ỨNG DỤNG DEEP LEARNING NHẬN DIỆN BỆNH VIÊM PHỔI VÀ LAO PHỔI QUA HÌNH ẢNH X-QUANG

Kỹ Thuật - Công Nghệ - Công Nghệ Thông Tin, it, phầm mềm, website, web, mobile app, trí tuệ nhân tạo, blockchain, AI, machine learning - Công nghệ thông tin SỞ GDĐT THÀNH PHỐ ĐÀ NẴNG Lĩnh vực: Kỹ thuật y sinh Đà Nẵng, tháng 12 năm 2022 BÁO CÁO TÓM TẮT DỰ ÁN KHOA HỌC KĨ THUẬT Dự án: Ứng dụng Deep Learning nhận diện bệnh viêm phổi và lao phổi qua hình ảnh X-quang Lý do chọn đề tài: Deep Learning (Học sâu) bắt chước hoạt động của bộ não con người trong việc xử lí dữ liệu và tạo ra các model có thể sử dụng tốt trong việc nhận diện và phân loại các hình ảnh có độ phức tạp cao. Nhóm nghiên cứu đã đặt ra vấn đề: “Làm thế nào có thể ứng dụng học sâu trong việc nhận diện và phân biệt các hình ảnh X-quang có độ nhiễu lớn, như hình ảnh X-quang của các loại bệnh viêm phổi và lao phổi, giúp cho công tác chẩn đoán hình ảnh của các bác sỹ đơn giản và chính xác hơn?”. Mục tiêu nghiên cứu: 1. Mục tiêu tổng quát: - Ứng dụng mô hình học sâu để phát triển phần mềm ứng dụng nhận diện và phân biệt hai loại bệnh Viêm phổi và Lao phổi. Mục tiêu nghiên cứu: 2. Mục tiêu cụ thể: - Tìm hiểu về thực trạng bệnh Viêm phổi và bệnh Lao phổi và dữ liệu X-quang về hai loại bệnh này. - Lựa chọn mô hình học sâu phù hợp và huấn luyện mô hình lựa chọn để nhận diện bệnh viêm phổi, bệnh lao phổi và trạng thái không bị bệnh. - Xây dựng một phần mềm đơn giản, dễ sử dụng, nhận diện hình ảnh X- quang phổi và cho ra kết quả là phổi đang bị bệnh viêm phổi hay lao phổi hay không bị bệnh một cách chính xác nhất. Đánh giá kết quả và triển khai mô hình thử nghiệm. Phương pháp nghiên cứu: - Thu thập và tổng hợp thông tin từ các nguồn tài liệu về Bệnh Viêm phổi và Lao phổi; - Các phương pháp ứng dụng học sâu vào nhận diện hình ảnh đã có. 1. Phương pháp nghiên cứu lý thuyết Phương pháp nghiên cứu: - Phương pháp thống kê, phân tích, thử nghiệm; - Phương pháp theo dõi: Xác định độ chính xác của máy học qua nhiều lần thử nghiệm (Minh họa: 3 lần, Bảng 1). 2. Phương pháp nghiên cứu thực nghiệm Lần thử nghiệm Số epochs Train loss thấp nhất Validation loss thấp nhất Train accuracy tốt nhất Validation accuracy tốt nhất Thứ nhất 5 0.0420 0.1109 0.9784 0.9611 Thứ hai 10 0.0297 0.0489 0.9899 0.9758 Thứ ba 15 0.0227 0.0295 0.9917 0.9888 Bảng 1: Kết quả nhiều lần thử nghiệm Python là một ngôn ngữ lập trình được sử dụng rộng rãi trong các ứng dụng web, phát triển phần mềm, khoa học dữ liệu, máy học (Machine Learning) cũng như học sâu (Deep Learning). Các nhà phát triển sử dụng Python vì nó hiệu quả, dễ học và có thể chạy trên nhiều nền tảng khác nhau. Phần mềm Python được tải xuống miễn phí, tích hợp tốt với tất cả các loại hệ thống và tăng tốc độ phát triển. Nhận thấy tiềm năng đó, nhóm tác giả quyết định chọn Python để lập trình Deep Learning cũng như tạo lập phần mềm. Thiết kế nghiên cứu 1. Ngôn ngữ lập trình - Python PyTorch là một framework được xây dựng dựa trên Python cung cấp nền tảng tính toán khoa học phục vụ lĩnh vực Deep learning. Pytorch tập trung vào 2 khả năng chính: Một sự thay thế cho bộ thư viện Numpy để tận dụng sức mạnh tính toán của GPU. Một platform Deep Learning phục vụ trong nghiên cứu, mang lại sự linh hoạt và tốc độ. 2. Thư viện mã nguồn mở PyTorch Thiết kế nghiên cứu Thiết kế nghiên cứu 3. Cấu trúc CNN hiện đại Resnet-50 Hình 1: Cấu trúc Resnet-50 4. Mô hình hoạt động nhận diện và phân loại: - Sơ đồ quy trình nhận diện và phân loại: (Verma et al., 2020) Thiết kế nghiên cứu Hình 2. Sơ đồ quy trình nhận diện và phân loại 5. Biểu diễn Bộ phân loại mạng thần kinh Thiết kế nghiên cứu Hình 3. Biểu diễn Bộ phân loại...

