịn hỗ trợ vấn đề khác định lượng tổn thương tim, dự đoán tái tưới máu, dự đoán tử vong bệnh tim, dự đốn biến cố tim bất lợi, tự động định vị mặt phẳng van tim Kết nghiên cứu trình bày báo “Về liệu xạ hình tưới máu tim phục vụ việc xây dựng, đánh giá mơ hình h ọc máy dị tìm tổn thương tim” tạp chí Nghiên cứu khoa học công nghệ quân tháng năm 2020 Trong tương lai gần, sở liệu xạ hình tưới máu tim máy SPECT cập nhật, tăng số lượng mẫu từ số lượng bệnh nhân không khoa Y học Hạt nhân, bệnh viện Trung ương Quân đội 108 mà bệnh viện Tim Hà Nội, bệnh viện Đa khoa Quảng Ninh Điều sở để tăng tính đa dạng, phong phú liệu nâng cao độ xác mơ hình lọc nhiễu hỗ trợ chẩn đoán CHƯƠNG XÂY DỰNG BỘ LỌC NHIỄU SUY GIẢM SỬ DỤNG MẠNG DEEP LEARNING 3.1 Vấn đề nghiên cứu Trong chẩn đốn bệnh động mạch vành, chất lượng hình ảnh MPI đóng vai trị vơ quan trọng Tuy nhiên, nhiễu suy giảm thay đổi mật độ mô mềm nguyên nhân hàng đầu làm giảm chất lượng hình ảnh độ xác chẩn đốn SPECT MPI Nhiễu suy giảm thường xảy nam giới suy giảm hoành, phụ nữ vú bệnh nhân có số khối thể lớn (BMI) Cho đến nay, phương pháp hiệu để khắc phục nhiễu suy giảm kết hợp máy quét CT vào h ệ thống SPECT Tuy nhiên, việc bổ sung thiết bị CT dẫn đến giá đắt nhiều, yêu cầu cao cho phòng đảm bảo an tồn xạ, thu tín hiệu phức tạp dễ bị lỗi trình ghép hình ảnh CT SPECT chuyển động bệnh nhân Bên cạnh đó, số máy SPECT thơng thường chiếm tới 80% giới Trước vấn đề đó, tác giả đề xuất giải pháp tạo ảnh hiệu chỉnh suy giảm AC từ ảnh ban đầu NC thuật toán nội suy dựa mơ hình học máy 3D Convolutional Auto-Encoder (3D-CAE) 3DUnetGAN 3.2 Xây dựng mơ hình lọc nhiễu suy giảm cho ảnh 3D SPECT MPI 3.2.1 Các mô hình CAE, GAN, U-net Mơ hình tự mã hóa (auto-encoder) có kiến trúc mạng deep-learning bản, gồm loại lớp đầu vào, lớp ẩn đầu Một điểm khác đầu vào mơ hình đầu Ví dụ mạng tự mã hóa hình 3.1 Hình 3.1 CAE lọc nhiễu Các lớp ẩn gồm: Lớp nén liệu (Encoder), vector h Lớp giải nén liệu (Decoder) Một ứng dụng bật mạng tự mã hóa khả lọc nhiễu Khả có q trình chuyển đổi số chiều liệu, từ lớp nén liệu hạ chiều đến lớp giải nén liệu phục hồi số chiều liệu Trong trình hạ chiều liệu, tượng mát thông tin xảy Tuy nhiên, từ thông tin số chiều liệu giữ lại (vector h), muốn khôi phục ảnh ban đầu mạng nén d ữ liệu bắt buộc phải lựa chọn đặc trưng tốt lưu giữ lại vector h, cịn thơng tin khơng quan trọng loại bỏ Đây ý tưởng để lọc nhiễu ảnh Mạng U-net Olaf Ronneberger cộng phát triển với mục đích ứng d ụng để phân lớp ảnh y h ọc (hình 3.2) Kiến trúc mạng gồm phần: nén liệu (encoder) (phần bên trái) giải nén liệu (decoder) (phần bên phải) Hình 3.2 Mơ hình mạng U-net Phần nén d ữ liệu chất mạng nơron tích chập CNN bình thường, bỏ lớp FC cuối cùng, gồm lớp tích chập lớp gộp lấy giá trị lớn (max pool) với quy tắc đơn giản Các lớp phía sau có chiều r ộng cao giảm dần chiều sâu tăng lên Phần giải nén liệu khơi