Nghiên cứu phương pháp phân loại tế bào máu ứng dụng trong chẩn đoán các bệnh rối loạn máu

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu phương pháp phân loại tế bào máu ứng dụng chẩn đoán bệnh rối loạn máu HOÀNG THỊ LUYẾN Ngành Kỹ thuật Y sinh Giảng viên hướng dẫn: TS Dương Trọng Lượng Viện: Điện tử Viễn thông HÀ NỘI, 2021 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu phương pháp phân loại tế bào máu ứng dụng chẩn đoán bệnh rối loạn máu HOÀNG THỊ LUYẾN Ngành Kỹ thuật Y sinh Giảng viên hướng dẫn: TS Dương Trọng Lượng Chữ ký GVHD Viện: Điện tử Viễn thông HÀ NỘI, 2021 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Hoàng Thị Luyến Đề tài luận văn: Nghiên cứu phương pháp phân loại tế bào máu ứng dụng chẩn đoán bệnh rối loạn máu Chuyên ngành: Kỹ thuật Y Sinh Mã số SV: CB190178 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 22/12/2021 với nội dung sau: - Chỉnh sửa số lỗi tả cịn tồn luận văn - Chỉnh sửa thích hình ảnh bảng biểu quy chuẩn Giáo viên hướng dẫn Ngày 30 tháng 12 năm 2021 Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG LỜI CẢM ƠN Trước tiên, xin bày tỏ biết ơn chân thành sâu sắc tới TS Dương Trọng Lượng - Giảng viên Viện Điện tử - Viễn thông, Đại học Bách Khoa Hà Nội Nhờ hướng dẫn cách khoa học nhiệt tình Thầy, tơi vượt qua khó khăn q trình thực hồn thiện đề tài luận văn thạc sĩ “Nghiên cứu phương pháp phân loại tế bào máu ứng dụng chẩn đoán bệnh rối loạn máu” Trong trình thực đề tài tơi xin cảm ơn cộng nhóm nghiên cứu giúp đỡ nhiều trình nghiên cứu viết báo khoa học Sau xin gửi lời cảm ơn đến thầy cô Bộ môn Công nghệ điện tử & Kỹ thuật y sinh – Trường Đại học Bách Khoa Hà Nội tận tình dạy hướng dẫn cho tơi suốt q trình học tập thạc sĩ trường Tôi xin chân thành cảm ơn! Hà Nội, ngày tháng Tác giả Hoàng Thị Luyến năm 2021 MỤC LỤC DANH MỤC HÌNH VẼ iii DANH MỤC BẢNG BIỂU v DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT vi I Đặt vấn đề II Mục tiêu nghiên cứu, đối tượng phạm vi đề tài III Ý nghĩa đề tài IV Nội dung nghiên cứu V Kết dự kiến CHƯƠNG 1: MỞ ĐẦU 1.1 Tiểu cầu bạch cầu 1.1.1 Tiểu cầu 1.1.2 Bạch cầu 1.2 Các bệnh lý liên quan tới bạch cầu 1.2.1 Bệnh Bạch cầu cấp tính (Acute Leukaemia) 1.2.2 Bệnh Bạch cầu mãn tính (Chronic Leukaemia) 1.2.3 Bệnh bạch cầu cấp dòng tủy 1.2.4 Các nguyên nhân phổ biến dẫn đến rối loạn bạch cầu 1.2.5 Các bệnh liên quan đến xét nghiệm tế bào bạch cầu 1.3 Phân loại bạch cầu 10 1.4 Tế bào bạch cầu số đặc trưng 12 1.4.1 Bạch cầu hạt 13 1.4.2 Bạch cầu lymphocyte 15 1.4.3 Bạch cầu Monocyte 16 1.5 Mục đích ý nghĩa việc phân loại tế bào máu 18 1.6 Phương pháp phân loại tế bào máu sử dụng bệnh viện 18 1.6.1 Phương pháp tế bào học dòng chảy 18 1.6.2 Phương pháp soi mẫu phẩm kính hiển vi 19 1.7 Sự cần thiết việc ứng dụng công nghệ thông tin việc phân loại tế bào máu 20 1.8 Kết luận chung 20 CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI TẾ BÀO BẠCH CẦU 21 2.1 Giới thiệu chương 21 2.2 Phương pháp hỗ trợ véc tơ học máy (SVM) 23 2.2.1 Tóm lược thuật toán SVM 23 2.2.2 Phân loại tế bào máu sử dụng thuật toán SVM 25 2.3 Phương pháp hỗ trợ véc tơ học máy kết hợp với mơ hình phân lớp 26 2.3.1 Cách tiếp cận tách bạch cầu 26 i 2.3.2 Các tính dựa mơ hình phân lớp (Wavelet phức hợp kép) 27 2.3.3 Hỗ trợ máy Vector 30 2.4 Phương pháp hỗ trợ véc tơ học máy kết hợp với thuật toán Ramdom forest 32 2.4.1 Phương pháp 33 2.4.2 Phát WBCs 34 2.4.3 Cơ sở liệu tiêu chí đánh giá 40 2.4.4 Kết thử nghiệm phát WBCs 41 2.5 Phân loại tế bào bạch cầu sử dụng mạng noron nhân tạo (ANN) 42 2.5.1 Thu nhận ảnh 42 2.5.2 Trích xuất tính & Nhận dạng tế bào 44 2.5.3 Phân loại tế bào bạch cầu sử dụng ANN & Đếm số lượng 44 2.5.4 Đặc tả mạng thần kinh 45 2.6 Kết luận chương 46 CHƯƠNG