Luận văn thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng các kỹ thuật học sâu trong việc xây dựng hệ máy tính hỗ trợ chẩn đoán mức độ loãng xương trên ảnh X-Quang cổ xương đùi

Lời cam đoanTồi xin cam đoan luận văn với đề tài “Nghiên cứu và ứng dụng các kỹ thuật học sâutrong việc xây dựng hệ máy tính hỗ trợ chân đoán mức độ loãng xương trên ảnh X-quang cổ xương

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

BD CR

TRAN VAN LONG

NGHIÊN CỨU VA UNG DUNG CÁC KY THUẬT HỌC SAU TRONG VIỆC XÂY DUNG HE MAY TÍNH HỖ TRỢ CHAN DOAN MỨC ĐỘ LOANG XƯƠNG TREN ANH X-QUANG CO

XUONG DUI

LUAN VAN THAC Si

Mã số: 8 48 02 01

TP HO CHÍ MINH ~ NĂM 2021

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

BCR

TRAN VAN LONG

NGHIEN CUU VA UNG DUNG CAC KY THUAT HQC SAU TRONG VIỆC XÂY DỰNG HE MAY TÍNH HO TRỢ CHAN DOAN MUC DO LOANG XUONG TREN ANH X-QUANG CO

XUONG DUI

LUẬN VAN THAC SĨ NGANH CONG NGHE THONG TIN

Mã số: 8 48 02 01

NGƯỜI HƯỚNG DAN KHOA HỌC:

Tiến Sĩ LÊ MINH HƯNG

Lời cam đoan

Tồi xin cam đoan luận văn với đề tài “Nghiên cứu và ứng dụng các kỹ thuật học sâutrong việc xây dựng hệ máy tính hỗ trợ chân đoán mức độ loãng xương trên ảnh X-quang cổ xương đùi” là công trình nghiên cứu của riêng tôi dưới sự hướng dẫn của Tiến

sĩ Lê Minh Hưng và nhóm cộng sự.

Các thực nghiệm trong luận văn được thực hiện một cách khoa học và các kết quả đạtđược là hoàn toàn trung thực Các kết quả này chưa từng được công bố trong bat kỳ

công trình nào khác.

Nội dung của luận văn có tham khảo và sử dụng một số thông tin, tài liệu từ các nguồnsách, tạp chí được liệt kê trong danh mục các tài liệu tham khảo.

Tôi xin hoàn toàn chịu trách nhiệm về luận văn của mình!

Tác giả luận văn

Trần Văn Long

Tồi xin gửi lời cảm ơn chân thành và sâu sắc nhất tới Tiến Sĩ Lê Minh Hưng và nhómnghiên cứu của thầy (các bác sĩ đến từ Bệnh viện Chan Thương Chỉnh Hình TP.HCM

và các bác sĩ tại Trường Đại Học Y Khoa Phạm Ngọc Thạch) đã dành nhiều thời gianhướng dẫn, giúp đỡ và hỗ trợ tôi trong việc thu thập, đánh giá bộ dữ liệu cũng như tthamvấn triển khai phương pháp nghiên cứu dé hoàn thành luận văn này

Tôi xin chân thành cảm ơn các Thay, Cô giáo công tác tại Trường Đại Học Công NghệThông Tin - ĐHQG TPHCM đã luôn nhiệt tình giúp đỡ và tạo điều kiện tốt nhất chotôi trong suốt quá trình học tập tại trường

Tôi xin chân thành cảm ơn các anh, chị và các bạn học viên cùng lớp Cao học đã luôn

động viên, giúp đỡ và chia sẻ với tôi những kinh nghiệm học tập, công tác trong suốt

khoá học.

Tôi cũng xin chân thành cảm ơn ban lãnh đạo và các bạn đồng nghiệp tại cơ quan đã

luôn tao mọi điều kiện tốt nhất đề tôi có thé hoàn thành khoá học này

TP.HCM, ngày 22 tháng 09 năm 2021.

Tac giả luận văn

Trần Văn Long

MỤC LỤC

Li cam 0aN osssseesS A.000 000000 0000000000300000020400000040000004400000044000000640000000400000604000606016 e5 Lời Cảm Ơ1 s 5-55 S<SeEv423EExSE2S11438171401810130180013010101401140140281034010400801840189sessessseiẨTÏ

MỤC LỤC

DANH MỤC CÁC THUẬT NGỮ VIET TÁT

DANH MỤC BẢNG

DANH MỤC HÌNH VẼ, ĐÒ THỊ

1.1 Trí tuệ nhân tao (AI) trong chan đoán hình anl

1.2 Các nghiên cứu liên quan trong và ngoài nước

1⁄2.1 — Trên Thế giới

1.2.2 Tại Việt Nam

1.3 Nội dung và phương pháp nghiên cứu của đi

CAC VAN DE LIÊN QUAN

2.1 Tổng quan về bệnh lý loãng xương.

2.1.1 Bệnh lý loãng xương

2.1.2 Phân loại bệnh lý loãng xương

2.1.3 Cơ chế bệnh sinh và triệu chứng lâm sàng của bệnh lý loãng xương

2.1.4 Hiện trạng của bệnh lý loãng xương trên Thế giới và tại Việt Nam

2.2 _ Các phương pháp cận lâm sàng trong chan đoán loãng xương

2.2.1 Chup X-quang

2.2.2 Đo mật độ xương bằng nhiều phương pháp

Xét nghiệm máu đánh giá quá trình tạo xươn

Xét nghiệm đánh giá quá trình hủy xươn

Sinh thiết đánh giá vi tôn thương cấu trúc xươn;

Một số kỹ thuật chân đoán hình ảnh khác

2.3 Đặc điểm giải phẫu cô xương dui và chỉ số Singh

2.3.1 Đặc điểm giải phẫu cổ xương đủi

2.3.2 Định nghĩa chi số Singh Index và ứng dụng.

2.3.3 Ảnh X-quang cổ xương đùi

2.4 Tiêu chuẩn ảnh và truyền thông trong y tế - DICOM

2.4.1 Lớp đối tượng và lớp dịch vụ DICOM

2.4.2 Khuôn dạng tập tin DICOM.

Thiết bị y tế sử dụng chuẩn ảnh DICOM

CHUONG 3: CƠ SỞ LÝ THUYET VE MẠNG HỌC SAU VÀ CÁC KIÊN THỨC

LIÊN QUAN

3.1.2 Kiến trúc của Neural Network

3.1.3 Huấn luyện Neural Network

3.2 Convolutional Neural Network

3.2.1 Phép tich chập.

3.2.2 Tính chất của mang no ron tích chap

3.2.3 Các thành phan cơ bản của CNN

3.2.4 Kiến trúc của Convolutional Neural Network

3.3 Các mô hình mang CNN được ứng dụng trong luận văn.

33.1 Googlenet-Inception-V3

3.3.2 Resnet_50

3.3.3 EfficientNet B3

3.3.4 Mask RCNN.

3.4 Các kỹ thuật học sâu (Deep Learning) cơ bản

3.4.1 Vecto hóa thuật toán (Vectorization)

3.4.2 Mini-batch gradient descent

3.4.3 Learning rate

3.4.4 Bias va variance

3.4.5 Dropout

3.4.6 Ham kích hoạt (Activation function)

3.4.7 Hàm mất mat (Loss Functions)

3.5 Kỹ thuật học chuyển tiếp (Transfer Learning)

3.5.1 Các định nghĩa

3.5.2 Cơ sở của kỹ thuật học chuyển tiếp,

3.6 Mất cân bằng dữ liệu và các phương pháp xử lý

3.6.1 Khai niệm về mắt cân bằng dữ liệu (Imbalanced dataset)

3.6.2 Các đặc điểm phân lớp trên tập dữ liệu mat cân bằng

3.6.3 Các phương pháp xử lý mất cân bằng dữ liệu.

3.7 Các độ đo đánh giá mô hình phân lớp dữ liệu

3.7.1 Holdout

3.7.2 Cross — validation

3.7.3 Confusion Matrix

CHƯƠNG 4: TRIEN KHAI MÔ HINH THỰC NGHIEM VA ĐÁNH GÌ

4.1 Mô hình và phương pháp thực hiện

4.2 Môi trường thực nghiệm

4.3 Các chỉ số đánh giá được

4.4.2 _ Phân chia tập dữ liệu

4.4.3 Tập biểu đồ ảnh phân loại theo chỉ số Singh

4.5 Các thực nghiệm Nhóm 1

4.5.1 Kỹ thuật xử lý trên bộ dữ

4.5.2 Thực nghiệm xử lý mat cân bằng trên bộ dữ liệu hudn luyé

4.5.3 Chiến thuật huấn luyện và tối ưu với các hàm mat mát khác nhau

4.5.4 Tổng hợp kết quả các thực nghiệm thuộc Nhóm 1

4.6 _ Các thực nghiệm Nhóm2

4.6.1 Kết quả huấn luyện và phân đoạn với mạng MASK-RCNN

4.6.2 Tổng hợp kết quả thực các nghiệm thuộc nhóm 2

4.7 Ứng dụng Microh Studio Version 0.12.

