Nghiên cứu ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư phổi sử dụng ảnh chụp ct

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐOÁN UNG THƯ PHỔI SỬ DỤNG ẢNH CHỤP CT NGUYỄN ĐĂNG NHẬT nhatsneepbk@gmail.com Ngành Kỹ thuật Hạt nhân Giảng viên hướng dẫn: TS Trần Ngọc Toàn Viện: Năng Lượng Nguyên Tử Việt Nam HÀ NỘI, 09/2022 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐỐN UNG THƯ PHỔI SỬ DỤNG ẢNH CHỤP CT NGUYỄN ĐĂNG NHẬT nhatsneepbk@gmail.com Ngành Kỹ thuật Hạt nhân Giảng viên hướng dẫn: TS Trần Ngọc Toàn Viện: Năng Lượng Nguyên Tử Việt Nam HÀ NỘI, 09/2022 Chữ ký GVHD 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: NGUYỄN ĐĂNG NHẬT Đề tài luận văn: “Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đốn ung thư phổi sử dụng ảnh chụp CT” Chuyên ngành: Kỹ thuật Hạt nhân Mã số HV: 20202109M Cán hướng dẫn: TS Trần Ngọc Toàn 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 ngày13/10/2022 với nội dung sau: • • • • • • • Bổ sung danh mục ký hiệu toán học Giảm số lượng trích dẫn khơng cần thiết Sắp xếp lại hợp lý vị trí hình vẽ bảng biểu Sửa đổi lại bố cục trình bày cho hợp lý, dễ hiểu Biện luận giải thích chi tiết kết luận văn Rút nhược điểm nghiên cứu Chỉnh sửa lại lỗi đánh máy tả Hà Nội, ngày 30 tháng 10 năm 2022 Người hướng dẫn TS Trần Ngọc Toàn Tác giả luận văn Nguyễn Đăng Nhật CHỦ TỊCH HỘI ĐỒNG TS Nguyễn Văn Thái THƯ VIỆN TẠ QUANG BỬU Xác nhận nhận lại luận văn sau sửa chữa mã số ………………… Ngày……tháng……năm 2022 (Ký ghi rõ họ tên) ĐỀ TÀI LUẬN VĂN Tên đề tài tiếng Việt: NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐOÁN UNG THƯ PHỔI SỬ DỤNG ẢNH CHỤP CT Tên đề tài tiếng Anh: A STUDY ON APPLICATION OF ARTIFICAL INTELLIGENCE IN DIAGNOSIS OF LUNG CANCER USING CT IMAGE Giáo viên hướng dẫn Ký ghi rõ họ tên TS Trần Ngọc Toàn LỜI CAM ĐOAN Học viên xin cam đoan: Luận văn “Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đốn ung thư phổi sử dụng ảnh chụp CT” cơng trình nghiên cứu riêng học viên hướng dẫn khoa học TS Trần Ngọc Tồn, mơn Kỹ thuật Hạt nhân Vật lý Môi Trường, Viện Vật lý Kỹ thuật, Đại học Bách Khoa Hà Nội Luận văn có tham khảo nghiên cứu tài liệu khác nước, tất trích dẫn đầy đủ Các số liệu luận văn sử dụng trung thực, kết trình bày luận văn chưa tác giả cơng bố cơng trình khác Hà Nội, ngày tháng Giáo viên hướng dẫn Học viên Cao học Ký ghi rõ họ tên Ký ghi rõ họ tên TS Trần Ngọc Toàn năm 2022 LỜI CẢM ƠN Trước hết, xin gửi lời cảm ơn sâu sắc đến TS Trần Ngọc Toàn hướng dẫn khoa học nhiệt tình chu đáo thời gian theo học Thạc sĩ Thầy đưa định hướng nghiên cứu cụ thể lời khuyên quý báu để giúp đạt kết có giá trị Cảm ơn Thầy giúp đỡ, động viên tạo điều kiện thuận lợi để tơi học tập, nghiên cứu Tôi học Thầy nghiêm túc tính chun nghiệp cơng việc, ý tưởng mẻ lịng say mê nghiên cứu khoa học, hành trang quan trọng cho đời nghiên cứu sau Tôi xin chân thành cảm ơn TS Nguyễn Văn Thái, TS Trần Kim Tuấn, PGS