PHƯƠNG PHÁP PHÂN LOẠI TẾ BÀO BẠCH CẦU SỬ DỤNG THUẬT TOÁN HỖ TRỢ VECTOR HỌC MÁY ĐA TẦNG 47 3.1 Giới thiệu chương 47 3.2 Cơ sở liệu tế bào bạch cầu 47 3.3 Mơ hình thuật toán 48 3.4 Các thủ tục huấn luyện kiểm tra 48 3.4.1 Quy tắc kết thúc 49 3.4.2 Quy trình huấn luyện kiểm tra 49 3.5 Các bước thực thuật toán hỗ trợ vector học máy đa tầng 50 3.5.1 Phương pháp luận 50 3.5.2 Khai thác đặc điểm 52 3.5.3 Phân loại bạch cầu thuật toán SVM đa tầng 52 3.6 Kết thử nghiệm 53 3.7 Kết luận chương 54 CHƯƠNG CÔNG CỤ PHẦN MỀM PHÂN LOẠI TẾ BÀO BẠCH CẦU 56 4.1 Giới thiệu chương 56 4.2 Xây dựng phần mềm phân loại tế bào máu 56 4.3 Kết luận chương 58 KẾT LUẬN 59 TÀI LIỆU THAM KHẢO 60 ii DANH MỤC HÌNH VẼ Hình 1.1 Hình bạch cầu bị Lơ xê mi cấp Hình 1.2 Lơ xê mi kinh dòng Lympho Hình 1.3 Lơ mi xê tế bào tóc Hình 1.4 Lơ mi xê tế bào Flasmo Hình Hình 1.5 Bạch cầu trưởng thành, từ trái sang phải: Bạch cầu trung tính; Monocyte; Lymphocyte; Bạch cầu ưa acid; Bạch cầu ưa Baze 10 Hình 1.6 Phân loại bạch cầu từ tủy xương, bao gồm loại (bạch cầu hạt, bạch cầu đơn nhân tế bào bạch huyết) loại phụ (Bạch cầu trung tính, Bạch cầu ưa acid, Đại thực bào,Tế bào đuôi gai, tế bào lympho B tế bào lympho T) [10], [11] 13 Hình 1.7 Bạch cầu hạt 15 Hình 1.8 Bạch cầu lympho bất thường 16 Hình 1.9 Hình Bạch cầu Monocyte 17 Hình 1.10 Hình ảnh phết máu lấy mẫu Bạch cầu tế bào lớn tâm ảnh (tế bào chất có màu xanh lam nhạt nhân có màu xanh lam đậm 19 Hình 2.1 Các bước phân loại tế bào bạch cầu 21 Hình 2.2 Ví dụ siêu phẳng với lề cực đại R2 23 Hình 2.3 Dao động biên giới, rời rạc thực thông thườngWavelet có hệ số lớn nhỏ (hình bên phải) Biến đổi Wavelet phức tạp cung cấp hệ số có liên quan nhiều đến độ gần chúng với cạnh (hình bên trái) 28 Hình 2.4 Phương sai dịch chuyển: Hệ số cho DWT thông thường Phức hợp WT 28 Hình 2.5 Q-shift DT-CWT [27], cho phần thực phần ảo hệ số phức từ hai (α, β) Việc chậm trễ gần cho lọc hiển thị dấu ngoặc số, nơi q = 1/4 thời kỳ mẫu 29 Hình 2.6 Dữ liệu xét nghiệm bạch cầu, hàng, từ xuống dưới: Basophil (B), Lymphocyte (L), Monocyte (M), Bạch cầu trung tính (N), bạch cầu toan (E) 31 Hình Năm loại tế bào bạch cầu: eosinophils, basophils, neutrophils, monocytes lymphocytes 33 Hình 2.8 Sơ đồ phương pháp đề xuất 34 Hình 2.9 Một hình ảnh WBC cắt xén minh họa thuật toán hợp khu vực thùy 35 iii Hình 2.10 Sơ đồ phương pháp đề xuất phát WBCs từ hình ảnh ngoại vi Chuyển đổi hình ảnh màu thành hình ảnh R-B, nhận hình ảnh nhị phân cách sử dụng mã hóa nhị phân hình ảnh R-B với giá trị ngưỡng, loại bỏ vật thể nhỏ hoàn thành hạt nhân với phép tốn hình thái học, xác định vị trí WBC với thuật toán hợp thùy nhân cắt WBC khỏi hình ảnh ngoại vi 37 Hình 2.11 Kiến trúc cụ thể CNN áp dụng phương pháp đề xuất38 Hình 2.12 Một số hình ảnh lấy mẫu từ sở liệu ALL-IDB, Cella-cơ sở liệu tầm nhìn sở liệu Jiashan 39 Hình 2.13 Trình phân đoạn tế bào 43 Hình 2.14 Quá trình phân đoạn hạt nhân 43 Hình 2.15 Đặc điểm kỹ thuật ANN 45 Hình 3.1 Mơ hình phân loại SVM nhiều tầng 48 Hình 3.2 Cấu trúc bên SVM nhiều tầng 50 Hình 3.3 Sơ đồ khối thực phương pháp đề xuất 50 Hình 3.4 (a) Lymphocyte, (b) Monocyte, (c) Eosinophil, (d) Neutrophils 51 Hình 4.1 Xây dựng giao diện phần mềm phân loại tế bào bạch cầu 56 Hình 4.2 Sơ đồ thuật tốn chương trình phần mềm phân loại tế bào máu 57 Hình 4.3 Phần mềm phát phân loại ảnh chứa bạch cầu 58 iv DANH MỤC BẢNG BIỂU Bảng 1.1 Bảng so sánh dòng Lympho 10 Bảng 2.1 So sánh độ xác phương pháp phân loại đề xuất với phương pháp Seyed [18] phương pháp HSVM [31] 40 Bảng 3.1 Đánh giá kỹ thuật phân đoạn 51 Bảng 3.2 Kết phân đoạn tế bào sử dụng phương pháp phân nhóm K - mean52 Bảng 3.3 Kết phân đoạn nhân tế bào sử dụng phương pháp nét hoạt động hình học 52 Bảng 3.4 Kết