CHƯƠNG 5: KET LUẬN VÀ HƯỚNG PHÁT TRIEN

5.1 Kết quả đạt được của luận văn

5.II _ Về mặt lý thuyết.

5.2 Về mat ứng dụng.

5.2 _ Hướng phát triển tiếp theo cho đề tài

DANH MỤC CÔNG TRÌNH KHOA HỌC

TÀI LIỆU THAM KHẢO

“Tiếng Việt

Tiếng Anh

PHU LUC 1

Viết tắt Viết đầy đủ Ý nghĩa

AUC Area Under the Curve Diện tích năm dưới đường cong

ROC

AI Artificial intelligence Tri tuệ nhân tao

ANN Artificial Neural Network Mang no ron nhan tao

BMD Bone Mineral Density Do mật độ xương

CADx Computer-aided diagnosis Các hệ thống hỗ trợ chan đoán

CADe Computer-aided detection Các hệ thống hỗ trợ phát hiện

CNN Convolutional Neural Network | Mạng no ron tích chập

CONV Convolutional (Layer) Lớp tích chập

CT Computed Tomography Chup cắt lớp vi tính

DICOM The Digital Image and Hình ảnh kỹ thuật số và Truyền

Communication in Medicine thông trong Y học

DIMSE Dicom Message Service Se phan tử dich vụ truyền thong

Elements Dicom

ELU Exponential Linear Unit Ham kich hoat ELU

FC Fully Connected Kết nói day đủ

Số lượng phan tử lớp thiêu số bị

FN False Negative phân loại nhằm là phần tử lớp đa

số

FP False Positive Số | wong phân tử lớp da số bị phân

loại nhầm là phan tử lớp đa sô.

K-NN K-nearest neighbors K láng giêng gan nhat

LR Learning Rate Hệ số huấn luyện

MRI Magnetic Resonance Imaging | Chụp cộng hưởng từ

PCR Polemerase Chain Reaction Phản ứng chuỗi polymerase

per _ | Primary Compressive Tho (bè) xương chịu lực nén chính

Trabeculae ReLU Rectified Linear unit Ham kich hoat ReLu

Receiver operating Đường cong đặc trưng hoạt động ROC suy sa BỘ R

characteristic của bộ thu nhận

ROI Region of Interest Khu vực (vùng) quan tâm

SGD Stochastic Gradient Descent Thuat toán di ngược dấu dao hamSOP Service Object Pair Cap đối tượng dịch vụ

SVM Support Vector Machines Máy véc tơ hỗ trợ

Bang 3 4 Tăng cường tập dữ liệu ảnh.

Bang 3 5 Phương pháp Over sampling

Bang 3 6 Một sé metric phô biến

Bảng 3 7 Tiêu chí mô tả độ hiểu quả của mô hình

Bang 4 1 Các thực nghiệm trong Nhóm |

Bảng 4 2 Môi trường thực nghiệm (Hardware)

Bảng 4 3 Các chỉ số đánh giá được sử dụng trong thực nghiệmBảng 4 4 Bảng thống kê bộ dữ liệu thực nghiệm

Bảng 4 5 Phân bố dữ liệu của các tập con

Bảng 4 6 Kết quả phân loại theo chỉ số Singh của bộ dữ liệu Bảng 4 7 Kết quả ứng dung các phương pháp nội suy ảnh

Bảng 4 8 Bảng kết qua thực nghiệm nhóm 1

Bảng 4 9 Các thực nghiệm thuộc Nhóm 2

Bảng 4 10 Kết quả đánh giá phân đoạn bằng Mask-RCNN

Bảng 4 11 Bảng kết quả thực nghiệm nhóm 2

2 Gay cô xương đùi do loãng xương [14]

3 Nguy cơ tử vong sau loãng xương.

4 Nguy cơ tử vong trong một năm đâu sau gãy cô xương đùi

5 Tỷ lệ gãy xương do loãng xương ở Nữ giới và Nam giới

6 Loãng xương trên phim chụp X — quang

7 Do độ dày của vỏ xương bằng kỹ thuật MSCT scanner

8 CT scan dé tái tạo cấu trúc 3D của xương

9 Micro MRI

10 Hệ thống các bè xương đầu trên xương đùi [14]

11 Ba nguồn mạch nuôi dưỡng vùng cổ xương đùi [14]

12 Chỉ số Singh [15]

13 X-quang tư thế nghiêng

1 Câu trúc của một neuron

2 Một kiến trúc của Neural Network

3 Quá trình trượt theo chiều rộng Wi

4 Thêm padding kích thước P vào 2 lề chỉ

11 Max pool trên một lát cat sâu

12 Minh họa kiến trúc CNN 1

13 Kiến trúc GoogleNet - Inception V V3

21 Các trường hợp chọn hệ số learning rate

22 Mối quan hệ giữa Loss và số lượng epochs

23 Mối quan hệ giữa bias và giá trị dự đoán của mô hình

24 Underfiting, Desired và Overfitting

25 Dropout

26 Các hình thức cô điên va Deep Learning hiện đại.

27 Feature Inception V3

28 Fine tune mang InceptionV3

29 Một số chiến lược Fine-tuning thường dùng

30 Biểu đồ mô tả tỷ lệ chênh lệch giữa lớp thiéu số và đa s

31 Phương pháp sinh ngẫu nhiên phan tử lớp thiểu sé

32 Sinh thêm phần tử nhân tạo bằng thuật toán SMOTE

5 Bộ dữ liệu đã được loại bỏ

6 Singh index Grade 1-6 [8]

7 Phân nhóm anh X-quang cổ xương đùi trong tập dữ liệu OP

8 Biểu đồ điều chỉnh window/level của dữ liệu đã thu thập

9 Tập dữ liệu mask dùng trong huấn luyện Mask-RCNN

10 Kết quả của mẫu phân đoạn được thực hiện trên mạng Mask-RCNN

11 Fine-tune của mạng Inception trên tập dữ liệu OP và MP.

12 Ứng dung Microh Studio version 0.12

13 Phân loại các mức độ loãng xương theo chỉ sô Singh

14 Segment hình ảnh cô xương đi

15 Find mask hình ảnh cổ xương đủ

16 Clahe exposure

17 Histogram exposure

18 Frangi Filter

Loang xương là căn bệnh phô biến thứ hai trên thé giới theo International OsteoporosisFoundation (Tổ chức loãng xương quốc tế) Mật độ khoáng xương (BMD) đã được phdbiến và được dùng làm tiêu chuẩn vàng dé chan đoán loãng xương Tuy nhiên, kiểm traBMD theo phương pháp DXA (Dual-Energy X-Ray Absorptiometry) rat đắt tiền và bắtbuộc phải thực hiện trên các vùng xương khác nhau Ở các nước đang phát triển, bác sĩ

chủ yếu dựa vào hình ảnh X-quang để đánh giá nguy cơ loãng xương dựa trên chỉ số

Singh (Singh Index) thông qua ảnh phóng xa thé xương của cổ xương đùi Quá trìnhphân loại gặp nhiều thử thách do xuất hiện nhiễu của thớ xương Hơn nữa, thớ xương ởhông bình thường được phân định rõ ràng, điều này dễ dẫn đến sự khác biệt lớn về kếtquả chan đoán lánh giá một cách khách quan nguy cơ loãng xương, trong nghiêncứu này chúng tôi đề xuất xây dựng hệ thống chan đoán loãng xương sử dụng mô hìnhmạng nơron tích chập (CNNs) trên một tập ảnh X-quang cô xương đùi bao gồm 32 mẫu

và tiến hành các thử nghiệm dựa trên tập dữ liệu với khoảng 1765 ảnh X-quang cổxương đùi Hệ thống phân loại đạt được độ chính xác trên 95,01 %