TS Phạm Đình Khang thầy môn Kỹ thuật Hạt nhân Vật lý Môi trường, Viện Vật lý Kỹ thuật nhiệt tình giảng dạy, động viên đưa lời khuyên quý báu cho năm tháng học Đại học học Thạc sĩ Đại học Bách Khoa Hà Nội Những giảng thầy, cô tảng vững để tơi phát triển Cuối cùng, tơi xin cảm ơn bố mẹ, gia đình, người thương, anh chị em bạn bè đồng hành, ủng hộ công việc, sống, giúp tơi có thêm động lực tâm hồn thành ước mơ Xin chân thành cảm ơn! Hà Nội, ngày tháng 10 năm 2022 Tác giả luận văn Ký ghi rõ họ tên TÓM TẮT NỘI DUNG LUẬN VĂN Luận văn nghiên cứu tính ứng dụng trí tuệ nhân tạo chẩn đốn phát sớm ung thư phổi dựa vào ảnh chụp CT, việc sử dụng số lượng lớn liệu có sẵn xác sau sử dụng liệu máy tính học tiếp thu đặc trưng đối tượng, qua giúp máy tính phân loại lọc ảnh tương tự sau Luận văn nghiên cứu lý thuyết mạng neuron nhân tạo, khái niệm mạng nơ-ron, mơ hình nơ-ron nhân tạo phổ biến khả ứng dụng chúng vào toán như: toán phân lớp, toán dự báo… Để nghiên cứu tính ứng dụng trí tuệ nhân tạo, luận văn sâu vào mạng nơ-ron tích chập Convolution Neural Network (còn gọi ConvNet / CNN) thuật tốn Deep Learning lấy hình ảnh đầu vào, gán độ quan trọng (các trọng số - weights độ lệch - bias học được) cho đặc trưng, đối tượng khác hình ảnh phân biệt đặc trưng, đối tượng với Mạng nơ-ron áp dụng phổ biến toán xử lý ảnh tối ưu tốc độ hiệu so với mạng nơ-ron khác Để ứng dụng mạng nơ-ron tích chập vào tốn xử lý hình ảnh CT bệnh nhân ung thư, luận văn nghiên cứu kiến trúc mạng VGG16 kiến trúc tiếng mạng nơ-ron tích chập tốn xử lý hình ảnh VGG16 coi mơ hình CNN nâng cao AlexNet cách thay lọc có kích thước hạt nhân khổng lồ có nhiều lọc kích thước hạt nhân 3x3 tuần tự, hình ảnh khối u ảnh CT chuyển qua nhiều lớp phức hợp với lọc có trường tiếp nhận tối thiểu 3x3 (đây kích thước nhỏ cần thiết để thu thập liệu) Nó sử dụng lọc tích chập 1×1 cấu hình xem chuyển đổi tuyến tính kênh đầu vào khác Tổng hợp không gian thực cách sử dụng lớp tổng hợp tối đa theo sau vài lớp tích chập (mọi lớp tích chập khơng theo sau tổng hợp tối đa) Sự xếp tương tự lớp tổng hợp cực đại lớp tích chập thực quán toàn kiến trúc Kết chương trình đánh giá các phép đánh giá như: Arcuracy, Loss, F1-Score, AUC Preciscion Hiệu mơ hình thường đánh giá tập liệu kiểm tra, việc sử dụng nhiều phép đánh giá khác nhằm đánh giá xác hiệu chương trình MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN TÓM TẮT NỘI DUNG LUẬN VĂN MỞ ĐẦU CHƯƠNG I TỔNG QUAN CƠ SỞ LÝ THUYẾT 1.1 Tổng quan 1.2 Các loại ung thư phổ biến Ung thư phổi tế bào nhỏ Ung thư phổi không tế bào nhỏ 1.3 Giới thiệu mạng nơ ron tích chập ứng dụng Khái niệm Kiến trúc CNN 12 1.4 Các kiến trúc mạng tiếng CNN 18 Kiến trúc VGG16 18 Kiến trúc LeNet(1998) 20 Kiến trúc Alexnet 21 So sánh cấu trúc mạng VGG16 với cấu trúc mạng CNN khác 22 CHƯƠNG II XÂY DỰNG CHƯƠNG TRÌNH PHÂN LOẠI UNG THƯ PHỔI BẰNG MẠNG NƠ-RON NHÂN TẠO 24 2.1 Chuẩn bị liệu hình ảnh 25 