phân loại giai đoạn mơ hình giai đoạn 53 Bảng 3.5 So sánh kết phương pháp đề xuất với phương pháp khác 54 v DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT Thuật ngữ Tiếng Anh Tiếng Việt WBC White Blood Cell Tế bào bạch cầu SVM Support Vector Machine Máy vector hỗ trợ ANN Artificial Neural Network Mạng noron nhân tạo Deep Leaning Học Sâu DT-CWT Dual-Tree Complex Wavelet Transform Biến đổi Wavelet phức hợp hai K-PCA Kernel Principal Component Analysis Phân tích thành phần hạt nhân DWT Discrete Wavelet Transform Biến đổi Wavelet rời rạc HLA Humanlymphocyt Antigen Kháng nguyên DL vi sở liệu ALL-IDB LISC Trong phương pháp phân loại tế bào máu đề xuất sử dụng Cơ sở liệu sử dụng đề tài bao gồm 389 tế bào bạch cầu thu thập từ sở liệu ALL_IDB (cơ sở liệu hình ảnh bệnh bạch cầu cấp tính) LISC (Hình ảnh bạch cầu để phân đoạn phân loại) bao gồm 237 tế bào bạch cầu lympho, 46 bạch cầu đơn nhân, 67 bạch cầu trung tính, 39 bạch cầu toan 3.3 Mơ hình thuật tốn Phương pháp đề xuất phương pháp mở rộng phương pháp SVM thành cấu trúc nhiều tầng Trong trình xây dựng mơ hình SVM, tập hợp mẫu, gọi vectơ hỗ trợ, chọn tự động siêu phẳng phân biệt với lợi nhuận tối đa tạo Các mẫu khó gần với siêu phẳng phân biệt mẫu dễ phân loại xa tránh xa Dựa điều này, phương pháp SVM nhiều tầng chia nhỏ tập liệu thành tập chấp nhận / bị từ chối với mẫu “dễ phân loại” tập chấp nhận mẫu “khó phân loại” tập bị từ chối Tập hợp bị từ chối sau chuyển tiếp đến giai đoạn để xử lý thêm mơ hình SVM thứ hai đào tạo tập hợp chấp nhận Quá trình giống khung lọc liệu mặt phân biệt mẫu dễ khó xử lý chúng theo cách khác Mơ hình tổng thể bao gồm chuỗi giai đoạn nhau, với hai mơ hình SVM tuyến tính giai đoạn giai đoạn cuối [28] Hình 3.1 Mơ hình phân loại SVM nhiều tầng 3.4 Các thủ tục huấn luyện kiểm tra Để trình bày thêm phương pháp này, quy tắc sử dụng để dừng trình lặp lại, hình ảnh minh họa quy trình đào tạo kiểm tra tổng thể 48 3.4.1 Quy tắc kết thúc Khi trình tiếp tục, tập hợp mẫu dễ phân loại cấu trúc mơ hình bên chọn ra, để lại tập hợp khó phân loại để xử lý tiếp Khi nhiều giai đoạn tạo ra, ngày khó khăn để tạo phân vùng hiệu mẫu cịn lại khơng qn chất hoạt động giống tiếng ồn Mặt khác, phân vùng đệ quy đi, ngày có mẫu lại, điều làm tăng nguy trang bị mức cho giai đoạn sau Dựa phân tích [28], hai quy tắc chấm dứt đề xuất bao gồm: Quy tắc 1: Nếu số lượng mẫu chấp nhận q dừng lại Vì mơ hình SVM thứ hai đào tạo tập chấp nhận, điều quan trọng kích thước tập chấp nhận phải đủ lớn Ví dụ, kích thước khơng nhỏ số lượng biến giải thích mơ hình Quy tắc 2: Kết thúc giai đoạn sớm để tối đa hóa độ xác dự đốn Xác thực chéo sử dụng để đánh giá độ xác dự đốn để tìm số giai đoạn tối đa hóa độ xác dự đốn Nếu khơng có cực đại nhất, giai đoạn trước ưu tiên giai đoạn sau 3.4.2 Quy trình huấn luyện kiểm tra Quy trình huấn luyện phương pháp SVM đa tầng mô tả đây: Bước 1: Đặt k: = cho giai đoạn Gọi S (0) đại diện cho toàn tập liệu S (k-1) đại diện cho tập chuyển tiếp từ giai đoạn trước, nói cách khác, tập hợp bị loại bỏ giai đoạn thứ (k-1) Bước 2: Huấn luyện mơ hình SVM tuyến tính ban đầu tập liệu S (k1) cho giai đoạn thứ k Chia S (k-1) thành hai phần dựa biên độ SVM ± Các điểm nằm vùng tập hợp chấp nhận điểm bên vùng từ chối tập hợp bị từ chối Sau đó, mơ hình SVM tuyến tính thứ hai huấn luyện tập hợp chấp nhận lưu làm mơ hình thích hợp cho giai đoạn Bước 3: Kiểm tra điều kiện chấm dứt Nếu hai điều kiện thỏa mãn dừng lại; khơng, đặt k: = k + 1, S (k) tập mẫu bị từ chối chuyển sang bước Trong q trình thử nghiệm, trước tiên, chúng tơi kiểm tra xem liệu mẫu thử nghiệm chấp nhận hay bị từ chối cách sử dụng mơ hình SVM thời điểm Nếu giá trị phản hồi nằm vùng loại bỏ, mẫu thử nghiệm bị loại