phục lại kích thước ảnh gốc với lớp transposed convolution Các đường màu xám nối liền lớp trước lớp sau với mục đích tránh tượng biến đạo hàm (vanishing gradient) truyền tải thông tin cần thiết từ lớp trước tới lớp sau Mạng Gan (Generative Adversarial Networks) sinh liệu sau trình học (hình 3.3) V ề cấu trúc, GAN gồm phần: generator (G) - trình tạo discriminator (D) - trình so sánh V ề hoạt động, trình tạo sinh liệu giống thật trình so sánh cố gắng phân biệt đâu liệu sinh từ trình tạo đâu liệu thật có Khi trình tạo trình so sánh đạt tới tr ạng thái cân Nash GAN hội tụ Hình 3.3 Sơ đồ mạng GAN 3.2.2 Đề xuất mơ hình 3D Convolutional Auto-Encoder (3D-CAE) hiệu chỉnh nhiễu suy giảm Trong nghiên cứu này, tác giả đề xuất mô hình 3D-CAE để áp dụng cho vấn đề dự đốn hình ảnh AC từ NC Kiến trúc mơ hình bao gồm ba lớp chập ba lớp gộp phía mã hóa cấu trúc đảo ngược tương tự phía giải mã Kiến trúc phương pháp 3D-CAE hiển thị hình 3.4, kích thước lớp hiển thị bảng 3.1 Hình 3.4 Kiến trúc 3D-CAE đề xuất Trong thử nghiệm, tác giả sử dụng mơ hình 2D-CAE (có số lớp CNN) làm đường sở Tác giả huấn luyện hai mơ hình với cấu hình khác kích thước kernel CNN (3x3, 5x5, 7x7 cho 2D-CAE 3x3x3, 5x5x5, 7x7x7 cho 3D-CAE) Các mơ hình huấn luyện với tập Train hàm mục tiêu tập hợp Validation cải thiện Trọng số có hiệu suất tốt tập Validation lưu lại Bảng 3.1 Kích thước lớp 3D-CAE Các thử nghiệm định tính 3D-CAE với kích thước kernel 5x5x5 đạt kết tốt tất phép đo Điều giải thích 3D-CAE tận dụng thông tin 3D từ lát cắt liên tiếp để dự đốn hình ảnh AC Ngồi ra, giá trị NMAE phép nội suy AC có độ lệch trung bình thấp so với AC thực (4.2% pixel) Giá trị PCC SSIM ≥ 0,9 cho thấy tương đồng hình ảnh tạo hình ảnh thật gần (bảng 3.2) Hàm mục tiêu: Bảng 3.2 Đánh giá phép đo khác 3.2.3 Đề xuất mơ hình 3DUnet-GAN hiệu chỉnh nhiễu suy giảm Từ sở lớp mạng 3D CNN ý tưởng mạng Unet, tác giả xây dựng mô hình mạng 3D GAN sử dụng 3D Unet làm trình tạo ảnh Kiến trúc mơ hình mơ tả hình 3.5 Trong mơ hình này, lớp tích chập có kích thước kernel 3x3x3 sử dụng hàm kích hoạt ReLU Việc sử dụng 3D CNN cho phép lấy đặc trưng có mối liên hệ không gian lát cắt, mà bị sử dụng 2D CNN Hình 3.5 Kiến trúc 3DUnet-GAN Trình so sánh Discriminator thiết kế để xác định cặp ảnh NC AC thật cặp NC hình ảnh AC (gen AC) tạo mơ hình liệu giả Do đó, hình ảnh NC kết nối với AC genAC tương ứng làm đầu vào cho trình so sánh Discriminator Trình so sánh gồm lớp 3D CNN với kích thước kernel (2 x x 2), strides (trừ lớp cuối strides 1), lớp chuẩn hóa kích hoạt Leaky ReLU (thay ReLU) thêm vào Trong thử nghiệm, tác giả so sánh hiệu suất mô hình đề xuất 3DUnet-GAN với kiến trúc dựa CAE GAN Đối với kiến trúc dựa CAE, tác giả chọn 2D-Unet 3D-Unet (2 kiến trúc có lớp CNN với kiến trúc 3DUnet-GAN đề xuất) Về kiến trúc dựa 2D GAN, tác giả sử dụng mơ hình pix2pix làm sở Các mơ hình huấn luyện tập liệu