2.2 Huấn luyện mơ hình cấu trúc VGG16 30 Max pooling (lớp tổng hợp cực đại) 32 Fully Connected Layer (lớp kết nối đầy đủ) 33 2.3 Mơ hình tăng cường độ xác VGG16 34 2.4 Các tỉ số đánh giá mơ hình 35 Accuracy 35 Loss 37 AUC (Area Under the Curve) 39 Preciscion 41 F1-Score 42 CHƯƠNG III KẾT QUẢ VÀ THẢO LUẬN 43 a Kết VGG16 với VGG16 kết hợp tăng cường liệu 44 b So sánh kết với mơ hình khác 47 KẾT LUẬN 49 DANH MỤC TÀI LIỆU THAM KHẢO 50 i DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt ANN AI AUC CNN CT Conv Epoch MLP MNIST Tiếng Anh Artificial Neural Network Artificial intelligence Area Under the Curve Convolution Neural Network Computed Tomography Multi Layer Perceptron Modified National Institute of Standards and Technology database Trí tuệ nhân tạo Mạng nơ-ron tích chập ảnh chụp cắt lớp vi tính Tích chập số vịng lặp Mạng truyền thẳng Cở sở dũ liệu hình ảnh chữ viết tay dung để huấn luyện mạng Lớp tổng hợp cực đại Kiến trúc mạng CNN tiếng Lớp tổng hợp Max Pooling VGG16 Pooling Layer Overfitting OAR Tiếng Việt Mạng thần kinh nhân tạo Organs At Risk Hiện tượng khớp liệu học máy Cơ quan cần bảo vệ có nguy nhận liều cao ii mát cao dựa vào liệu huấn luyện chưa đủ lớn để mơ hình học nhiều Loss Sự mát: số thực không âm thể chênh lệch hai đại lượng: nhãn thật liệu model dự đốn ra, hay nói cách khác Loss khoảng cách hai vector thực vector dự đoán ra, model dự đốn lệch so với giá trị thực loss to ngược lại, dự đoán sát so với thực số loss nhỏ dần (2.1) • Trong đó: n: Số lượng điểm liệu • m: Số lượng class • yi,j : Đây nhãn thật liệu yi,j=1 điểm liệu i thuộc tập j =0 ngược lại • pi,j: Đay nhãn dự đốn Pi,j thể khả mà model bạn dự đoán điểm liệu i thuộc class j 37 Hình 2.10 Ví dụ kết tỉ số đánh giá Loss Khi số epoch tăng lên Train Loss Validation Loss giảm, Train Acc Val Acc tăng Điều phù hợp Nhưng trình plot ra, thấy đến epoch tự nhiên train loss giảm val loss bắt đầu tăng lên model bắt đầu Overfiting 38 Hình 2.11 Đường cong biểu diễn overfitting underfitting AUC (Area Under the Curve) AUC (Area Under the Curve) phép đo tổng hợp hiệu suất phân loại nhị phân tất giá trị ngưỡng có Để hiểu rõ metric này, tìm hiểu khai niệm sở trước, ROC Curve ROC Curve (The receiver operating characteristic curve) đường cong biểu diễn hiệu suất phân loại mơ hình phân loại ngưỡng threshold Về bản, hiển thị True Positive Rate (TPR) so với False Positive Rate (FPR) giá trị ngưỡng khác Các giá trị TPR, FPR tính sau: 39 Hình 2.12 Ví dụ kết tỉ số đánh giá AUC với ngưỡng khác nhau, có kết dự đốn nhãn khác nhau, kéo theo giá trị precision hay recall khác ROC tìm TPR FPR ứng với giá tị ngưỡng khác vẽ biểu đồ để dễ dàng quan sát TPR so với FPR AUC số tính tốn dựa đường cong ROC nhằm đánh giá khả phân loại mơ hình tốt thê Phần diện tích nằm đường cong ROC trục hồnh AUC, có giá trị nằm khoảng [0, 1] Khi diện tích lớn, đường cong dần tiệm cận với đường thẳng y=1 tương