bỏ; khơng, chấp nhận Quá trình tiếp tục, mẫu thử nghiệm chấp nhận giai đoạn (giai đoạn chấp nhận 49 nó), kết phân loại cuối tính mơ hình SVM thứ hai giai đoạn Quy trình thử nghiệm thuật tốn SVM nhiều tầng mơ tả đây: Bước 1: Đặt k: = cho giai đoạn đặt 𝑓𝑘 (x) đại diện cho mơ hình SVM tuyến tính 𝑔𝑘 (x) đại diện cho mơ hình SVM tuyến tính thứ hai cho giai đoạn thứ k Bước 2: Tính giá trị 𝑓𝑘 (x) cho mẫu thử nghiệm; giá trị nằm vùng từ chối, diễn giải 𝑔𝑘 (x) nhãn phân loại cuối dừng lại Nếu giá trị nằm vùng từ chối, đặt k: = k + thực lại bước Các quy trình huấn luyện kiểm tra trình bày Hình 3.2 Hình 3.2 Cấu trúc bên SVM nhiều tầng 3.5 Các bước thực thuật toán hỗ trợ vector học máy đa tầng 3.5.1 Phương pháp luận Sơ đồ khối thực phương pháp đề xuất thể Hình 3.3 Cơ sở liệu Phân đoạn tế bào phân đoạn nhân Khai thác tính Phân loại thuật tốn MSVM Hình 3.3 Sơ đồ khối thực phương pháp đề xuất a Phân đoạn Hình ảnh gốc hiển thị khơng gian màu RGB thiết kế để hiển thị hình ảnh hệ thống điện tử Tuy nhiên, việc phân tích kênh màu riêng biệt dẫn đến phức tạp q trình phân đoạn tế bào Do đó, ảnh gốc cần chuyển sang không gian màu khác, thuận tiện cho việc nghiên cứu Hệ thống không gian màu L*a*b xây dựng dựa khả cảm nhận màu sắc 50 mắt người Tất màu mà mắt người bình thường nhìn thấy mô tả giá trị L*, a*, b* Trong nghiên cứu này, phương pháp phân nhóm Kmean với việc sử dụng hai số a b không gian màu L*a*b sử dụng để phân đoạn tế bào máu, phương pháp cho thấy hiệu nhiều nghiên cứu đề cập b Sự phân đoạn nhân tế bào Thuật toán Geometric Active Contours (GACs) sử dụng để phân đoạn nhân tế bào Quy trình thực sở lý thuyết nêu tài liệu tham khảo [29], [30] Kết phân đoạn nhân tế bào chất chuyển sang thang độ xám 3.4 Hình 3.4 (a) Lymphocyte, (b) Monocyte, (c) Eosinophil, (d) Neutrophils Tác giả cộng sử dụng phương pháp có, đề cập tài liệu tham khảo để phân đoạn bạch cầu vùng nhân bạch cầu Các phân tích thực để đánh giá hiệu suất phát điểm ảnh bạch cầu cách so sánh với điểm ảnh bạch cầu đánh dấu tay Đánh giá kỹ thuật phân đoạn dựa ba số liệu bao gồm độ xác, độ thu hồi độ đo F tính sau: Bảng 3.1 Đánh giá kỹ thuật phân đoạn Đo lường Cơng thức Độ xác TP TP + FN TP TP + FN Độ thu hồi Đo lường F Độ xác∗ Độ thu hồi 2* Độ thu hồi + Độ xác 51 Trong - True positive (TP) số lượng điểm ảnh WBC xác định xác - False dương (FP) số pixel tế bào WBC đánh dấu pixel WBC - False âm (FN) số điểm ảnh WBC dán nhãn khơng xác khơng phải WBC - F-Measure trung bình hài có trọng số độ xác độ thu hồi Bảng 3.2 Kết phân đoạn tế bào sử dụng phương pháp phân nhóm K - mean Phân loại WBC Độ xác Độ thu hồi Thước đo F Lymphocyte 0.96 0.99 0.97 Monocyte 0.94 0.97 0.95 Neutrophil 0.93 0.95 0.94 Eosinophil 0.90 0.88 0.89 Bảng 3.3 Kết phân đoạn nhân tế bào sử dụng phương pháp nét hoạt động hình học Phân loại WBC Độ xác Độ thu hồi Thước đo F 0.99 0.95 0.94 Monocyte 0.99 0.9 0.93 Neutrophil 0.99 0.85 0.91 Eosinophil 0.98 0.81 0.88 Lymphocyte Từ hai bảng kết phân đoạn cho thấy trình phân đoạn tế bào phân đoạn tế bào nhân đạt kết cao, cho thấy kết phân đoạn hiệu gần với phân đoạn thủ cơng Đạt kết tốt q trình phân đoạn giúp tăng độ xác tính chiết xuất từ tế bào nhân bạch cầu Từ tăng độ xác kết phân loại bạch cầu Kết phân đoạn phụ thuộc vào quy trình phân đoạn thủ cơng chất lượng hình ảnh bạch cầu sau nhuộm 3.5.2 Khai thác đặc điểm Có nhiều đặc điểm tế bào sử dụng tài liệu tham khảo, hình dạng, kích thước, màu sắc, số thống kê nhân tế bào chất Trong nghiên cứu này, đặc điểm tế bào sử dụng bao gồm: màu sắc tế bào chất, kích thước tế bào, tỷ lệ nhân / tế bào chất, độ tròn độ nhân tế bào 3.5.3 Phân loại bạch cầu thuật toán SVM đa tầng Trong luận văn này, tác giả cộng sử dụng thuật toán SVM đa tầng để phân