Lý do chọn đề tài

Những năm gan đây, với sự phát triển không ngừng của ngành khoa học máy tính, trítuệ nhân tạo nói chung và các kỹ thuật học sâu (Deep Learning) trong máy học nói riêng

đã khiến cho xu hướng ứng dụng các mô hình, kết quả nghiên cứu vào giải quyết các

bài toán thực tế ngày càng trở nên phô biến và có tính ứng dụng cao

Việc ứng dụng máy học vào xử lý các bài toán y khoa giúp nâng cao hiệu suất chânđoán hay làm cơ sở cho chân đoán bước đầu giúp ngành y tế và các y bác sĩ tiết kiệmđược thời gian và nhân lực vận hành việc khám chữa bệnh Tạo nên sự đồng độ theochiều đọc từ trung ương đến địa phương trong công tác thăm khám, sàng lọc lâm sàngbước đầu mà không bị phụ thuộc quá nhiều vào yếu té tay nghề của y, bác sĩ

Thực tiễn từ các số liệu thống kê hiện nay cho thấy mức độ ảnh hưởng nghiêm trọng

của bệnh lý loãng xương tới sức khỏe con người và các hệ lụy liên quan, ảnh hưởng

trực tiếp đến chất lượng cuộc sống của người dân thế giới nói chung và nhân dân Việt

Nam nói riêng Hơn nữa, việc chan đoán loãng xương hiện nay còn phụ thuộc rất nhiều

vào máy móc, trang thiết bị y tế hiện đại và đắt tiền, từ đó gián tiếp ảnh hưởng tới sự

tiếp cận của một đại bộ phận người dân có thu nhập thấp và trung bình ở Việt Nam hiệnay Chưa nói tới việc quá tải ở các tuyến bệnh viện do thiếu nhân lực cũng như cáctrang thiết bị hiện đại phục vụ công tác khám chữa bệnh cận lâm sàng ở một số bệnhviện trên nước ta.

Với những lý do trên, cho thay tính cấp thiết và ý nghĩa thực tiễn của dé tài này đặt ra

Mục tiêu cúa đề tài

Mục tiêu chính của dé tài hướng tới việc nghiên cứu và ứng dụng các kỹ thuật học sâutrên mạng nơ ron tích chập đề xây dựng nên ứng dụng máy tính giúp đỡ và hỗ trợ các

y, bác sĩ trong bước đầu khám chữa bệnh và trong công tác xác định nguyên nhân, sàng

lọc các bệnh lý liên quan đến hệ cơ xương khớp ở bệnh nhân loãng xương

Để thực hiện được việc đó, đề tài cũng đặt ra những mục tiêu kiểm thử các kỹ thuật họcsâu trên các kiên trúc mạng CNNs với bộ dữ liệu thực tê bị mât cân băng nghiêm trọng

để làm sao đạt được sự tối ưu nhất cho mô hình

Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của đề tài bao gồm:

* Đối tượng về y khoa: Cấu trúc giải phẫu xương và bệnh lý về loãng xương, các

phương pháp cận lâm sàng đánh giá loãng xương hiện nay, cấu trúc ảnh y khoa

về xương và chỉ số Singh làm cơ sở và tiền dé cho bài toán phân loại các mức độ

loãng xương.

* Đối tượng liên quan đến các kỹ thuật và thực nghiệm trên các mô hình mangCNNs dé xử lý bài toán phân lớp trên bộ dữ liệu bị mat cân bằng

Ý nghĩa thực tiễn của đề tài

Kết quả nghiên cứu và triển khai của đề tài đạt được độ chính xác cao trên tập dữ liệuthực tế nhờ áp dụng các kỹ thuật học sâu trong việc xây dựng và thử nghiệm mô hình.Bên cạnh đó, đề tài cũng đã xây dựng được ứng dụng trực quan, dễ dàng tiếp cận và sửdụng cho người dùng Từ đó, tạo nên cơ sở hướng tới việc áp dụng rộng rãi và đồng bộcho các đơn vị y tế trong nước nhằm đem lại hiệu quả trong việc tầm soát loãng xươngcũng như trong chan đoán và điều trị cho bệnh nhân loãng xương và phan nào giải quyếtđược tình trạng thiếu hụt nguồn nhân lực y, bác sĩ cho ngành y tế hiện nay

Luận văn được chia thành 05 chương, nội dung chính của mỗi chương được tóm tắt như

Sau:

Chương 1: TONG QUAN, trình bay phân tích, đánh giá các công trình nghiên cứu liênquan mật thiết đến đề tài đã được công bố ở trong và ngoài nước, chỉ ra những vấn đềcòn tổn tại mà dé tài sẽ tập trung giải quyết, xác định mục tiêu của dé tài, nội dung và

phương pháp nghiên cứu.

Chương 2: CƠ SỞ LÝ THUYET Y KHOA VỀ LOANG XƯƠNG VÀ CÁC VAN ĐÈ

LIÊN QUAN, trình bày về các lý thuyết y khoa liên quan đến bệnh lý loãng xương, cấu

trúc giải phẫu xương, các phương pháp xét nghiệm cận lâm sàng đánh giá loãng xương

hiện nay, chỉ số Singh và ứng dụng cùng các vấn đề liên quan khác

Chương 3: CƠ SỞ LÝ THUYET MẠNG HỌC SAU VA CÁC KIÊN THỨC LIEN

QUAN, trình bày các lý thuyết liên quan đên mạng nơ ron nói chung và các mạng CNNs

nói riêng cũng như các kỹ thuật được nghiên cứu đề áp dụng giải quyết bài toán mà đề

tài đặt ra.

Chương 4: TRIÊN KHAI MÔ HÌNH THỰC NGHIỆM VÀ KÉT QUẢ, trình bày các

mô hình thực nghiệm và các kết quả triển khai, huấn luyện mô hình cùng ứng dụng

trong dé tài.

Chương 5: KẾT LUẬN VÀ HƯỚNG PHAT TRIEN, trình bày những kết luận rút ra từ

quá trình thực nghiệm và xây dựng ứng dụng cũng như những định hướng cho giai đoạn phát triên tiếp theo của dé tài.

Chương 1: Tổng quan

CHƯƠNG 1: TONG QUAN

1.1 Trí tuệ nhân tạo (AI) trong chan đoán hình anh

Dữ liệu lớn (Big Data) và công nghệ trí tuệ nhân tạo (AI) đang tạo ra những đột phá

rộng khắp trên mọi lĩnh vực Ứng dụng AI và khai thác dữ liệu y tế trong hỗ trợ chanđoán bệnh và xây dựng nền y tế thông minh đã trở thành van đề cốt lõi trong lộ trìnhphát triển y tế của moi quốc gia, trong đó có Việt Nam

Hình ảnh y khoa được tạo ra từ các kỹ thuật tạo ảnh bên trong cơ thể người (bao gồm

cả các mô sinh học), nhằm hỗ trợ phân tích lâm sàng hoặc can thiệp y tế Hiểu một cáchđơn giản, hình ảnh y khoa là các hình ảnh sinh học được tạo ra với sự hỗ trợ của cáccông nghệ hình ảnh như X-quang, cắt lớp vi tính (CT), cộng hưởng từ (MRD, siêu âm

(Ultrasound), nội soi (Endoscopy), ảnh nhiệt (Thermography), hay các hình ảnh y học

hạt nhân như chụp cắt lớp phát xạ positron (PET) và chụp cắt lớp vi tính phát xạ photon

đơn (SPECT).