Lý do chọn đề tài:

Deep Learning(Học sâu) bắt chước hoạt động của bộ nãoconngười trong việc xử lí dữ liệu và tạo ra các model có thểsử dụng tốt trong việc nhận diện và phân loại các hình ảnhcóđộ phức tạp cao.

Nhóm nghiêncứu đã đặt ra vấn đề: “Làm thế nào có thể ứngdụng học sâu trong việc nhận diện và phân biệt các hình ảnhX-quang cóđộ nhiễu lớn, như hình ảnh X-quang của các

loại bệnh viêm phổi và lao phổi, giúp cho công tác chẩn

đoán hình ảnh của các bác sỹ đơn giản và chính xác hơn?”.

Mục tiêu nghiên cứu:

1 Mục tiêu tổng quát:

Mục tiêu nghiên cứu:

2 Mục tiêu cụ thể:

- Tìmhiểu về thực trạng bệnh Viêm phổi và bệnh Lao phổi và dữ liệu X-quang về hailoại bệnh này.

-Lựa chọn mô hình học sâu phù hợp và huấn luyện mô hình lựa chọn để nhận diệnbệnh viêm phổi, bệnh lao phổi và trạng thái không bị bệnh.

- Xâydựng một phần mềm đơn giản, dễ sử dụng, nhận diện hình ảnh X- quang phổivà cho rakết quả là phổi đang bị bệnh viêm phổi hay lao phổi hay không bị bệnhmột cách chính xác nhất Đánh giá kết quả và triển khai mô hình thử nghiệm.

Phương pháp nghiên cứu:

1 Phương pháp nghiên cứu lý thuyết

Phương pháp nghiên cứu:

nhiều lần thử nghiệm

2 Phương pháp nghiên cứu thực nghiệm

Python là một ngôn ngữ lập trình được sử dụng rộng rãi trong các ứngdụng web, phát triển phần mềm, khoa học dữ liệu, máy học (MachineLearning) cũng như học sâu (Deep Learning) Các nhà phát triển sử dụngPython vì nó hiệu quả, dễ học và có thể chạy trên nhiều nền tảng khácnhau Phần mềm Python được tải xuống miễn phí, tích hợp tốt với tất cảcác loại hệ thống và tăng tốc độ phát triển Nhận thấy tiềm năng đó,nhóm tác giả quyết định chọn Python để lập trình Deep Learning cũngnhư tạo lập phần mềm.

Thiết kế nghiên cứu

1 Ngôn ngữ lập trình - Python

PyTorch là một framework được xây dựng dựa trên Python cung cấp nềntảng tính toán khoa học phục vụ lĩnh vực Deep learning Pytorch tậptrung vào 2 khả năng chính:

Một sự thay thế cho bộ thư viện Numpy để tận dụng sức mạnh tính toáncủa GPU.

Một platform Deep Learning phục vụ trong nghiên cứu, mang lại sự linhhoạt và tốc độ.