loại 389 bạch cầu thành lớp: bạch cầu toan, bạch cầu trung tính, bạch cầu đơn nhân, tế bào lympho (tế bào lympho nhỏ, tế bào lympho lớn, nguyên bào 52 lympho), không phân loại basophils số lượng mẫu sở liệu thấp Dữ liệu chia thành tập với tỷ lệ 3: để huấn luyện kiểm tra Ở giai đoạn, đặc điểm khác sử dụng để phân loại, giai đoạn thuật tốn thể sau: • Giai đoạn 1: Phân loại bạch cầu toan với cịn lại dựa đặc điểm số trung bình độ lệch chuẩn tế bào chất khơng gian màu RGB • Giai đoạn 2: Phân loại bạch cầu trung tính với tế bào lại dựa vào đặc điểm nhân độ trịn độ • Giai đoạn 3: Phân loại bạch cầu đơn nhân với tế bào lympho dựa vào đặc điểm nhân độ tròn, độ chắc, diện tích tế bào, tỷ lệ nhân so với tế bào chất • Mơ hình Phân loại SVM nhiều tầng thể Hình 3.1 3.6 Kết thử nghiệm Độ xác giai đoạn mơ hình kết hợp ba giai đoạn sau thực hành đưa Bảng 3.4: Bảng 3.4 Kết phân loại giai đoạn mơ hình giai đoạn Đào tạo Thử nghiệm Giai đoạn Tổng Lỗi Chính xác Độ xác (%) Giai đoạn Tổng Lỗi Chính xác 295 295 100 94 94 100% 265 14 251 94.7 85 84 98.8 215 10 205 95.3 68 65 95.6 3-stage model 295 23 272 92.2 94 86 91.4 Ở giai đoạn thuật tốn, mơ hình sử dụng để đánh giá tập hợp tập kiểm tra giai đoạn Sau đó, để hình thành mơ hình phân loại nhiều giai đoạn, kết hợp mơ hình giai đoạn xây dựng để đánh giá toàn sở liệu thử nghiệm Độ xác mơ hình phân loại giai đoạn 1, 2, 100%, 98,8% 95,6% Độ xác mơ hình kết hợp 91,4% Kết phương pháp đề xuất so sánh với phương pháp SVM kết hợp với phương pháp Random Forest [31], phương pháp Naïve Bayes [32] thể Bảng 3.5 53 Bảng 3.5 So sánh kết phương pháp đề xuất với phương pháp khác Loại Lymphocyt Monocyt Neutrophil Eosinophil Basophil Average accuracy Phương thức Combination of SVM and Random forest [9] 74,8% 85,3% 97,1% 70% 100% 81,8% Naïve Bayes [11] 100% 90% 55% 87,5% 60% 79% Đề xuất 92% 91% 89% 100% 93% Tác giả cộng sử dụng mơ hình kết hợp để phân loại cho loại tế bào, độ xác phương pháp phân loại tế bào lympho, bạch cầu đơn nhân, bạch cầu trung tính, bạch cầu toan 92%, 91%, 89%, 100% Độ xác trung bình 93% Kết phương pháp đề xuất so sánh với kết phương pháp Naïve Bayes [32] phương pháp SVM kết hợp Random Forest [31] hai phương pháp phân loại bạch cầu thành lớp (lymphocyte, monocyte, neutrophil, eosinophil basophil) Ngoài ra, sở liệu tham khảo [31] sử dụng sở liệu ALL_IDB làm hình ảnh đầu vào cho trình phân loại, tác giả tài liệu tham khảo [32] trích xuất đặc điểm từ hình dạng kích thước bạch cầu Việc lựa chọn đặc trưng nhắc đến đóng vai trị quan trọng việc phân loại ảnh để đạt kết cao Từ Bảng 3.5, kết phương pháp đề xuất để phân loại bạch cầu toan bạch cầu đơn nhân có độ xác cao ba phương pháp Mặc dù độ xác phân loại bạch cầu trung tính tế bào lympho phương pháp đề xuất thấp độ xác phân loại bạch cầu hai phương pháp (8%), nhiên kết phân loại bạch cầu thành lớp khác phương pháp đề xuất thu độ xác cao (93%) Điều cho thấy hiệu cao phương pháp đề xuất để phân loại bạch cầu sử dụng nhiều để hỗ trợ bác sĩ lâm sàng - ví dụ họ sử dụng hệ thống tự động để nhanh chóng phân loại bạch cầu, sau tập trung thời gian vào kết cho thấy rối loạn máu hình thái tế bào chưa biết 3.7 Kết luận chương Trong chương này, thuật toán SVM đa tầng đề xuất để phân loại tế bào dựa đặc điểm hình dạng, kích thước, màu sắc, tỷ lệ diện tích nhân tế bào chất Tác giả sử dụng hai sở liệu để thực huấn luyện thử 54 nghiệm từ kết cho thấy hiệu phương pháp với sở liệu hỗn hợp, thời gian trình huấn luyện diễn vài phút, độ xác trung bình cao 93% Một số tế bào phân đoạn khơng xác ảnh hưởng giai đoạn phát triển tế bào tế bào lympho gây khác biệt hình dạng, kích thước tế bào dẫn đến tế bào phân loại khơng xác Kết phương pháp đề xuất công bố tạp chí “American