Trong y khoa, các hệ thống hỗ trợ phát hiện (computer-aided detection ~ CADe) và hỗtrợ chân đoán (computer-aided diagnosis - CADx) được thiết kế dé giúp bac sĩ đưa raquyết định nhanh và chính xác hơn [1] Cụ thé, các hệ thống này cho phép phân tích vàđánh giá các bất thường từ dữ liệu y khoa trong thời gian ngắn Chúng có thé giúp cảithiện chất lượng hình ảnh y khoa, làm nồi bật các cấu trúc bat thường bên trong cơ thể

và thực hiện đo đạc các chỉ số lâm sàng Các hệ thống CADe/x được xây dựng dựa trên

các công nghệ lõi gồm xử lý hình ảnh, thị giác máy tính, và đặc biệt là AI

Trong 5 năm trở lại đây, sự bùng nỗ của dữ liệu lớn và năng lực tính toán đã giúp chocác mô hình AI đạt được những bước tiến vượt bậc Các đột phá trong nghiên cứu cơbản và nghiên cứu ứng dụng về AI trong y tế liên tiếp được công bố và đưa vào triểnkhai thực tế Nói một cách van tắt, các mô hình AI có thé tham gia hỗ trợ bác sĩ trongtoàn bộ quy trình khám chữa bệnh lâm sàng dựa trên hình ảnh y tế AI cho phép tạo ra

các hình ảnh y khoa nhanh hơn, chất lượng hơn với giá thành rẻ hơn Việc phân tích,

chan đoán bệnh và tự động xuất báo cáo cũng đều có thể đảm nhiệm bởi các thuật

toán AI Trong các tác vụ trên, AI được đã được ứng dụng rộng rãi nhất nhằm phục vụ

chan đoán bệnh dựa trên hình ảnh, đặc biệt là phát hiện sớm các bệnh lý liên quan đếnung thư.

Năng lực của một hệ thống AI trong chân đoán hình ảnh y tế có thé chia làm 3 mức độ:(1) Detection: phát hiện các bat thường tiềm tàng từ hình ảnh, phân loại giữa các hìnhảnh bệnh nhân mắc bệnh và bệnh nhân không mắc bệnh Chức năng này của AI giúpgiải quyết các bài toán sàng lọc diện rộng hoặc tối ưu việc phân luồng bệnh nhân theo

tính ưu tiên.

(2) Characterization: đặc tả các tính chất của tôn thương, tiến hành khoanh vùng, phânloại mức độ nguy hiểm theo các tiêu chuẩn y khoa Ví dụ phân loại mức độ loãng xươngtrong các bệnh lý về xương hoặc đánh giá nguy cơ gãy xương do loãng xương

(3) Monitoring: giám sat và đánh giá sự tiến triển của các tổn thương trên hình ảnh.Theo dõi và đánh giá theo thời gian thực các tình huống khan cấp nguy hiểm tới tínhmạng của người bệnh.

Hệ thống y té Viét Nam hién nay, mặc dù đã có những thay đổi to lớn, nhưng đầu tư vàchi phí cho y tế vẫn còn rất hạn chế Theo tính toán, năm 2018 Việt Nam chi có hon 8

bác sĩ/10.000 dan Đây là tỷ lệ thấp nhất tại Đông Nam A [10] Với tốc độ đào tạo như

hiện nay, cần 75 năm dé chúng ta có thé bắt kịp Singapore, nơi có 23 bác si/10.000 dan

Ngoài ra, tại Việt Nam, sự mắt cân bằng về trình độ giữa các bệnh viện tại địa phương

(tuyến xã, huyện, tỉnh) so với các bệnh viện TW vẫn còn một khoảng cách lớn Chính

vì thế, sử dụng các công nghệ số, với nòng cét là dữ liệu lớn và AI, để xây dựng nền y

tế thông minh được coi là chiến lược quốc gia Ở đó, các công nghệ số, phân tích dữ

liệu được ứng dụng để phát triển các giải pháp chan đoán bệnh sớm, với chi phí thấp và

dễ dàng tiếp cận người dùng ở quy mô lớn.

với sự phát triển của các mô hình trí tuệ nhân tạo, nhiều công trình nghiên cứu nhằm áp

dụng kết hợp các công nghệ này trong chan đoán và điều trị các bệnh lý y khoa nói

chung và các chan đoán liên quan đến loãng xương nói riêng đã ra đời

ng, trích xuất các vùng bị tốn

thương (đốt sống bị chèn) và sau đó phân loại chúng thành các lớp nhị phân, nghiên cứu

chỉ ra các biện pháp phòng ngừa đề giảm tỷ lệ gãy xương hông trong tương lai [3]

Trong khi đó, Li et al [6] đã xây dựng một khung chuẩn dé dự đoán khả năng loãng

xương và gãy xương do các yếu tố nguy cơ có sẵn gồm: nhân khẩu học, chế độ ăn uống,

lối sống và liệu pháp Với mô hình phân loại kết hợp phân biệt người loãng xương vớingười khỏe mạnh, MBO-ANN (Monarch Butterfly Optimization) công cụ phân loại đãđược xây dựng đề phân loại dữ liệu về xương từ những dit liệu cột sống đoạn that lưng

và cô xương đùi.

Nam 2017, Bar [3] và cộng sự đã trình bày một phương pháp tự động dé phát hiện gãyxương cột sống bằng hình ảnh chụp cắt lớp Computed Tomography (CT) Thuật toánbao gồm ba quá trình: Đầu tiên, cột sóng được phân đoạn (segmented) và các đối tượng

ưu tiên được trích xuất Các đối tượng trích xuất sau đó được phân loại nhị phân bằng

cách sử dụng Mạng Noron tích chập (CNN) Cuối cùng, sử dụng mạng Recurrent NeuralNetwork (RNN) để dự đoán liệu gay xương đốt sống có xuất hiện trong chuỗi các đốtsống tiếp theo hay không

Nam 2018, NaofumiTomita [2] và cộng sự đã xây dựng ứng dụng Deep Neural Network

đề phát hiện tự động nguy cơ gãy xương đốt sống do loãng xương trên ảnh chụp CT

Nam 2019, Nhóm của Ki -Sun Lee [5] và cộng sự đã trình bày một báo cáo về đánh giáquá trình học chuyền giao trong Deep Neural Network ứng dụng mô hình VGG-16 đểtầm soát loãng xương trong ảnh X-quang toàn cảnh khung xương hàm Bốn nhómnghiên cứu hoạt động dé đánh giá tac động của các chiến lược học chuyền tiếp khácnhau đối với các mô hình CNN: mô hình CNN cơ bản với ba lớp tích chập (CNN3),nhóm hình học trực quan mô hình CNN sâu (VGG-16), mô hình học chuyển giao từ

VGG -16 16_TF), và tinh chỉnh với mô hình học chuyên giao

(VGG-16_TF FT).

Nam 2020, Nhóm của Changhwan Lee và cộng sự [35] đã tiến hành phân loại gãy xương

đùi trên hình ảnh X quang khung xương chậu sử dụng mạng deep neural network.

Nghiên cứu chỉ ra rằng, tồn tại một vấn đề là có các dạng gãy xương đùi khác nhau phụ

thuộc vào thời điểm chụp ảnh X-quang Để khắc phục hạn chế này, nhóm của

Changhwan và cộng sự đã trình bày một mạng deep neural network có cấu trúc bộ mãhóa-giải mã sử dụng các báo cáo X quang làm thông tin phụ trợ khi đào tạo Đây là mộtloại phương pháp học tập tổng hợp được sử dụng dé tao ra các tính năng day đủ thíchhợp cho việc phân loại Mô hình được đề xuất học cách biểu diễn dé phân loại từ hìnhảnh X-quang và báo cáo X quang đồng thời Khi sử dụng tập dữ liệu chỉ 459 trườnghợp dé huấn luyện thuật toán, mô hình đã đạt được hiệu suất thuận lợi trong tập dữ liệuthử nghiệm chứa 227 trường hợp (độ chính xác phân loại là 86,78% và điểm FI là 0,867đối với phân loại gãy hoặc phân loại bình thường) Phát hiện này cho thấy tiềm năngcủa học sâu đề cải thiện hiệu suất và tăng tốc ứng dụng AI trong thực hành lâm sàng

1.2.2 Tai Việt Nam

Nghiên cứu và ứng dung AI trong chan đoán hình ảnh y tế tại Việt Nam đang ở giai đoạn đầu Một số ứng dụng AI hỗ trợ chan đoán do các công ty công nghệ tế phát

triển đã được triên khai tại một sô bệnh viện Tuy nhiên, dữ liệu người Việt có tính đặcthù Điều này làm giảm hiệu quả của các thuật toán AI vốn được huấn luyện dựa trên

dữ liệu.