đương với khả phân loại mơ hình tốt Còn đường 40 cong ROC nằm sát với đường chéo qua hai điểm (0, 0) (1, 1), mơ hình tương đương với phân loại ngẫu nhiên Preciscion Với toán phân loại mà tập liệu lớp chênh lệch nhiều, có phép hiệu thường sử dụng Precision-Recall Precision trả lời cho câu hỏi: số điểm liệu mơ hình phân loại vào lớp Positive, có điểm liệu thực thuộc lớp Positive Mặt khác, Recall giúp biết có điểm liệu thực lớp Positive mơ hình phân lớp điểm liệu thực lớp Positive Hình 2.14 Cách tính Precision Precision Recall có giá trị [0,1], hai giá trị gần với mơ hình xác Precision cao đồng nghĩa với điểm phân loại xác Recall cao cho thể cho việc bỏ sót điểm liệu Khi Precision = 1, điểm tìm thực positive, tức khơng có điểm negative lẫn vào kết Tuy nhiên, Precision = khơng đảm bảo mơ hình tốt, câu hỏi đặt liệu mơ hình tìm tất điểm positive hay chưa Nếu mơ hình tìm điểm positive mà chắn ta khơng thể gọi mơ hình tốt Khi Recall = 1, điểm positive tìm thấy Tuy nhiên, đại lượng lại khơng đo liệu có điểm negative bị lẫn Nếu mơ hình 41 phân loại điểm positive chắn Recall = 1, nhiên dễ nhận mơ hình cực tồi F1-Score F1-score: Một mơ hình tốt Precision Recall cao, thể cho mơ hình phân loại nhầm lớp tỉ lệ bỏ sót đối tượng thuộc lớp cần quan tâm thấp Tuy nhiên, hai giá trị Precision Recall thường không cân với (giá trị tăng giá trị thường có xu hướng giảm) Để đánh giá lúc Precision Recall, ta sử dụng độ đo F-Score (2.2) Tham số β định mức độ coi trọng Precision Recall • β > 1: Recall coi trọng Precision • β < 1: Precision coi trọng Recall • β = 1: Precision Recall coi trọng ngang Việc định nên ưu tiên Precision hay Recall phụ thuộc vào tốn Ví dụ, với tốn xác định khu vực có bom mìn hay khơng, việc bỏ sót bom mìn cho hậu nghiêm trọng so với báo động khu vực an tồn có bom, cần ưu tiên Recall Precision Mặt khác, việc bỏ sót spam mail khơng tệ so sánh với phân loại nhầm email quan trọng thành spam mail, tốn này, Precision nên cân nhắc ưu tiên Với toán mà Precision Recall cân nhắc ngang nhau, ta chọn β =1, ta sử dụng F1-Score F1-Score kỳ vọng harmonic (harmonic mean) Precision Recall F1-score lớn giá trị Precision Recall lớn Ngược lại, cần giá trị nhỏ làm cho F1-Score nhỏ 42 CHƯƠNG III KẾT QUẢ VÀ THẢO LUẬN Khi xây dựng mơ hình Machine Learning, cần phép đánh giá để xem mô hình sử dụng có hiệu khơng để so sánh khả mơ hình Trong luận văn này, sử dụng phương pháp đánh giá mơ hình classification Hiệu mơ hình thường đánh giá dựa tập liệu kiểm thử (test data) Cụ thể, giả sử đầu mơ hình đầu vào tập kiểm thử mơ tả vectơ ypre vectơ dự đốn đầu với phần tử class dự đoán điểm liệu tập kiểm thử Ta cần so sánh vectơ dự đoán ypre với vectơ class thật liệu, mô tả vectơ ytrue Ví dụ với tốn có lớp liệu gán nhãn 0, 1, Trong tốn thực tế, class có nhãn bất kỳ, không thiết số, không thiết Chúng ta tạm giả sử class đánh số từ đến C-1 trường hợp có C lớp liệu Có 10 điểm liệu