Train giá trị hàm mục tiêu tập xác thực nhỏ Sau đó, mơ hình huấn luyện đánh giá tập liệu Test Hàm mục tiêu: L Hiện tại, chưa có phép đo hiệu xuất mơ hình tốt cho mơ hình sinh ảnh nên mơ hình đề xuất 3DUnet-GAN đánh giá số phép đo sau: Mean Square Error (MSE), №rmalized Mean Absolute Error (NMAE), Pearson's Correlation Coefficient (PCC), Structural Similarity Index (SSIM), and Peak signal-to-noise ratio (PSNR) Để so sánh định tính, tác giả trình bày đầu vào, ảnh chuyển đổi, ảnh thực hình Hình 3.20 Ảnh đầu vào, ảnh dự đốn ảnh thật Các thử nghiệm định tính 3DUnet-GAN đạt kết tốt tất phép đo Đầu tiên, thấy mơ hình 3D cho kết tốt so với mơ hình 2D Điều giải thích thực tế mơ hình 3D tận dụng lợi thông tin chia sẻ lát cắt liên tiếp Thứ hai, thực tế 3D UNet GAN hoạt động tốt 3D Unet mơ hình dựa GAN cung cấp hiệu suất tạo ảnh tốt kiến trúc dựa CAE Điều th ể so sánh phép đo 3D Unet-GAN 3D CAE bảng 3.3 Bảng 3.3 Đánh giá hiệu suất (chữ in đậm cho giá trị đo tốt nhất) NMAE PCC SSIM 3D-CAE 5x5x5 0.042 0.959 0.900 3DUnet-GAN 0.034 0.971 0.946 3.3 Kết luận Trong chương này, tác giả xây dựng mơ hình hồn chỉnh để chuyển đổi ảnh khơng có hiệu chỉnh suy giảm NC sang ảnh có hiệu chỉnh suy giảm AC có độ xác r ất cao tới 97,1%, loại bỏ nhiễu giữ đặc trung hình ảnh SPECT-MPI, tương đương với ảnh hiệu chỉnh sử dụng máy quét CT tạo Kết nghiên cứu công bố hai hội nghị IEEE ICCE 2020 IEEE SIGTELCOM CHƯƠNG PHÁT TRIỂN GIẢI PHÁP HỖ TRỢ CHẨN ĐOÁN BỆNH MẠCH VÀNH 4.1 Vấn đề nghiên cứu Học sâu lên công cụ học máy mạnh mẽ tim mạch hạt nhân, với tiềm đột phá cải thiện chất lượng hình ảnh, h ỗ trợ bác sĩ phát phân loại bệnh Đầu tiên hỗ trợ định chẩn đoán Trong phương pháp xạ hình tưới máu tim máy SPECT, chẩn đốn CAD sử dụng ảnh đồ cực pha gắng sức mơ hình DL với tổng thâm h ụt tưới máu (TPD) thực Độ xác mơ hình DL 82,3% Điều đáng ý hình ảnh đồ cực tổng hợp từ hình ảnh lát cắt thuật toán dựa phân đoạn tim Việc tổng hợp khơng bảo tồn tất đặc trưng hình ảnh lát cắt Thứ hai, vấn đề nhiễu ảnh SPECT tim suy giảm lên thách thức Hiện nay, thách thức giải cách lắp thêm hệ thống máy chụp cắt lớp CT vào hệ thống máy SPECT thông thường, tạo thành hệ thống SPECT/CT để hiệu chỉnh nhiễu suy giảm Tuy nhiên, phương pháp tồn nhiều điểm hạn chế giá thiết bị cao, đòi hỏi phòng ốc yêu cầu cao, nguy tăng liều chiếu xạ cho bệnh nhân…Thêm vào đó, số liệu thống kê cho thấy tới 80% số lượng máy SPECT thơng thường, khơng có chức hiệu chỉnh suy giảm CT Do vậy, hiệu chỉnh suy giảm h ọc sâu xu Hiện nay, số lượng nghiên cứu hiệu chỉnh nhiễu suy giảm ảnh SPECT chưa nhiều, có nghiên cứu Tuy nhiên, nghiên cứu gặp phải số điểm tồn điểm hạn ch ế lớn số lượng mẫu chưa nhiều, chưa kiểm chứng thực nghiệm lâm sàng Trước vấn đề nêu trên, chương luận án, tác giả nghiên cứu, thực nghiệm đề xuất giải pháp h ỗ trợ chẩn đốn nâng cao chất lượng hình ảnh SPECT tim cho máy SPECT thông