Journal of Biomedical Sciences”, Am J Biomed Sci 2020,12(4), 216224;doi:10.5099/aj200400216 55 CHƯƠNG CÔNG CỤ PHẦN MỀM PHÂN LOẠI TẾ BÀO BẠCH CẦU 4.1 Giới thiệu chương Trong việc chẩn đoán bệnh lý tế bào máu bạch cầu phương pháp soi mẫu phẩm máu kính hiển vi, kỹ thuật viên cần quan sát số lượng hình thái loại tế bào bạch cầu Tuy nhiên, việc kiểm tra mẫu phẩm máu phương pháp thủ công gặp nhiều khó khăn cần kiểm tra số lượng mẫu phẩm máu lớn địi hỏi tỉ mỉ, độ xác cao Vì tác giả thực việc xây dựng phần mềm phân loại tế bào máu để hỗ trợ y bác sỹ việc chẩn đoán mẫu phẩm máu Phần mềm thực với yêu cầu phát tế bào bạch cầu với độ xác cao, đưa phân loại thời gian ngắn Cơ sở liệu tác giả thực nghiệm với phần mềm bao gồm sở liệu BCCD quốc tế (có sẵn mạng) 4.2 Xây dựng phần mềm phân loại tế bào máu Phần mềm ứng dụng lập trình dựa ngơn ngữ lập trình Python giao diện lập trình Pycharm Quá trình thực giao diện phần mềm qua bước sau: Bước 1: Xây dựng giao diện phần mềm Qt Designer Trong phần mềm Qt Designer, trình giao diện xây dựng bao gồm phần sau: - Tên ứng dụng phần mềm - Nút lựa chọn hình ảnh “Chọn ảnh” - Vùng hiển thị hình ảnh - Nút thực phát tế bào máu “Quét” - Phần kết quả: + Hiển thị hình ảnh tế bào bạch cầu + Nhãn tên loại tế bào bạch cầu Hình 4.1 Xây dựng giao diện phần mềm phân loại tế bào bạch cầu 56 Bước 2: Chuyển file giao diện *ui sang file code*py để lập trình cho giao diện Sau tạo xong giao diện, file giao diện lưu với đuôi *ui xuất sang file *py, để lập trình với ngơn ngữ python Khi chuyển sang file đi*py, chương trình chứa hàm khởi tạo cho phần giao diện khởi tạo thuộc tính giao diện Sơ đồ thuật tốn chương trình phần mềm thể hình 4.2 Hiển thị hình ảnh tên tế bào bạch cầu Hình 4.2 Sơ đồ thuật tốn chương trình phần mềm phân loại tế bào máu Đầu tiên, tác giả khởi tạo q trình kích vào nút “Chọn ảnh” liên kết tới hàm lựa chọn hiển thị hình ảnh Sau đó, tác giả xây dựng hàm phân loại tế bào bạch cầu sử dụng thuật toán hỗ trợ vectơ SVM đa tầng Đầu hàm bao gồm tọa độ loại tế bào bạch cầu phát hiện, tên loại bạch cầu phân loại Tiếp theo, tác giả khởi tạo q trình kích vào nút “Qt” để tạo liên kết với hàm phân loại tế bào bạch cầu Hàm sử dụng hình ảnh đầu vào chọn thực trình phát phân loại tế bào bạch cầu ❖ Sử dụng phần mềm Để thực việc phân loại tế bào bạch cầu, người sử dụng phần mềm cần thực qua bước sau: - Bước 1: Nhấn vào nút “Chọn ảnh” phần mềm yêu cầu người sử dụng chọn hình ảnh đầu vào - Bước 2: Nhấn vào nút “Quét” thuật toán thực trình phát tế bào bạch cầu, sau hiển thị hình ảnh với tế bào máu phát hiển thị tên loại bạch cầu phát 57 Hình 4.3 Phần mềm phát phân loại ảnh chứa bạch cầu 4.3 Kết luận chương Trong chương này, tác giả trình bày trình xây dựng công cụ phần mềm phân loại tế bào bạch cầu dựa ngơn ngữ lập trình Python, giao diện lập trình Pycharm Việc phát loại bạch cầu, đưa số lượng loại bạch cầu giúp Y bác sĩ dễ dàng quan sát loại bạch cầu cần quan tâm đánh giá tốt bệnh lý người bệnh Cơ sở liệu thực nghiệm để kiểm tra phần mềm thu thập mạng sở liệu BCCD, ALL-ID Kích thước ảnh đầu vào 640x480 pixel Tổng số lượng đưa vào thử nghiệm 2500 ảnh loại tế bào bạch cầu Thời gian xử lý phần mềm cho hình ảnh đầu ngắn trung bình khoảng 0.5 giây cho hình ảnh 58 KẾT LUẬN Với ý tưởng áp dụng kỹ thuật khoa học máy tính vào lĩnh vực y tế việc áp dụng mơ hình học sâu để phân loại hình ảnh tế bào máu, đề tài “Nghiên cứu phương pháp phân loại tế bào máu hỗ trợ chẩn đoán bệnh rối loạn máu” trình bày vấn đề sau: Trong chương 1, luận văn trình bày thành phần máu bệnh lý liên quan đến tế bào bạch cầu, đặc trưng tế bào bạch cầu chẩn đoán bệnh rối loạn máu Khảo sát phương pháp phân loại tế bào máu sử dụng bệnh viện cần thiết việc ứng dụng công nghệ thông tin việc phân loại tế bào máu Trong chương 2, tác giả trình bày phương pháp phân loại tế bào bạch cầu như: Phương pháp hỗ trợ véc tơ học máy (SVM); Phương pháp hỗ trợ véc tơ học máy kết hợp với mơ hình phân lớp; Phương pháp hỗ trợ véc tơ học máy kết hợp thuật toán Random forest; Phân loại tế bào bạch cầu sử dụng mạng noron nhân tạo (ANN) Trong chương 3, tác giả trình bày phương pháp phân loại tế bào bạch cầu tác giả cộng đề xuất phương pháp phân loại tế bào bạch cầu sử dụng thuật toán hỗ trợ véc tơ học máy đa tầng (Multi-Stages SVM) Sử dụng sở liệu có sẵn mạng - sở liệu mà giới sử dụng để thử nghiệm với nghiên cứu tế bào bạch cầu Các thủ tục huấn luyện kiểm tra, bước thực thuật toán đưa kết thử nghiệm Trong chương 4, tác giả trình bày bước xây dựng cơng cụ phần mềm phân loại tế bào bạch cầu sử dựng thuật toán hỗ trợ vectơ học máy đa tầng Việc phát loại bạch cầu thời gian ngắn giúp bác sĩ dễ dàng quan sát loại bạch cầu cần quan tâm đồng thời tiết kiệm thời gian, giảm bớt khó khăn việc kiểm tra mẫu phẩm máu kính hiển vi Phương hướng phát triển tương lai: Trong tương lai, đề tài phát triển thêm thuật tốn phát vùng ảnh với nhiều tế bào loại tế bào bạch cầu lúc, kích thước ảnh lớn Tiếp tục thu thập thêm sở liệu sở y tế nước để thử nghiệm với thuật tốn đề xuất cho cơng cụ phần mềm có khả ứng dụng thực tiễn 59 TÀI LIỆU THAM KHẢO [1] https://www.vinmec.com/vi/tin-tuc/thong-tin-suc-khoe , [Online] [2] http://dnh.org.vn/UserFiles/thuvienykhoa, [Online] [3] PGS Nguyễn Anh Trí, Cẩm nang hiến máu tình nguyện, Bộ Y tế, Viện huyết học-Truyền máu trung ương,2007., [Online] [4] https://www.vietnammedicalpractice.com [5] http://biomedia.vn/review/ [Online] [6] Trịnh Bình Dy, Sinh lý học tập 1, Nhà xuất Y học Hà Nội,2006 [7] https://labvietchem.com.vn/ truy cập lần cuối 30/6/2020, [Online] [8] https://www.photomarathonasia.com [9] Khamael AL-Dulaimi1,*, Jasmine Banks1 , Vinod Chandran1, Inmaculada Tomeo-Reyes2 and Kien Nguyen, "Classification of White Blood Cell Types from Microscope Images: Techniques and Challenges", 2018 [10] K AL-Dulaimi, V Chandran, J Banks, I Tomeo-Reyes, and K Nguyen, “Classification of white blood cells using bispectral invariant features of nuclei shape,” IEEE, 2018 [11] K AL-Dulaimi, J Banks, V Chandran, I Tomeo-Reyes, and K Nyugen,“Classification of white blood cell types from microscope images: Techniques and challenges,”Formatex Research Center, 2018 [12] Jianwei Zhao1 • Minshu Zhang1 • Zhenghua Zhou1 • Jianjun Chu2 • Feilong Cao1 "Automatic detection and classification of leukocytes using convolutional neural networks" Med Biol Eng Comput DOI 10.1007/s11517-016-1590-x [13] Ryabchykov, O., et al “Leukocyte subtypes classification by means of image processing In: 2016 Federated Conference on Computer Science and Information” Systems (FedCSIS), pp 309-316 IEEE, Poland, 2016 [14] Yu, W., et al, “Automatic classification of leukocytes using deep neural network”, IEEE 12th International Conference on ASIC (ASICON), pp 1041- 1044 IEEE, China, 2017 [15] Macawile, M J., et al, “White blood cell classification and counting using convolutional neural network”, 3rd International Conference on Control and Robotics Engineering (ICCRE), pp 259-263 IEEE, Japan, 2018 60 [16] Manik, S., Saini, L M., Vadera, N, “Counting and classification of white blood cell using artificial neural network (ANN)”,IEEE 1st International Conference on Power Electronics, Intelligent Control and Energy Systems, pp 1-5 IEEE India, 2016 [17] Zhao, J., Zhang, M., Zhou, Z., Chu, J., “Automatic detection and classification of leukocytes using convolutional neural networks”, Medical & biological engineering & computing, 55(8), 1287-1301, 