tập kiểm thử với nhãn thực mô tả ytrue = [0, 0, 0, 0, 1, 1, 1, 2, 2, 2] Giả sử phân lớp cần đánh giá dự đoán nhãn cho điểm ypre = [0, 1, 0, 2, 1, 1, 0, 2, 1, 2] Có nhiều cách đánh giá mơ hình phân lớp Tuỳ vào toán khác mà sử dụng phương pháp khác Các phương pháp thường sử dụng là: accuracy score, confusion matrix, ROC curve, Area Under the Curve, Precision and Recall, F1 score, Top R error… Ma trận nhầm lẫn thể bảng bên sử dụng để dự đốn mơ hình phân loại Tương ứng với ma trận nhầm lẫn, giá trị dương tính thực (TP) âm tính thực (TN) lớn, giá trị FP âm tính giả (FN) nhỏ hiệu suất tốt Bảng 3.1 Ma trận nhầm lẫn mơ hình phân loại 43 Độ xác thước đo thống kê mức độ mà phân loại xác định xác loại trừ điều kiện Độ xác tỷ lệ kết (cả TP TN), định nghĩa Công thức bên dưới: (3.1) Độ nhạy tỷ lệ độ xác dự đốn mơ hình số tất kết có giá trị dương thực, định nghĩa phương trình bên dưới: (3.2) Độ đặc hiệu tỷ lệ tất kết giá trị thực Âm mà mơ hình dự đốn xác, định nghĩa cơng thức dưới: (3.3) a Kết VGG16 với VGG16 kết hợp tăng cường liệu Bảng 3.2 Kết hai mơ hình phân loại Mơ hình Accuracy Sensivity Speccificity VGG16 0.815 ± 0.03 0.704 ± 0.02 0.624 ± 0.03 VGG16 0.866 ± 0.05 0.861 ± 0.02 0.724 ± 0.02 Boosting Trong hai trường hợp: huấn luyện bình thường, huấn luyện mơ hình kết hợp với thuật tốn tăng cường liệu đề xuất luận văn Từ kết huấn luyện ta thấy mơ hình VGG16 huấn luyện thơng qua cách thơng thường có độ xác …, mơ hình huấn luyện với liệu tăng cường (VGG16 Boosting) Độ xác bảng kết trung bình với nhãn bệnh Thực nghiệm xác định sử dụng phân loại yếu kết hợp với phân loại mạnh đủ Sự thay đổi độ xác sau thêm phân 44 loại yếu để biểu gộp chung với phân loại mạnh thể bảng bên Tỷ lệ xác cải thiện sau sử dụng phân loại yếu thứ ba so với hai Nếu quy mô tập liệu lớn hơn, tăng số lượng phân loại yếu xác định số lượng phân loại cần thiết để đạt hiệu suất phân loại chấp nhận Bảng 3.3 Kết mơ hình tăng cường liệu Bộ phân loại Classifier1 Classifier2 Classifier3 Accuracy 0.682 ± 0.05 0.805 ± 0.025 0.866 ± 0.02 Classifier 1,2,3 liệu đầu vào huấn luyện mơ hình tăng cường liệu phía đề cập, classifier1 liệu ban đầu đưa vào bao gồm tập liệu huấn luyện lấy random từ liệu gốc ban đầu, classifier bao gồm đầu liệu yếu liệu kết hợp với liệu lại ban đầu liệu gốc, liệu classifier bao gồm liệu yếu từ kết hợp với liệu lại liệu gốc Qua ba lần sử dụng mơ hình học tham số yếu từ liệu yếu để cải thiện độ xác mơ hình cho kết độ xác cao lần Trong Bảng bên dưới, độ xác, Recall F1-Score bốn bệnh ung thư phổi sau tăng cường liệu Chương trình thực việc chuẩn hóa hang loạt q trình đào tạo để tăng đáng kể tốc độ đào tạo giảm phụ thuộc mạnh mẽ vào trình khởi tạo tham số Biểu đồ loss Accuracy biến thiên theo thời gian thực Epoch có tăng cường liệu hiển thị hình bên Trong số đó, trục X đề cập đến thay đổi epoch trục Y đề cập đến độ xác giá trị mát Tổng cộng 100 epoch huấn luyện Các đường