Bài viết Sử dụng Deep Learning trong hỗ trợ chẩn đoán bệnh nha khoa áp dụng phương pháp Deep learning cho bài toán hỗ trợ chẩn đoán nha khoa. Phương pháp này được đánh giá bằng thực nghiệm trên bộ dữ liệu ảnh X-Quang nha khoa thu thập.
Tuyển tập Hội nghị Khoa học thường niên năm 2019 ISBN: 978-604-82-2981-8 SỬ DỤNG DEEP LEARNING TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH NHA KHOA Trần Mạnh Tuấn1, Trần Thị Ngân1 Trường Đại học Thủy lợi, email: tmtuan@tlu.edu.vn GIỚI THIỆU Tại Việt Nam, 90% bệnh nhân khám nha khoa chẩn đốn mắc bệnh miệng 50% mắc bệnh sâu răng, 90% mắc bệnh viêm lợi [10] Năm bệnh thường mắc phải bệnh miệng bệnh sâu răng, bệnh viêm lợi, bệnh lý khôn mọc lệch, bệnh lý bất thường men răng, tổn thương quanh chóp chân Việc mắc bệnh nêu gây hậu nghiêm trọng cho người bệnh, giảm thẩm mỹ, giảm chức ăn nhai, tăng chi phí cho chữa trị sau Trong thời gian gần trí tuệ nhân tạo dần ảnh hưởng đến hầu hết lĩnh vực khoa học ứng dụng khác có lĩnh vực y tế Các phương pháp học máy với nhiều ứng dụng hỗ trợ chẩn đoán bệnh ngày cải thiện giúp bác sỹ có cơng cụ tư vấn dựa liệu bệnh nhân điều trị, giúp bác sỹ khoanh vùng bệnh cách nhanh chóng đưa chẩn đốn xác Các hệ hỗ trợ chẩn đốn y học nghiên cứu hồn thiện Với tốn hỗ trợ chẩn đoán nha khoa thời gian gần tác giả cộng có số nghiên cứu liên quan như: sử dụng mờ phức hỗ trợ chẩn đoán bệnh gan [8], sử dụng mờ trực cảm hỗ trợ chẩn đoán nha khoa [7], sử dụng phân cụm bán giám sát mờ hỗ trợ chẩn đoán nha khoa từ ảnh X-quang [6], sử dụng toán tử mờ hỗ trợ chẩn đoán bệnh nha khoa từ ảnh X-quang [9] Trong báo này, chúng tơi ứng dụng mơ hình Deep Learning hỗ trợ chẩn đốn nha khoa với bệnh khơn mọc lệch viêm quanh cuống Việt Nam Bộ liệu thu thập từ bác sỹ Viện đào tạo hàm mặt, Trường ĐH Y Hà Nội Trong phần cấu trúc sau: phần trình bày chi tiết phương pháp Deep Learning mơ hình R-CNN, phần trình bày kết thực nghiệm, phần kết luận HỌC SÂU VÀ MƠ HÌNH R-CNN Deep learning (học sâu) [1]: nhánh học máy dựa tập hợp thuật tốn để mơ hình liệu trừu tượng hóa mức cao cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, cách khác bao gồm nhiều biến đổi phi tuyến Một hình ảnh biểu diễn nhiều cách vector giá trị cường độ cho điểm ảnh, cách trừu tượng tập hợp cạnh, khu vực hình dạng cụ thể Học sâu đề cập đến lớp rộng kỹ thuật kiến trúc học máy, với đặc điểm sử dụng nhiều lớp xử lý thơng tin phi tuyến có tính phân cấp Một mạng nơ ron sử dụng nhiều phát bệnh dựa ảnh video Region based Convolutional Neural Network (R-CNN) R-CNN ứng dụng nghiên cứu nhằm phát bệnh viêm cầu thận [4] dựa ảnh bệnh nhân, phát 195 Tuyển tập Hội nghị Khoa học thường niên năm 2019 ISBN: 978-604-82-2981-8 polyp qua video nội soi [5] phát đối tượng ảnh sốt rét [2] Mạng R-CNN (Region with CNN features) sử dụng chủ yếu nhận dạng đối tượng Trong đó, CNN hoạt động trích chọn đặc trưng lớp dày đặc đầu bao gồm đặc trưng trích xuất từ hình ảnh Các đặc trưng đưa vào phân lớp SVM để phân loại diện đối tượng Trong báo này, mạng R-CNN sử dụng hỗ trợ chẩn đoán bệnh nha khoa dựa ảnh X-quang KẾT QUẢ THỰC NGHIỆM Trong thực nghiệm với liệu ảnh XQuang nha khoa thu thập từ 2018 đến trường Đại học Y Hà Nội Số lượng ảnh: 1435 ảnh mắc bệnh mọc lệch bệnh viêm quanh cuống Trong chúng bệnh mọc lệch 955 ảnh, bệnh viêm quanh cuống 480 ảnh Trong q trình thực nghiệm chúng tơi dùng 1100 ảnh để training, 335 ảnh để testing, đồng thời có sử dụng bổ sung 100 ảnh X-Quang nha khoa không mắc bệnh để testing (tổng số ảnh để testing 435 ảnh) a Ảnh gốc mọc lệch b Ảnh hỗ trợ chẩn đoán mọc lệch c Ảnh gốc bệnh viêm quanh cuống d Ảnh hỗ trợ chẩn đoán bệnh viêm quanh cuống Hình Kết thực hỗ trợ chẩn đoán Với bệnh mọc lệch chia làm cấp độ: 1, 2, với tiêu chí xác định [3]: tiêu chí 1: tương quan khoảng rộng xương hàm từ mặt xa số đến cành cao xương hàm bề rộng số 8; tiêu chí 2: Vị trí độ sâu; tiêu chí 3: trục răng; tiêu chí 4: chân răng; tiêu chí 5: mật độ xương; tiêu chí 6: độ rộng khoảng sáng dây chằng quanh Với bệnh viêm quang cuống chia thành cấp độ: 1, 2, [3] Kết thực nghiệm hỗ trợ chẩn đoán bệnh mọc lệch (được thể hình 1b, ảnh gốc hình 1a), bệnh viêm quanh cuống (được thể hình 1d, ảnh gốc hình 1c) Ảnh hỗ trợ có khoanh vùng đánh dấu vị trí có khả bị bệnh để bác sĩ tập trung vào việc chẩn đoán bệnh với độ xác cao so với việc quan sát từ ảnh gốc Bảng trình bày kết chẩn đốn sau có hỗ trợ R-CNN Trong 100 ảnh khơng mắc bệnh chúng tơi test bệnh mọc lệch Bảng Kết chẩn đoán Số ảnh chẩn đoán Accuracy Răng mọc lệch 200 98 Viêm quanh cuống 135 82 Không mắc bệnh 100 97 Bệnh Kết thực nghiệm so sánh với phương pháp DDS (Dental Diagnosis System) [6] nhóm Lê Hồng Sơn cộng dựa độ đo Accuracy Phương pháp DDS sử dụng phân đoạn ảnh X-quang nha khoa dựa phân cụm bán giám sát mờ với thông tin bổ trợ từ chuyên gia, sau xác định vùng có khả mắc bệnh từ tổng hợp đưa định hỗ trợ chẩn đốn Khi với bệnh mọc lệch R-CNN có kết tốt hơn, DDS tốt với bệnh viêm quanh cuống (kết Bảng 2) 196 Tuyển tập Hội nghị Khoa học thường niên năm 2019 ISBN: 978-604-82-2981-8 Bảng Kết so sánh DDS với R-CNN dựa độ đo Accuracy Bệnh DDS R-CNN Răng mọc lệch 87 98 Viêm quanh cuống 85 82 Không mắc bệnh 84 97 KẾT LUẬN Trong báo này, áp dụng phương pháp Deep learning cho toán hỗ trợ chẩn đoán nha khoa Phương pháp đánh giá thực nghiệm liệu ảnh X-Quang nha khoa thu thập Các kết thực nghiệm độ xác bệnh mọc lệch 98%, bệnh viêm quanh cuống 82% Để cải thiện độ xác, chúng tơi tiếp tục xác định đặc trưng bệnh nhằm hỗ trợ tốt thực mơ hình TÀI LIỆU THAM KHẢO [1] Deng, L., & Yu, D (2014) Deep learning: methods and applications Foundations and Trends in Signal Processing, 7(3–4), 197-387 [2] Hung, J., & Carpenter, A (2017) Applying faster R-CNN for object detection on malaria images In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp 56-61) [3] Hoàng Tử Hùng (2012), Giải phẫu răng, Nhà xuất Y học [4] Kawazoe, Y., Shimamoto, K., Yamaguchi, R., Shintani-Domoto, Y., Uozaki, H., Fukayama, M., & Ohe, K (2018) Faster RCNN-Based Glomerular Detection in Multistained Human Whole Slide Images Journal of Imaging, 4(7), 91 [5] Mo, X., Tao, K., Wang, Q., & Wang, G (2018, August) An Efficient Approach for Polyps Detection in Endoscopic Videos Based on Faster R-CNN In 2018 24th International Conference on Pattern Recognition (ICPR) (pp 3929-3934) IEEE [6] Le Hoang Son, Tran Manh Tuan, Hamido Fujita, Nilanjan Dey, Amira S Ashour, Vo Truong Nhu Ngoc, Le Quynh Anh, Chu Dinh Toi, (2018), “Dental Diagnosis from X-Ray Images: An Expert System based on Fuzzy Computing”, Biomedical Signal Processing and Control, 39, 64-73 [7] Roan Thi Ngan, Bui Cong Cuong, Tran Manh Tuan, Le Hoang Son (2018), “Medical Diagnosis from Images with Intuitionistic Fuzzy Distance Measures”, Proceeding of the 2018 International Joint Conference on Rough Sets (IJCRS-2018), 20-24 August, 2018, Quy Nhon, Vietnam, pp 479 – 490 [8] Tran Thi Ngan, Luong Thi Hong Lan, Mumtaz Ali, Dan Tamir, Le Hoang Son, Tran Manh Tuan, Naphtali Rishe, Abe Kandel (2018), “Logic Connectives of Complex Fuzzy Sets”, Romanian Journal of Information Science and Technology, 21(4), pp 344-358 [9] Tran Thi Ngan, Tran Manh Tuan, Le Hoang Son, Nguyen Hai Minh, Nilanjan Dey (2016), “Decision makinh based on fuzzy aggregation operators for medical diagnosis from dental X-ray images”, Journal of Medical Systems, 40(12), 280: pp 1-7 [10] Trương Mạnh Dũng, Vũ Mạnh Tuấn (2011) Thực trạng bệnh miệng số yếu tố liên quan trẻ 4-8 tuổi tỉnh thành Việt Nam năm 2010 Y học thực hành Số 12/2011 (797), 56-59 197 ... phân loại diện đối tượng Trong báo này, mạng R-CNN sử dụng hỗ trợ chẩn đoán bệnh nha khoa dựa ảnh X-quang KẾT QUẢ THỰC NGHIỆM Trong thực nghiệm với liệu ảnh XQuang nha khoa thu thập từ 2018 đến... 85 82 Không mắc bệnh 84 97 KẾT LUẬN Trong báo này, áp dụng phương pháp Deep learning cho toán hỗ trợ chẩn đoán nha khoa Phương pháp đánh giá thực nghiệm liệu ảnh X-Quang nha khoa thu thập Các... có sử dụng bổ sung 100 ảnh X-Quang nha khoa không mắc bệnh để testing (tổng số ảnh để testing 435 ảnh) a Ảnh gốc mọc lệch b Ảnh hỗ trợ chẩn đoán mọc lệch c Ảnh gốc bệnh viêm quanh cuống d Ảnh hỗ