Năm 2020, nhóm nghiên cứu của Phạm Huy Hiệu và cộng sự tại VinDr cũng nghiên

cứu ứng dụng trong chân đoán lao và bệnh phôi; hỗ trợ đánh giá tiên lượng trong điều

trị bệnh nhân Covid-19, giúp phát hiện nhanh các dấu hiệu bắt thường dựa trên ảnh quang ngực thăng, kết hợp cùng xét nghiệm PCR từ đó nâng cao độ chính xác, giảmthiểu tình trạng âm tính giả [10]

X-Năm 2021, hệ thống trí tuệ nhân tạo VinDr do Trung tâm Xử lý ảnh y tế, trực thuộc

VinBigdata phát triển cho phép chan đoán hình ảnh về bệnh lý phổi trên ảnh X-quang

lồng ngực, chan đoán ung thư vú trên ảnh X-quang tuyến vú, xác định các bat thườngtrên hình ảnh CT/MRI sọ não và phát hiện các bắt thường trên phim chụp X-quang cộtsống đã được thử nghiệm lâm sàng tại một số bệnh viện lớn như Bệnh viện Trung ươngQuân đội 108, Bệnh viện Dai học Y Hà Nội, Bệnh viện Da khoa Quốc tế Vinmec Theo.đánh giá từ đội ngũ chuyên gia y tế của các bệnh viện cho thấy, VinDr đã đảm bảo độchính xác cao, cho phép hỗ trợ đắc lực bác sĩ chân đoán hình ảnh trong chân đoán bệnh

[H].

Ở Việt Nam, hiện chưa có công trình nghiên cứu nào ứng dụng các kỹ thuật học sâutrong việc đánh giá mức độ loãng xương dựa trên hình ảnh X-quang cổ xương đùi theo

Chương 1: Tổng quan

1.3 Nội dung và phương pháp nghiên cứu của dé tài

Đề tài xây dựng hệ máy tính hỗ trợ chẩn đoán các mức độ loãng xương trên ảnh quang cô xương đùi theo chỉ số Singh được triển khai thử nghiệm dựa trên bộ dữ liệuthực tế được thu thập và gán nhãn bởi các bác sĩ chuyên khoa đến từ bệnh viện Chan

X-Thương Chỉnh Hình Thành Phố Hồ Chí Minh và Đại Học Y Khoa Phạm Ngọc Thạch

Tuy nhiên, bộ dữ liệu thu thập được đánh giá là nhỏ và có hiện tượng mắt cân bằng về

số lượng mẫu giữa các lớp Do đó, dé tiến hành phân loại chính xác các mức độ loãng

xương dựa trên chỉ số Singh đòi hỏi cần nghiên cứu các phương pháp và kỹ thuật giúptăng cường hình ảnh và xử lý mắt cân bằng dữ liệu, làm sao đạt được độ chính xác trongphân loại cao nhất

Với mục tiêu đó, phương pháp nghiên cứu bằng thực nghiệm được tác giả lựa chọn, tácgiả thực hiện nghiên cứu lý thuyết kết hợp với việc xây dựng nên các mô hình kiểmchứng bằng thực nghiệm đề đánh giá khách quan và chính xác sự tác động và ảnh hưởngcủa yếu tố hàm mat mát lên độ chính xác trong dự đoán của mô hình Tiến hành đồngthời trên các mạng CNNs khác nhau va các ham mắt mát khác nhau dé rút ra được kếtluận sự ảnh hưởng của mô hình mang và ham mắt mát lên tính hiệu quả của dự đoán

Bên cạnh đó, tác giả cũng tiến hành các thực nghiệm để kiểm chứng sự ảnh hưởng của

tập đữ liệu gốc và tập dữ liệu được phân đoạn (loại bỏ nên) có tác động tới tính hiệu

quả dự báo của mô hình hay không.

CHUONG 2: CƠ SỞ LÝ THUYET Y KHOA VE BỆNH LY

LOÃNG XƯƠNG VA CÁC VAN ĐÈ LIÊN QUAN

2.1 Tổng quan về bệnh lý loãng xương

2.1.1 Bệnh lý loãng xương

Loang xương (Osteoporosis) là một bệnh lý của toàn bộ hệ thống xương được đặc trưng

bởi khối lượng xương giảm và tổn hại đến vi cấu trúc của mô xương làm cho xương

giòn, dễ gãy Loãng xương là hậu quả của quá trình mắt đồng thời chất khoáng và chất

nền hữu cơ của xương làm tồn thương “sức mạnh của xương” đưa đến tăng nguy cơ gay xương.

Sức mạnh của xương là sự toàn vẹn về cả khối lượng và chất lượng của xương:

* Khối lượng khoáng chất của xương (Bone Mineral Density-BMD)

* Chất lượng xương: Tén thương vi cấu trúc xương (Microfracture)

[NIH Consensus Development Conference JAMA 2001]

Khối lượng xương được biểu hiện thông qua: Mật độ khoáng chat của xương (Bone

Mineral Density- BMD) và khối lượng xương (Bone Mass Content — BMC)

Chất lượng xương phụ thuộc vào: Thẻ tích xương, vi cấu trúc của xương (Thành phần

chất nền và chất khoáng của xương) và chu chuyền xương (tinh trạng tổn thương vi cầu

trúc xương, tình hình sửa chữa cấu trúc của xương)

(Nguôn Internet)

Chương 2: Cơ sở lý thuyết Y khoa vẻ bệnh lý loãng xương và các vấn đề liên quan

Loãng xương là một bệnh lý do tương tác của nhiều yếu é, bao gồm: Tuổi tác, giới tính, nồi giống, tiền sử gia đình, cách sử dụng thuốc, kích thước cơ thé, lối sống, đỉnh dưỡng

và sinh hoạt Bên cạnh đó, loãng xương còn liên quan tới nhiều bệnh lý khác như: Bệnh

lý tiêu hóa, bệnh nội tiết, béo phi, các bệnh tim mạch và các bệnh viêm khớp, Loangxương liên quan đến nhiều chuyên ngành như: Cơ xương khớp, lão khoa, nội tiết -

chuyền hóa, chan thương- chỉnh hình, cột sống - ngoại thần kinh, sản phụ khoa và dinh

dưỡng.

Loãng xương là bệnh lý âm thầm nhưng mang lại nhiều hậu quả nặng nề cho bệnh nhânnhư: Gay xương phải nhập viện cắp cứu; gãy xương gây tàn phé hoặc bị phụ thuộc; gãyxương ở một số vi trí gây nên khó thở, khó tiêu, đau ngực, Một số biến chứng khác củaloãng xương như đau lưng cấp và mạn tính, gù lưng, vẹo cột sông, biến dạng lồngngực; giảm chiều cao; đau kéo dai cho chèn ép thần kinh; mất ngủ hoặc

Hầu hết, chúng dẫn đến việc giảm khả năng vận động và ảnh hưởng đến chất lượngcuộc sống của bệnh nhân Các yếu tố nguy cơ, bao gồm:

m cảm,

* Tuổi cao, giới (nữ > nam) Đặc biệt ở phụ nữ sau mãn kinh

Tiền sử gia đình có người bị loãng xương hoặc gãy xương

Thể trạng nhỏ bé (BMI<19), suy dinh dưỡng, kém phát triển thé chất từ nhỏ

Ít hoạt động thể lực, nằm lâu ngày do bệnh

Lam dụng bia rượu, cà phê, thuốc lá

Mãn kinh sớm.

Sử dụng dài hạn một số thuốc: corticosteroid, thuốc tiêu đường, kháng đông,

chống ung thu, PPI,

Các bệnh lý: viêm khớp dang thấp, viêm cột sống dính khớp, Lupus ban đỏ hệthống, suy thận, cường giáp, cường cận giáp, bệnh máu, bệnh đường tiêu hóa,

+ + te OF

*

2.1.2 Phân loại bệnh lý loãng xương

2.1.2.1 Loãng xương sau mãn kinh (type 1)

Xảy ra ở phụ nữ mãn kinh do thiếu estrogen, xảy ra mạnh nhất trong 5 năm đầu tiên sau

mãn kinh do giảm đột ngột estrogen, làm gia tăng quá trình hủy xương, quá trình tạo xương không đủ đê đáp ứng Một sô đặc điêm nhận biêt như sau:

#* Tăng quá trình hủy xương.