cong màu xanh đỏ đại diện cho đường cong huấn luyện xác nhận Việc tỉ số mát dần ổn định sau 20 epoch Việc tỉ số mát tập liệu xác minh ổn định sau 40 epoch Độ xác đào tạo xác minh tăng dần cuối tiến dần đến 0,9 Có thể thấy 45 Hình 3.4 Kết Accuracy loss chương trình Bảng 3.4 Kết tỉ số đánh giá với mặt bệnh Kiểu Percision Recall F1-score 0.6 0.905 0.725 Ung thư biểu mô tế bào vảy 0.888 0.923 0.906 Ung thư biểu mô tuyến 0.967 0.855 0.907 Ung thư biểu mô tế bào lớn 0.64 0.765 0.705 Ung thư phổi tế bào nhỏ Trong bảng kết mặt bệnh tỉ số đánh giá khác Có thể thấy nhãn ung thư phổi tế bào nhỏ có tỉ số percision thấp số percision tỉ số thể chuẩn xác mơ hình phân loại, tỉ số thấp 46 ung thư phổi tế bào nhỏ lại có thêm loại tế bào nhỏ có dạng ung thư tế bào nhỏ biểu mơ kết hợp ung thư phổi tế bào nhỏ Do hình ảnh mặt bệnh ung thư phổi tế bào nhỏ biểu mơ kết hợp có đặc trưng giống với mặt bệnh ung thư biểu mô tế bào vảy nên mơ hình có nhầm lẫn phân biệt loại bệnh nhãn ung thư phổi tế bào nhỏ lại có tỉ số recall cao, tỉ số recall khả cảnh báo phát mơ hình phân loại Chính với nhãn dán ung thư phổi biểu mơ tế bào nhỏ có độ chuẩn xác phân loại khơng cao lại có độ cảnh báo cao lên tới 90.5% Trong có nhãn ung thư biểu mô tế bào lớn đạt độ chuẩn xác độ cảnh báo không cao, nguyên nhân mặt y khoa vị trí xuất bệnh vị trí phổi phát triển xâm lấn nhanh, sử dụng ảnh CT để phân loại dạng với dạng bệnh khác gặp nhiều khó khăn, nên để phân biệt xác loại bệnh bệnh nhân phải làm thêm xét nghiệm sinh hoá khác b So sánh kết với mơ hình khác Bảng 3.5 Kết so sánh với mơ hình khác Mơ hình AlexNet Accuracy 0.639 ± 0.001 AlexNet+W ResNet-34 0.653 ± 0.012 0.795 ± 0.026 ResNet-34+W DenseNet 0.773 ± 0.004 0.807 ± 0.018 DenseNet+W VGG16 0.812 ± 0.008 0.815 ± 0.013 VGG16Boosting 0.866 ± 0.005 Trên mơ hình xử lý hình ảnh tiếng giới phát triển sử dụng nhiều ứng dụng xử lý hình ảnh khác nhau, mơ hình chạy tập liệu hình ảnh CT sử dụng luận văn cho kết bảng Kết cho thấy việc sử dụng chiến lược tăng cường liệu đạt độ xác cao so với mơ hình khác 47 Để xác minh kết chương trình, đề tài sử dụng liệu 50 bệnh nhân có nguy cao mắc ung thư phổi tới khám bệnh viện K mà chưa làm xét nghiệm chuyên sâu, bệnh nhân có triệu trứng bệnh chụp hình ảnh cắt lớp vi tính chuyển lên cho bác sỹ chẩn đốn hình ảnh Các liệu hình ảnh 50 bệnh nhân đồng thời đưa vào chương trình phân loại đưa cho bác sĩ chẩn đoán hình ảnh để so sánh thời gian xử lý hình ảnh độ xác Mỗi bệnh nhân sau chụp CT bao gồm khoảng 30-40 ảnh chụp phổi, tổng số sảnh dung để phân loại bao gồm 1502 ảnh CT Độ xác kết luận sau bệnh nhân làm thêm xét nghiệm sinh hóa xét nghiệm máu, sinh thiết khối u để có kết luận xác Dữ liệu so sánh thể bảng bên Bảng 3.6 Kết so sánh bác sĩ AI Độ xác Thời gian xử lý hình ảnh Bác sĩ Bác sĩ VGG16 Boosting 0.9 0.91 0.86 76 giây 85 giây 1.3 giây Có thể thấy độ xác mơ hình chưa thể với bác sĩ có chuyên môn cao