thường, giải pháp hỗ trợ định chẩn đoán 4.2 Đề xuất giải pháp hỗ trợ chẩn đốn nâng cao chất lượng hình ảnh cho máy SPECT thông thường 4.2.1 Dữ liệu thực nghiệm Bộ liệu nghiên cứu thu thập Khoa Y học hạt nhân Bệnh viện TƯQĐ 108, bao gồm 88 ca chụp SPECT tim chọn ngẫu nhiên tập liệu máy SPECT/CT OPTIMA, có thống kê tổn thương tim bảng 4.1 Bảng 4.2 Bảng thống kê tổn thương tim Không tổn thương Có tổn thương Tổn thương LAD Tổn thương LCX Tổn thương RCA Số lượng tổng Số lượng 59 29 23 13 88 Mỗi bệnh nhân gồm ảnh chưa hiệu chỉnh suy giảm NC, ảnh có hiệu chỉnh suy giảm AC Ảnh chưa hiệu chỉnh suy giảm đưa qua mơ hình học sâu để dự đốn ảnh có hiệu chỉnh suy giảm GenAC Như bệnh nhân có loại ảnh NC, AC GenAC Sắp sếp loại ảnh bệnh nhân có tập ảnh bảng 4.2 Theo đó, 88 bệnh nhân có 264 mẫu Bảng 4.3 Bảng chia mẫu ảnh Tập ảnh Tập A Tập B Tập C Loại ảnh NC + AC NC + GenAC NC 4.2.2 Hiệu chỉnh nhiễu suy giảm mơ hình 3D Unet GAN Luận án sử dụng mơ hình 3D Unet GAN để dự đốn ảnh suy giảm GenAC từ ảnh khơng có hiệu chỉnh suy giảm NC Hình 4.1 Ảnh dự đốn hiệu chỉnh suy giảm GenAC từ mơ hình 3D Unet GAN ảnh chưa hiệu chỉnh suy giảm NC 4.2.3 Phương pháp thực nghiệm Hai bác sĩ Y học Hạt nhân có số năm kinh nghiệm 10 năm năm tham gia thử nghiệm Nhiệm vụ bác sĩ xác định 264 mẫu trên, mẫu có tổn thương, có tổn thương thuộc nhánh nhánh LAD, RCA, LCX Các bác sĩ ảnh ảnh hiệu chỉnh mơ hình học sâu, ảnh ảnh hiệu chỉnh suy giảm CT Các thông tin bệnh nhân loại bỏ gắn mã định danh khác cho mẫu Để thuận lợi trình đánh giá, phần mềm đánh giá tạo có giao diện tương tự với phần mềm tr ả lời kết xạ hình SPECT tim (hình 4.1) Trong đó, phần mềm th ị ảnh hiệu chỉnh mà không phân biệt nguồn gốc ảnh Bác sĩ định danh bác sĩ bác sĩ Hình 4.2 Phần mềm hỗ trợ đọc kết thực nghiệm 4.2.4 Kết thực nghiệm Hình 4.3 Độ xác chẩn đốn Độ xác ch ẩn đoán cải thiện rõ rệt sử dụng ảnh GenAC tạo mơ hình học sâu, tăng tới 8% tính số lượng mẫu, 8% tính động mạch vành trái, 5% tính động mạch vành phải hình 4.3 Với bác sĩ năm kinh nghiệm, ảnh GenAC cịn cải thiện tới 18% độ xác động mạch vành phải Về độ nhạy độ đặc hiệu, thực nghiệm chẩn đoán sử dụng ảnh GenAC (biểu đồ màu vàng) hiệu chỉnh suy giảm mơ hình học máy cho kết tốt nhiều so với chẩn đoán ảnh khơng có hiệu ch ỉnh suy giảm NC tới 18 % độ đặc hiệu % độ nhạy Kết tính trung bình cho bác sĩ (hình 4.4a 4.4b) Về tỉ lệ phát bệnh nhân không tổn thương, sử dụng ảnh GenAC sinh mơ hình học sâu giúp bác sĩ phát thêm trung bình 9,1% với bác sĩ năm kinh nghiệm tới 13.1% (hình 4.4c) a b c Hình 4.4 So sánh độ nhạy, độ đặc hiệu, tỉ lệ phát bệnh nhân không tổn thương dùng GenAC Qua kết thực nghiệm, tác giả đề xuất giải pháp hỗ trợ chẩn đoán bệnh động mạch vành cách nâng cao chất lượng hình ảnh SPECT tim qua mơ hình hiệu chỉnh nhiễu suy giảm 3D Unet GAN Với kết nghiên cứu này, tác giả gửi tới tạp chí Khoa học Kỹ thuật, học viện Kỹ thuật Quân 