* Quá trình tạo xương bình thường.

Loãng xương sau mãn kinh thường xuất hiện trễ, diễn biến chậm, từ từ và có những.biên chứng nặng nê như gãy xương, lún xẹp cột sông Nguyên nhân là do sự thiêu hụt nội tiét tô sinh duc (Estrogen, Testosteron).

2.1.2.2 Loãng xương tiên phat (type 2)

Loãng xương tiên phát hay còn gọi là loãng xương ở người già, thường xuất hiện trễ,diễn biến chậm, tăng từ từ và ít có những biến chứng nặng nề như gãy xương hay lúnxep các đố sống Nguyên nhân do các tế bào sinh xương bị lão hóa, một số đặc điểmnhận biết như sau:

* Tăng quá trình hủy xương.

Giảm quá trình tạo xương.

Sự hấp thu Calci ở ruột bị hạn chế

Thận giảm sản xuất 1,25(OH) D3

Sự suy giảm tất yếu các hormon sinh dục (nữ và nam)

Thiếu dinh dưỡng, ít vận động, dùng nhiều thuốc

+ + tH OF

2.1.2.3 Loãng xương thứ phát (type 3)

Bệnh loãng xương sẽ trở nên nặng nề hơn, sớm hơn, nhiều biến chứng hơn nếu ngườibệnh có thêm một hoặc nhiều yếu tố nguy cơ dưới đây:

* Bệnh lý nội khoa: Hội chứng Cushing, thiêu năng sinh dục

* Bệnh về gen: Tạo xương bất toàn, Hội chứng Marfan

* Do thuốc: Dùng glucocorticoid kéo dai, heparin

* Do nghiện rượu, ăn kiêng.

2.1.3 Cơ chế bệnh sinh và triệu chứng lâm sàng của bệnh lý loãng xương

2.1.3.1 Cơ chế bệnh sinh

Mô xương trải qua một thời gian dài giữ cân bằng liên tục giữa sự tạo xương và hủyxương Ở giai đoạn trước dậy thì, hệ thống xương phát triển không chịu ảnh hưởng củahormon sinh dục Trong giai đoạn này các yếu tố di truyền, hệ thống canxi — vitamin D

và vận động thể lực điều khiển sự phát triển của xương Sau day thì, xương là một cơquan phụ thuộc vào hormon sinh dục, khối lượng đỉnh của xương không thể đạt đượcnếu không có hormon sinh dục Sự biệt hóa của xương theo giới tính xảy ra dưới tácdụng điều khiển chính của Testosterone ở nam và Estradiol ở nữ Ngoài ra, Estradiol ở

nam và Androgen ở nữ cũng đóng vai trò điều hòa quan trọng nhưng ý nghĩa chưa được

hiểu đầy đủ

Khối lượng xương chỉ giảm ít cho đến khi bắt đầu mãn kinh Điều này đòi

bằng cung cấp canxi và vitamin D trong thời gian dài Nhu cầu canxi được điều hòa bởitốc độ tổng hợp chất nền Khi nhu cầu canxi không được đáp ứng, sẽ làm giảm canxi

máu và giảm khoáng hóa Sự giảm nồng độ Estradiol khi mãn kinh có ảnh hưởng nặng

Chương 2: Cơ sở lý thuyết Y khoa về bệnh lý loãng xương và các vấn đề liên quan

lên làm tăng số lượng các lỗ khuyết trên mặt xương cũng như tăng độ sâu và độ rộngcủa các lỗ này Hậu quả là các phần xương xốp trở nên mảnh hơn và những liên kếtchéo mắt đi hoàn toàn trong quá trình thoái triển xương liên tục và có thẻ dẫn đến gãy

ép đốt sống hoặc xẹp một phần ở những đĩa cuối Những điều này diễn ra khi hoạt độngthể lực ở mức độ sinh lý như nâng vật nặng, quay vặn người Bên cạnh những ảnh hưởng

trực tiếp của Estrogen lên chuyển hóa xương, tình trạng này cũng ảnh hưởng xấu lên

cơ, làm giảm tác dụng đồng hóa, mat sức mạnh cơ, sẽ gây ra sự thoái triển xương do cơ

chế cơ sinh học Hơn nữa canxi đi từ xương ra tăng lên làm giảm tông hợp hormon cận

giáp Sự thiếu hụt Estradiol gây giảm hoạt động men 1a-hydroxylase ở thận làm giảmsản xuất lượng vitamin D3 hoạt động Điều này dẫn đến giảm hấp thu canxi ở ruột non

va làm cân bằng canxi trở nên âm tính Sự giảm chế tiết Calcitonin từ tế bào cận tuyếngiáp phụ thuộc vào Estrogen cũng đóng một vai trò quan trọng Khối lượng xương mắt

đi tăng lên và không liên tục xuất hiện 10 -15 năm sau mãn kinh với các mức độ khácnhau tùy từng người Sự khử khoáng 0,5 — 1% hằng năm được xem như sinh lý ở khoảng

2/3 phụ nữ Xấp xi 1/3 phụ nữ biểu hiện mất khối lượng xương không liên tục mạnh

hơn thật sự lên đến 5% có khi lên đến 10% hằng năm (gọi là người mat xương nhanh)

2.1.3.2 Triệu chứng lâm sàng trong chẩn đoán loãng xương

Loãng xương là bệnh diễn biến âm thầm, khi có dấu hiệu lâm sàng thường là ngườibệnh đã có biến chứng, cơ thé có thể bị mat 30% khối lượng xương Một số triệu chứnglâm sàng trong chan đoán loãng xương:

* Đau mỏi mơ hồ ở cột sống, đau dọc các xương dài (đặc biệt xương cẳng chân),

đau mỏi cơ bắp, ớn lạnh hay bị chuột rút cơ.

* Dau thật sự cột sống, đau lan theo khoang liên sườn, đau khi ngôi lâu, khi đổi tưthế

* Đau ngực, khó thở, chậm tiêu do ảnh hưởng đến lồng ngực va thân các đốt

sống

* Gay cột sống, xương chậu, cổ tay hoặc các xương khác

* Gù lưng giảm chiều cao vĩnh viễn, hạn chế vận động.

2.1.4 Hiện trang của bệnh lý loãng xương trên Thế giới và tại Việt Nam

Trên thé giới hiện nay, loãng xương là nguyên nhân phổ biến nhất gây gãy xương vàchiếm khoảng 1,5 triệu ca gãy xương ở Mỹ mỗi năm Trong tương lai, với sự gia tăngtuổi thọ trung bình, sẽ gia tăng đáng kề tỷ lệ mắc bệnh loãng xương và tỷ lệ gãy xương

có liên quan đến loãng xương Đến năm 2020, hơn 14 triệu đối tượng trên 50 tuổi có

thé bị ảnh hưởng bởi bệnh loãng xương và 47 triệu người khác có thé có khối lượng

xương thấp Hơn nữa, hơn 500.000 ca nhập viện, hơn 2,6 triệu lượt khám bệnh, hơn800.000 lượt nhập viện cấp cứu và khoảng 180.000 cá nhân được đưa vào viện dưỡnglão được đăng ký hàng năm tại Mỹ, dự đoán sự gia tăng chỉ phí từ 100% đến 200% vào

năm 2040 [12].

Ty lệ loãng xương gia tăng theo tuổi, 70% là nữ Tỷ lệ loãng xương đang gia tăng nhanh

ở các quốc gia chau A và trên 50% số ca gay cổ xương dui do loãng xương sẽ thuộc cácquốc gia Châu A [13] Dự báo năm 2050, toàn thế giới sẽ có tới 6,3 triệu người gãy cổxương đủi do loãng xương và 51% xảy ra ở các nước Chau A trong đó có Việt Nam.Tại Việt Nam, loãng xương (với hậu quả là gãy xương) là một trong những bệnh phổbiến nhất hiện nay ở người lớn tuổi, chỉ đứng sau bệnh tim mạch Theo số liệu khảo sát

bước đầu của Viện Dinh Dưỡng Quốc Gia (số liệu năm 2018), bệnh loãng xương đang

ảnh hưởng tới ị phụ nữ và = đàn ông trên 50 tuôi tại nước ta.