giảm thiểu thời gian xử lý hình ảnh xuống nhiều lần, việc không giúp hỗ trợ bác sỹ việc khám chữa bệnh mà mở hướng nghiên cứu sau để tăng cường độ xác chương trình lên có tập liệu đủ lớn 48 KẾT LUẬN Luận văn xây dựng chương trình phân loại bốn loại ung thư phổi phổ biến dựa vào hình ảnh chụp CT đạt số điểm sau: Luận văn nghiên cứu tính ứng dụng trí tuệ nhân tạo chẩn đốn phát sớm ung thư phổi dựa vào ảnh chụp CT, việc sử dụng số lượng lớn liệu có sẵn xác sau sử dụng liệu máy tính học tiếp thu đặc trưng đối tượng, qua giúp máy tính phân loại lọc ảnh tương tự sau Luận văn sử dụng hình ảnh chụp CT 1025 bệnh nhân, 3269 ảnh CT xử lý, dự liệu sau tăng cường đạt 50000 nghìn ảnh, đáp ứng yêu cầu số lượng liệu đầu vào mô hình trí tuệ nhân tạo Để cải thiện độ xác mơ hình VGG16, luận văn đưa mơ hình tăng cường độ xác đạt kết tương đối tốt, mô hình tăng cường độ xác cải thiện thêm 7% so với mơ hình VGG16 đơn Kết chương trình đánh giá các phép đánh giá như: Arcuracy, Loss, F1-Score, AUC Preciscion Demo test thử thành công liệu đạt xác 80% Trí tuệ nhân tạo có ưu nhiều nhiệm vụ, đặc biệt việc phán đoán Tốc độ thực hiện: Trong bác sĩ chẩn đoán bệnh ~ 10 phút thời gian đó, AI chẩn đốn triệu trường hợp Khả hoạt động: Chúng không cần nghỉ ngơi dù phải làm nhiều việc Hướng phát triển tốn • Nâng cao hiệu chương trình, thu thập thêm nhiều liệu ảnh để mơ hình hoạt động xác • Phát triển toán nhận dạng phân loại thành tốn phân đoạn tức thơng qua vẽ lại xác vị trí khối u kích thước khối u có ảnh bệnh nhân ung thư phổi 49 TÀI LIỆU THAM KHẢO [1] Aggarwal, T., Furqan, A., & Kalra, K (2015) “Feature extraction and LDA based classification of lung nodules in chest CT scan images.” 2015 International Conference On Advances In Computing, [2] Jin, X., Zhang, Y., & Jin, Q (2016) “Pulmonary Nodule Detection Based on CT Images Using Convolution Neural Network.” 2016 9Th International Symposium On Computational Intelligence And Design [3] Sangamithraa, P., & Govindaraju, S (2016) “Lung tumour detection and classification using EK-Mean clustering.” 2016 International Conference On Wireless Communications [4] Roy, T., Sirohi, N., & Patle, A (2015) “Classification of lung image and nodule detection using fuzzy inference system.” International Conference On Computing, Communication & Automation [5] QingZeng Song, Lei Zhao, XingKe Luo, and XueChen Dou “Using Deep learning for classification of Lung Nodules on Computed Tomography Image”, [6] Ph.D Tran Giang Son Xây dựng hệ thống nhận dạng ảnh y tế hỗ trợ chẩn đoán bệnh ung thư phổi dựa học máy tảng tính tốn hiệu cao [7] Alấ Rateb Mahmoud Al-shamasneh, PhD, Unaizah Hanum Binti Obaidellah, PhD “Artificial Intelligence Techniques for Cancer Detection and Classification: Review Study” [8] J Luis Espinoza, Le Thanh Dong “Artificial Intelligence Tools for Refining Lung Cancer Screening [9] Mizuki Nishino, MD, MPH, " Artificial