2 Thư viện mã nguồn mở PyTorch

Thiết kế nghiên cứu

3 Cấu trúc CNN hiện đại Resnet-50

Hình 1: Cấu trúc Resnet-50

4 Mô hình hoạt động nhận diện và phân loại:

- Sơ đồ quy trình nhận diện và phân loại: (Verma et al., 2020)

Thiết kế nghiên cứu

Hình 2 Sơ đồ quy trình nhận diện và phân loại

5 Biểu diễn Bộ phân loại mạng thần kinh

Thiết kế nghiên cứu

Hình 3 Biểu diễn Bộ phân loại mạng thần kinh

6 Chọn mẫu nguyên cứu - Kaggle

Thiết kế nghiên cứu

Số ảnh được sử dụng cho việc huấn luyện Model được lấy từ diễn đàn Kaggle, cụ thể:ảnh Bình thường: 1341 ảnh, ảnh Viêm phổi: 3875 ảnh và ảnh Lao phổi: 1036 ảnh.Tuy nhiên để đảm cân bằng dữ liệu, tăng độ chính xác của phần mềm, chúng em chọncân bằng số lượng ảnh khi huấn luyện model, cụ thể: ảnh Bình thường: 1000 ảnh, ảnhViêm phổi: 1000 ảnh và ảnh Lao phổi: 1000 ảnh.

- Những hình ảnh chụp X-quang phổi Bình thường và Viêm phổi được lấy từ cácbệnh nhân nhi từ 1 đến 5 tuổi từ Trung tâm Y tế Phụ nữ và Trẻ em Quảng Châu(Guangzhou Women and Children’s Medical Center), tỉnh Quảng Châu, Trung Quốc- Những hình ảnh chụp X-quang bệnh Lao phổi được tổng hợp từ: Bộ dữ liệu NLM;Bộ dữ liệu Belarus; Bộ dữ liệu RSNA CXR; Bộ dữ liệu NIAID TB.

Kết quả và thảo luận

1 Giới thiệu sơ đồ hoạt đồng của phần mềm

2 Demo phần mềm

Bảng 2: Kiểm định tương quan nhãn dự đoán và nhãn đúng

Kết quả và thảo luận

Dựa vào số liệu trên, đánh giá các chỉ số chính xác ở bảng 2:

Chỉ số đánh

giáBình thườngBệnh Viêm

phổiBệnh Lao phổi

Bao gồm độ chính xác trung bình 95% như Bảng 5 dưới đây

Hình 4: Đánh giá accuracy

Kết quả và thảo luận

Kết luận

Xây dựng được phần mềm dễ sử dụng giúp người dùng có thể dễ dàngđưa ảnh X-quang của phổi vào để nhận diện các bệnh viêm phổi, lao phổihoặc không bệnh với độ chính xác cao.

Hỗ trợ cho các y sinh, bác sĩ thực tập, chưa có nhiều kinh nghiệm trongviệc phân biệt hai loại bệnh trên của phổi qua phim X-quang, có thể thựctập nâng cao trình độ và chẩn đoán chính xác hơn loại bệnh phổi màbệnh nhân đang gặp phải để kịp thời chữa trị.

1 Kết quả đạt được của dự án:

Đề tài đang giới hạn thực hiện được ở bước phân biệt được hai loại bệnhvề phổi phổ biến: Viêm phổi và Lao phổi.

Bộ dữ liệu máy học chưa đa dạng, với khó khăn trong việc tiếp cận dữliệu nên phần lớn các hình ảnh X-quang được tải về và sử dụng từ nguồndữ liệu trên Internet, chưa có nguồn cung cấp tại các bệnh viện ở ViệtNam.

2 Hạn chế:

Kết luận

Hướng phát triển của đề tài

Thử nghiệm với các mô hình Resnet101, Resnet-152 hoặcVision Transfomerđể tìm kiếm nâng cao độ chính xác.

Xâydựng phần mềm hoàn chỉnh đầy đủ, thêm chức nănggiúpquản lí hồ sơ bệnh nhân bị lao hoặc viêm phổi.

Thuthập các nguồn dữ liệu ảnh X-quang của các bệnh việntại Việt Nam.

Nhận diện thêm các loại bệnh khác liên quan đến phổi có thểđược nhận biết qua ảnh X-quang (Ví dụ: Ung thư phổi, Tràndịch màng phổi, Tràn khí màng phổi, Nấm phổi,…)

Để thực hiện được đề tài này, em nhận được sự động viênkhuyến khích từ gia đình và sự giúp đỡ tận tình của các thầy cô giáo.Và em xin chân thành cảm ơn Ban tổ chức và Ban giám khảo đã tạođiều kiện cho em được trình bày ý tưởng của mình qua Hội thi Xinđón nhận những đóng góp ý kiến của các thầy cô để đề tài của emđược hoàn thiện hơn Em xin trân trọng cảm ơn!

Lời cảm ơn