4.3 Đề xuất giải pháp hỗ trợ định chẩn đoán 4.3.1 Cơ sở liệu Bộ liệu bao gồm 1413 hình ảnh SPECT tim chụp từ năm 2015 đến 2018, có đặc điểm bảng 4.4 Bảng Số lượng mẫu 4.3.2 Mơ hình chẩn đốn Dựa kiến trúc VGG 16 lớp CNN, tác giả xây dựng mạng học gồm lớp CNN với lọc có kích thước 3x3 (hình 4.5) Mỗi lớp CNN theo sau lớp chuẩn hóa (Batch Normalization layer) để chuẩn hóa liệu Sau đó, hàm kích hoạt ReLU (Rectified Linear Unit) sử dụng lớp Max Pooling để giảm kích thước liệu với bước nhẩy Các mạng CNN sử dụng để trích xuất đặc trưng ảnh Đầu mạng CNN qua lớp GlobalAverage Pool để tạo vector đặc trưng Hình 4.5 Kiến trúc mạng deep-learning sử dụng để chẩn đoán CAD 4.3.3 Thử nghiệm kết Nghiên cứu bao gồm hai thử nghiệm để kiểm tra độ xác chẩn đốn mơ hình học sâu, huấn luyện với hình ảnh SPECT MPI cắt lát hình ảnh cực So sánh hai độ xác chẩn đốn cho thấy loại hình ảnh đầu vào bảo tồn đặc trưng tổn thương tốt Từ đó, nghiên cứu cho thấy loại hình ảnh phù hợp đưa vào mơ hình học sâu Tác giả đánh giá độ xác mơ hình mạng cách sử dụng phương pháp kiểm tra chéo đoạn (k-fold cross validation, với k = 5) Tác giả lặp lại trình huấn luyện kiểm tra, lần thử dùng tập kiểm tra khác (hình 4.6) Độ xác tập kiểm tra lần tính tốn ghi lại Độ xác giá trị trung bình giá trị ghi Hình 4.6 Kiểm tra chéo đoạn (5-fold cross validation) Hình 4.7 cho thấy độ xác trung bình mạng học sâu đề xuất cách sử dụng hình ảnh cắt lát MPI (86,14% ± 2,14%) hình ảnh đồ cực (82,57% ± 2,33%) Hình 4.7 Độ xác trung bình mơ hình sử dụng ảnh cắt lát MPI ảnh đồ cực Hình 4.8 ROC mơ hình sử dụng ảnh cắt lát MPI ảnh đồ cực Bên cạnh đó, tác giả phân tích đường cong ROC (receiver operating characteristic) để minh họa khả chẩn đốn Hình 4.8 cho thấy ROC mơ hình huấn luyện ảnh cắt lát MPI cao mơ hình huấn luyện ảnh đồ cực Điều r ằng mơ hình sử dụng hình ảnh MPI cắt lát có khả chẩn đốn cao mơ hình sử dụng hình ảnh đồ cực 4.5 Kết luận Trong chương 4, tác giả tiến hành thử nghiệm đưa đề xuất: Một, tác giả đề xuất giải pháp hỗ trợ chẩn đoán bệnh động mạch vành sử dụng mơ hình học sâu 3D Unet GAN ảnh SPECT tim cho máy SPECT khơng có chức hiệu chỉnh suy giảm CT Phương pháp giúp bác sĩ tăng thêm độ xác %, độ nhạy 3%, độ đặc hiệu 18% Thêm vào đó, điều giúp bác sĩ phát nhiều bệnh nhân khơng có tổn thương tim trung bình 9,1%, nhánh có lúc lên đến 13,56% Kết nghiên cứu này, tác giả gửi tới tạp chí Khoa học Kỹ thuật, Học viện Kỹ thuật Quân Hai, tác giả đề xuất phương pháp học sâu để chẩn đốn CAD cách sử dụng hình ảnh cắt lát MPI thu từ máy ảnh SPECT Hiệu suất phương pháp tốt phương thức có sử dụng hình ảnh đồ cực Nghiên cứu đề xuất mơ hình hỗ trợ chẩn đốn với độ xác (86,14% ± 2,14%), cho thấy tiềm việc sử dụng hình ảnh lát cắt SPECT MPI chẩn đoán CAD phương pháp học sâu Kết nghiên cứu đăng Tạp chí Khoa học Cơng nghệ – Số 144 (06/2020) đại học Bách khoa Hà Nội KẾT LUẬN Những đóng góp