2016 [18] Ryabchykov, O., et al “Leukocyte subtypes classification by means of image processing In: 2016 Federated Conference on Computer Science and Information” Systems (FedCSIS), pp 309-316 IEEE, Poland, 2016 [19] Khamael, A., et al Classification of White Blood Cells Using L-Moments Invariant Features of Nuclei Shape In: 2018 International Conference on Image and Vision Computing New Zealand (IVCNZ), pp 1–6 IEEE, New Zealand, 2018 [20] Sajjad, M., et al “Leukocytes classification and segmentation in microscopic blood smear: a resource-aware healthcare service in smart cities” IEEE Access 5, 3475-3489, 2016 [21] Habibzadeh, M., Krzyżak, A., Fevens, T, “Comparative study of shape, intensity and texture features and support vector machine for white blood cell classification”, Journal of Theoretical and Applied Computer Science 7, 2013 [22] Mehdi Habibzadeh, Adam Krzyzak, Thomas Fevens “Comparative study of shape, intensity and texture features and support vector machine for white blood cell classification ”, Journal of Theoretical and Applied Computer Science Vol 7, No 1, 2013 [23] Selesnick, I.: The double-density dual-tree DWT IEEE Transactions on Signal Processing,52(5), pp 1304 – 1314, 2004 ISSN 1053-587X [24] Habibzadeh, M., Krzyzak, A., Fevens, T.: Analysis of White Blood Cell Differential Counts Using Dual-Tree Complex Wavelet Transform and Support Vector Machine Classifier In: ICCVG International Conference on Computer Vision and Graphics,2012 [25] Muhammad Sajjad; Siraj Khan; Zahoor Jan; Khan Muhammad; Hyeonjoon Moon; Jin Tae Kwak “Leukocytes Classification and Segmentation in Microscopic Blood Smear: A Resource-Aware Healthcare Service in Smart Cities”,2016 61 [26] Shubham Manikl; Lalit Mohan Saini2 and Nikhil Vadera "Counting and Classification ofWhite Blood Cell using Artificial Neural Network (ANN)" 1st IEEE International Conference on Power Electronics (ICPEICES-2016) [27] Oleg Ryabchykov, Anuradha Ramoji, Thomas Bocklitz, Martin Foerster§ Stefan Hagel, Claus Kroegel, Michael Bauer, Ute Neugebauer, Juergen Popp "Leukocyte subtypes classification by means of image processing" [28] https://docs.lib.purdue.edu/ecetr/, [Online] [29] Khamael AL-Dulaimi; Inmaculada Tomeo- Reyes; Jasmine, B.; Vinod Chandran White blood cell nuclei segmentation using level set methods and geometric active contours, International Conference on Digital Image Computing: Techniques and Applications 2016 [30] Khamael AL-Dulaimi; Inmaculada Tomeo- Reyes; Jasmine, B.; Vinod Chandran Automatic segmentation of hep-2 cell fluorescence microscope images using level set method via geometric active contours, 23rd International Conference on Pattern Recognition 2016 [31] Zhao J, Zhang M, Zhou Z, Chu J, Cao F Automatic detection and classification of leukocytes using convolutional neural networks Med Biol Eng Comput 2017 [32] Anjali, G.; Priyanka S.; Balasubramania, R.; Harvendra Bhadauria Automatic Classification of Leukocytes using Morphological Features and Naïve Bayes Classifier, IEEE Region 10 Conference (TENCON)Proceedings of the International Conference, 2016 62 ... trình nghiên cứu phương pháp tự động phân loại tế bào máu Vì tác giả lựa chọn đề tài “ Nghiên cứu phương pháp phân loại tế bào máu hỗ trợ chẩn đoán bệnh rối loạn máu? ?? để nghiên cứu, xây dựng phương. .. lý nhanh chóng 1.6 Phương pháp phân loại tế bào máu sử dụng bệnh viện Phân loại tế bào máu bệnh viện gồm cách: Soi tế bào bạch cầu kính hiển vi dùng phương pháp phân tích tế bào theo dòng chảy... Mục đích ý nghĩa việc phân loại tế bào máu 18 1.6 Phương pháp phân loại tế bào máu sử dụng bệnh viện 18 1.6.1 Phương pháp tế bào học dòng chảy 18 1.6.2 Phương pháp soi mẫu phẩm kính