Hình 2 2 Gãy cô xương đùi do loãng xương [14]

Theo số liệu thống kê của Hội Loãng xương TP.HCM, ước tính có khoảng 2,8 triệu

người Việt Nam hiện đang mắc phải căn bệnh này, trong đó 76% là nữ giới và trên

150.000 trường hợp bị gãy xương do loãng xương, dẫn đến việc gia tăng nguy cơ bị gãy

xương như gãy lún đốt sống (hậu quả là đau lưng mạn tính, giảm chiều cao, ảnh hưởng

tới các tạng trong ngực và bụng), gãy xương cô tay và đặc biệt nặng nề là gãy cổ xương

đùi 20% trường hợp gãy cổ xương đùi do loãng xương có thé tử vong trong vòng một

Chương 2: Cơ sở lý thuyết Y khoa vẻ bệnh lý loãng xương và các vấn đề liên quan

người bệnh mà còn tới người thân quanh họ, đến ngân sách của mỗi gia đình và ngânsách của toàn xã hội Tuy nhiên, hiện cộng đồng vẫn chưa nhận thức được hậu quảnghiêm trọng của “căn bệnh thầm lặng” này, vì vậy chưa có những biện pháp tích cực

và hữu hiệu để phòng ngừa và giảm nguy cơ loãng xương

Méi liên hệ giữa gãy xương và tử vong là một trong những phát hiện nóng trong loãng

xương gân đây.

1) Nguy cơ tử vong sau gãy cổ xương đùi

(sau 1 năm)

© Nam giới: 30%

© Nit gidi: 12 - 15%

2) Nguy co tir vong ngay trong bénh vién

(sau gãy xương # 2 tuân)

© Nam giới: 9%

© Nirgidi: 4%

3) Tất cả các gãy xương do loãng xương

đều tăng nguy cơ tử vong

Hình 2 3 Nguy cơ tử vong sau loãng xương, [Nguồn: Frost et at 2019]

Điều trị sớm và tích cực là cơ hội giảm tir

Biến ˆ Gay cổ Nhôi

Z Đột quy ` máu cơ

chứng xương đùi ũ

tim

h Anh Tyirw|, Tỷ lệ từ

Patient (%) hưởng yong và Tỷ lệ tử vong vong

Hình 2 4 Nguy cơ tử vong trong một năm đâu |" - | tan pné | và tần phe và tàn

sau gãy cổ xương đùi người phê

Nguy cơ tử vong trong một năm đầu sau gãy Giảm Lợi tiêu Bisphospho-

cô xương đùi (24%) biến |Úc chế | ies Statin

« Nam giới: 30% chứng | Ca** °

¢ Nit gidi: 12-15 %

[Nguén: Johnell, et al IOF Annual Report 2011]

Tiên lượng nguy cơ gãy xương: Tiêu chuẩn vàng đề chân đoán loãng xương là T-score, dựa vào BMD (phương pháp DXA), tuy nhiên điều này chưa đủ dé tiên lượng, một sô nghiên cứu mới nhất cho thây hơn 50% nữ và 70% nam bị gãy xương nhưng chỉ số T >

-2,5.

45%

Loãng xương

Nữ giới Nam giới

(Nguồn: Nguyen ND etal., JCEM 2017)

Hình 2 5 Ty lệ gãy xương do loãng xương ở Nữ giới và Nam giới

2.2 Các phương pháp cận lâm sàng trong chấn đoán loãng xương

2.2.1 Chụp X-quang

Thông thường, các bác sĩ sẽ tiền hành chụp X — quang

cột ông của bệnh nhân đê xem xét và xác định thay

về inh thái của xương cột sống như: Xep một

phần đốt sống hay đĩa đệm, hình ảnh đốt sống hình

chêm cũng như gãy ép, giúp xác định độ nặng của

bệnh khi loãng xương biéu hiện rõ

Nhược điểm của phương pháp: Chỉ phát hiện được

loãng xương rõ khi mat khoảng 30 — 40% Vì vậy,

không thê phát hiện bệnh ở giai đoạn sớm.

(Nguồn Internet)

Chương 2: Cơ sở lý thuyết Y khoa vẻ bệnh lý loãng xương và các vấn đề liên quan

2.2.2 Do mật độ xương bằng nhiều phương pháp

Bang 2 1 Tóm tắt các phương pháp đo mật độ xương Phương pháp Nguyên lý Uudiém | Nhược điểm | Ghi chú

- Hấp thụ âm_ | - Đơn giản, 5

Siêu âm định | của xương nhanh chóng Đo ¬

yeu âm ain On | povậntốc |-Cungcấp | *UOns bản Không

(Quantitative siéu am cia |thôngnvẻ | °hề xương được sử

Không | Ultrasound - QU) h 6 thn VỀ | vớt và ngón Mà»)

của xương, độ | 7.x PB.

- R hấp thụ tỉ lễ Liêu chiêu xương quay,

Hap thụ quang pho #4 ME | thấp gót

kép (Dual Photon AVG! mat Ít có giá trị Được”

Absorptiometry - độ xương lâm sàng thay thê

DPA) bằng kỹ

thuật

Chi do duge DXA Hap thụ tia X năng các xương

lượng đơn (Single Sai số ngoại vi,

Energy X-ray Hấp thu bite | khoang 1% | Khong do

Absorptiometry - xạ tia X của được xương

Bức xạ SKA) xương, độ cột sông "đài

hap thụ tỉ lệ cô xương đùi

£ s Š thuận với mật :

Nene ten (Deel độ xương Sai số BMD (g/cm?)

En § x à khoảng 1% Gai cột sông

Absorptiometry - Liều chiếu _ | làm BMD cao

DXAU) thâp hơn thực té Được sử

dụng

Do được ở trong

§r lớn vĩ nh đi cột sống và chan

Cat lớp vitinh dink] cô xương đời [ra 4s đoán

lượng (Quantitative | Xác định (vị trí trun Liêu chiêu xạ

Computed BMD (g/m) |(1tMtunề | ao

tâm hoặc trục

Tomography - QCT) của bộ

xương)

Tai các bệnh viện ở Việt Nam hiện nay, chủ yếu sử dụng phương pháp DXA dé đo mật

độ xương cho bệnh nhân.

Chan đoán loãng xương dựa vào chỉ số T ~ score

T — score là khái niệm đưa ra dé đối chiếu mật độ xương của đối tượng tại thời điểm đo

với đối tượng của quan thé mẫu có cùng đặc điềm sinh lý khi mật độ xương đạt tối đa

“Tiêu chuẩn chan đoán loãng xương theo WHO:

* Bình thường: T — score >- 1: Tức là lượng chất khoáng

xương (BMD) của người được đo bằng và trên — 1 độ lệch

chuẩn (- ISD) so với giá trị trung bình của người trưởng

thành độ tuổi 20 — 35 tuổi trong cộng dong.

w Thưa (Thiếu) xương (Osteopenia): 2,5 < T — score <

-1: Tức là BMD của người được đo trong khoảng — 1 đến

— 2,5 SD so với giá trị trung bình của của người trưởng

thành độ tuổi 20 — 35 tuổi trong cộng đẳng.

* Loãng xương: T — score < - 2,5: Tức là khi BMD cua

người được đo bằng và dưới ngưỡng -,5SD so với giá tri

trung bình của người trưởng thành độ tuổi 20 — 35 tuổi

trong cộng dong

* Loãng xương nặng: T-score < -2,5SD và bệnh nhân có

tiên sử hoặc hiện tại có một hay nhiêu vị trí gãy xương.