luận án Xây dựng sở liệu xạ hình tưới máu tim máy SPECT có số lượng lớn, tin cậy, làm tiền đề để phát triển thuật toán học sâu Kết nghiên cứu tác giả cơng bố cơng trình nghiên cứu thứ 2 Đề xuất giải pháp lọc nhiễu suy giảm mơ hình học sâu có chất lượng tương đương với việc lắp thêm máy chụp cắt lát CT thuật tốn phức tạp vào máy SPECT thơng thường Kết nghiên cứu tác giả cơng bố cơng trình nghiên cứu số 3, số gửi tiếp công bố đợi kết Đề xuất giải pháp hỗ trợ chẩn đoán cho bác sĩ ảnh SPECT tim với độ xác cao lên tới 86,14% ± 2,14% Kết nghiên cứu tác giả trình bày cơng bố cơng trình nghiên cứu số Hướng phát triển luận án Nội dung nghiên cứu luận án tiếp tục nghiên cứu phát triển theo hướng sau: • Tiếp tục lấy số liệu hình ảnh yếu tố nguy cơ, xây dựng sở liệu có số lượng mẫu lớn nhằm nâng cao độ xác mơ hình lọc nhiễu hỗ trợ chẩn đốn • Tiếp tục nâng cao độ xác phần mềm hỗ trợ chẩn đoán động mạch vành sử dụng deep learning • Phát triến nghiên cứu định vị, định lượng tổn thương tim ảnh SPECT tim xây dựng công cụ hỗ trợ chẩn đốn DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN [1] Nguyen Thanh Trung, Nguyen Thai Ha, Nguyen Duc Thuan, Dang Hoang Minh, (2020) “A Deeplearning Method for Diagnosing Coronary Artery Disease using SPECT Images of Heart”, Journal of Science and Technology № 144, 2020, ISSN: 2354-1083 [2] Nguyễn Thành Trung, Nguyễn Chí Thành , Đặng Hồng Minh, Nguyễn Thái Hà , Nguyễn Đức Thuận, (2020) “Về liệu xạ hình tưới máu tim phục vụ việc xây dựng, đánh giá mơ hình học máy dị tìm tổn thương tim”, Tạp chí nghiên cứu khoa học công nghệ quân sự, số 67, 6-2020, ISSN: 1859-1043 [3] Nguyễn Thành Trung, Nguyễn Chí Thành, Đặng Hoàng Minh, Nguyễn Thái Hà, Nguyễn Đức Thuận, (2020) “3D Unet Generative Adversarial Network For Attenuation Correction Of Spect Images”, Proceedings of the 2020 4th International Conference on Recent Advances in Signal Processing, Telecommunications & Computing (SigTelCom2020), Vietnam, Aug 2020 [4] Nguyễn Thành Trung, Nguyễn Chí Thành, Đặng Hồng Minh, Nguyễn Thái Hà, Nguyễn Đức Thuận, (2021) “3D Convolutional Auto-Encoder for Attenuation Correction of Cardiac SPECT Images”, Proceedings of the 2020 IEEE Eighth International Conference on Communications and Electronics (ICCE2020), Vietnam, Jan 2021 ... cứu tác giả mà phục vụ nghiên cứu khác xử lý ảnh, hỗ trợ chẩn đoán bệnh động mạch vành ảnh SPECT tim sau Vấn đề xử lý nhiễu suy giảm ảnh SPECT tim deep learning nghiên cứu tổng thể, có hệ thống... trên, việc nghiên cứu xử lý hình ảnh giảm nhiễu suy giảm hỗ trợ giảm sai sót chủ quan bác sĩ yêu cầu cấp thiết 1.3 Giải pháp xử lý ảnh SPECT tim hỗ trợ chẩn đoán bệnh động mạch vành Trong năm... hình ảnh khác Nghiên cứu xử lý ảnh SPECT tim để hỗ trợ chẩn đoán cho người Việt Nam cần thiết cần có liệu SPECT tim mang đặc điểm người Việt Nam Với vấn đề trên, để thực nghiên cứu xử lý ảnh SPECT