Intelligence in Lung Cancer Opening New Avenues for Detection Diagnosis, and Prognostication”, 2020 [10] Shidan Wang, Donghan M Yang, Ruichen Rong “Artificial Intelligence in Lung Cancer Pathology Image Analysis [11] W.D Travis, N Rekhtman, G.J Riley, K.R Geisinger, H Asamura, E Brambilla, K Garg, F.R Hirsch, M Noguchi, and C.A Powell, Pathologic diagnosis of advanced lung cancer based on small biopsies and cytology: a paradigm shift, J Thorac Oncol., Vol 5, 2010, pp 411-414 [12] A Wang, H.Y Wang, Y Liu, M.C Zhao, H Zhang, Z.Y Lu, T.C Fang, X Chen, and G.T Liu, The prognostic value of PD-L1 expression for 50 non-small cell lung cancer patients: a meta-analysis, EJSO., Vol 41, 2015, pp 450-456 [13] R.L Siegel, K.D Miller, and A Jemal, Cancer statistics, 2015, CA Cancer J Clin., Vol 65, 2015, pp 5-29 [14] T Nawa, T Nakagawa, T Mizoue, S Kusano, T Chonan, S Fukai, and K Endo, Long-term prognosis of patients with lung cancer detected on low-dose chest computed tomography screening, Lung Cancer., Vol 75, 2012, pp 197-202 [15] X.D Teng, [World Health Organization classification of tumours, pathology and genetics of tumours of the lung], Chin J Pathol., Vol 34, 2005, pp 544 [16] S Kundu, R Mitra, S Misra, and S Chatterjee, Squamous cell carcinoma lung with progressive systemic sclerosis, J Assoc Phys India., Vol 60, 2012, pp 52-54 https://www.japi.org/t2b4e444/squamous-cellcarcinoma-lung-with-progressivesystemic-sclerosis [17] J Chang and M.N Kundranda, Novel diagnostic and predictive biomarkers in pancreatic adenocarcinoma, Int J Mol Sci., Vol 18, 2017, pp 667 [18] M Barbareschi, C Cantaloni, V.D Vescovo, A Cavazza, V Monica, R Carella, G Rossi, L Morelli, A Cucino, and M Silvestri, Heterogeneity of large cell carcinoma of the lung: an immunophenotypic and mirna-based analysis, Am J Clin Pathol., Vol 136, 2011, pp 773-782 [19] X Wei, G Guo, H Wang, and H Wan, A multiscale method for HOG-based face recognition, in International Conference on Intelligent Robotics and Applications (Portsmouth, UK), 2015, pp 535-545 [20] R.S Wiener, L.M Schwartz, S Woloshin, and H.G Welch, Population-based risk for complications after transthoracic needle lung biopsy of a pulmonary nodule: an analysis of discharge records, Ann Intern Med., Vol 155, 2011, pp 137-144 51 ... đề tài: ? ?Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đốn ung thư phổi sử dụng ảnh chụp CT? ?? sử tập liệu huấn luyện ảnh CT bệnh nhân bệnh viện K Việt Nam nhằm mục đích tạo ra liệu chuẩn sử dụng để... TÓM TẮT NỘI DUNG LUẬN VĂN Luận văn nghiên cứu tính ứng dụng trí tuệ nhân tạo chẩn đoán phát sớm ung thư phổi dựa vào ảnh chụp CT, việc sử dụng số lượng lớn liệu có sẵn xác sau sử dụng liệu máy... Luận văn ? ?Nghiên cứu ứng dụng trí tuệ nhân tạo chẩn đoán ung thư phổi sử dụng ảnh chụp CT? ?? cơng trình nghiên cứu riêng học viên hướng dẫn khoa học TS Trần Ngọc Toàn, môn Kỹ thuật Hạt nhân Vật