2.2.3 Xét nghiệm máu đánh giá quá trình tạo xương

Một số xét nghiệm máu đánh giá quá trình tạo xương:

* BSAP (Bone Specific Alkaline Phosphatase)

PICP (Procolagen type I C — terminal Peptid)

PINP (Procolagen type I N — terminal Peptid)

Dinh lượng Osteocalcin trong máu, Bone specific Alkaline Phosphatase/máu

dé đánh giá quá trình tạo xương

+ te

2.2.4 Xét nghiệm đánh giá quá trình hủy xương

Một số xét nghiệm đánh giá quá trình hủy xương:

* Hydroxyproline

* Pyridinoline

* N-telopeptide và C — telopeptid liên kết chéo l

Chương 2: Cơ sở lý thuyết Y khoa về bệnh lý loãng xương và các vấn đề liên quan

2.2.5 Sinh thiết đánh giá vi tốn thương cấu trúc xương

Dé thấy những thương tồn vi cấu trúc của xương, đánh giá mô học của xương là mộtphan quan trọng trong tiến trình chan đoán loãng xương Sinh thiết xương được chỉ định

trong tắt cả các bệnh chuyền hóa xương, loãng xương có gãy đốt sống hoặc loãng xương

không rõ bản chất Ngoài ra điều trị loãng xương hiệu quả không rõ ràng cũng có thểkiểm tra lại bằng sinh thiết

2.2.6 Một số kỹ thuật chan đoán hình ảnh khác

* Thăm dò độ vững chắc của xương:

công cụ để đo độ dày của vỏ xươngbằng kỹ thuật chụp cắt lớp nhiều mặtcắt (MSCT scanner)

msdmanuals.com)

Hình 2 7 Do dé day của vỏ xương bằng kỹ

thuật MSCT scanner

* Sử dung CT scan để tái tao cấu trúc

3D của xương, qua đó đánh giá được

chất lượng xương

£ £ rli, Ph.I

* Đánh giá chât lượng xương, qua câu Ề

trúc xương bằng phương pháp —

Micro MRI, được coi là biện pháp

Sinh thiết xương sống (Virtual BoneBiopsy) để chân đoán và theo dõi

loãng xương trong tương lai (The Future of Osteoporosis Diagnosis and Monitoring).

(NÑguôn: www.msdmanuals.com)

Hình 2 9 Micro MRI

x eK eae RK ¬— 2+ kas

2.3 Đặc điểm giải phẫu cỗ xương đùi và chỉ số Singh

2.3.1 Đặc điểm giải phẫu cổ xương đùi

Vé hình thể: cổ xương đùi hợp với thân xương đùi một góc từ 1259-1300 trên hình diện

thăng, 22°-25° trên bình diện nghiêng.

Cấu trúc xương vùng cổ xương đùi: độ vững chắc của cô xương đùi phụ thuộc vào các

hệ thống bè xương, có 2 hệ thống bè xương: hệ bè quạt ở cổ chỏm (chịu lực nén) và hệcung nhọn ở vùng mau chuyền (chịu lực căng) Những bè xương này chịu lực tiếp nối

từ 6 cối Giữa 2 hệ thống bè xương là điểm yếu ở cổ xương đùi, tam giác Ward (hình

2) Biên độ vận động khớp hang: gap 0°- 140°, duỗi 0°- 15°, khép 0°- 25°, dạng 0°- 30°

Hình 2 10 Hệ thống các bè xương đầu trên xương đùi [14]

Trong đó:

*_ Vị trí A là các bè xương chịu lực nén chính (Primary compressive trabeculae)

%* Vị trí B là các bè xương chịu lực căng chính (Primary tensile trabeculae)

* Vị trí C là các bè xương chịu lực căng phụ (Secondary tensile trabeculae)

*_ Vị trí D là các bè xương chịu lực nén phụ (Secondary compressive trabeculae)

* Vị trí E là tam giác Ward (Ward’s triangle).

Chương 2: Cơ sở lý thuyết Y khoa vẻ bệnh lý loãng xương và các van đề liên quan

Nuôi dưỡng vùng cô xương đùi có 3 nguồn mạch chính [14]:

* Động mạch mũ đùi ngoài chia thành các nhánh: nhánh lên, nhánh ngang, nhánh

xuống; từ các nhánh này cho các nhánh nhỏ đi vào bao khớp cấp máu cho vùng

cổ chỏm, và vùng mau chuyền

* Động mạch mũ đùi sau chia thành hai nhánh cắp máu cho vùng cô chỏm và cấp

máu cho vùng mau chuyền

* Cuống trong: là động mach day ching tròn, ngành của động mạch bit, nuôi dưỡng

một vùng nhỏ của chỏm xung quanh dây chẳng tròn

lới (đưới bao

Các động mach oat ach)

nuôi xương đùi

Hình 2 11 Ba nguồn mạch nuôi dưỡng vùng cô xương đùi [14].

2 Định nghĩa chỉ số Singh Index và ứng dụng

Singh và cộng sự của ông đã đề xuất một hệ thống chấm điểm dựa trên sự xuất hiện

những thay đổi về số lượng và hình thái của các nhóm bè (thớ) xương chịu lực căng

chính, bè xương chịu lực căng phụ và các nhóm bè xương chịu lực nén chính, bẻ xương

chịu lực nén phụ của đầu trên xương đùi như một hệ thống đánh giá loãng xương [15]

Phương pháp dùng chỉ số Singh đánh giá loãng xương cho người trưởng thành trên ảnh

X-quang được sử dụng rộng rãi trên khắp thế giới với chỉ phí phải chăng cho tắt cả bệnh

nhân kể cả vùng nông thôn ở các quốc gia đang phát triển Chỉ số Singh phân chia thành

06 mức độ loãng xương phụ thuộc vào hình thái của các bè xương dựa trên sự quan sát

thông qua ảnh chụp X-quang Tuy nhiên trên thực tế, khi quan sát và đánh giá các mức

độ loãng xương theo chỉ số Singh bằng mắt thường gặp nhiêu khó khăn do có quá nhiều

các biến thể giữa các mức độ khác nhau và các biến thể nội bộ trong cùng một mức độ

Điều này dẫn đến khó khăn đối với các nhân viên y tế thiếu kinh nghiệm chuyên môn

cao trong việc áp dụng chỉ số Singh vào chan đoán cho bệnh nhân

Trong luận văn này, tác giả sử dụng các đặc điểm giải phẫu và phân chia các mức độ

loãng xương theo chỉ số Singh làm cơ sở cho việc phân lớp các mức độ loãng xương

của bệnh nhân dựa trên ảnh X-quang cổ xương đùi Đồng thời, cũng giới thiệu một tập

ảnh cổ xương đùi đã được thu thập từ các bệnh viện tại TP.HCM và các hướng dẫn điều

chỉnh độ tương phản có thể được sử dụng làm tài liệu tham khảo về phân loại bệnh

loãng xương dựa trên chỉ số Singh

Bảng 2 2 Đánh giá các mức độ loãng xương theo chỉ số Singh

DOT | Bè xương chịu lực giảm mật độ.

‘v4

Hinh 2 12 Chi sé Singh [15]

Độ II Chỉ còn bè xương chịu lực nén hiện rõ, những phân

bè xương còn lại biến mắt

Độ II

Có sự mắt liên tục của bè xương chịu lực căng đối

điện với mau chuyển to, đây là độ có thể xác định

bệnh nhân bị loãng xương

Bè xương chịu lực căng chính giảm mật độ rõ rệt

nhưng vẫn còn kéo dài từ vỏ xương bên ngoài đến

phân phía trên của cô xương đùi

Bè xương chịu lực nén chính và bè xương chịu lực

căng chính được nhìn thấy, tam giác Ward rõ Nhìn thấy được tắt cả các bè xương bình thường, cấu trúc bè xương xóp thấy rõ vùng đầu trên xương

Chương 2: Cơ sở lý thuyết Y khoa vẻ bệnh lý loãng xương và các vấn đề liên quan

2.3.3 Anh X-quang cô xương đùi

Chụp X-quang là kỹ thuật sử dụng một lượng nhỏ các tia X đề thu được hình ảnh của

xương chậu (xung quanh vùng hông) bên trong cơ thé người Hình ảnh X-quang của cô

xương đùi (Proximal femur), với định dạng ảnh là DICOM (The Digital Image and Communication in Medicine)

Đây là kỹ thuật có giá trị trong việc thăm khám và chan đoán các bệnh lý liên quan Đặc

biệt quá trình chụp X-quang diễn ra tương đối đơn giản và an toàn, không gây cảm giác

đau đớn cho người chụp.

(Nguôn: Internet)

Hình 2 13 X-quang tư thế nghiêng

2.4 Tiêu chuẩn ánh và truyền thông trong y tế - DICOM

DICOM là từ viết tắt của The Digital Image and Communication in Medicine - Tiéuchuẩn ảnh số và truyền thông trong y tế - Là hệ thống tiêu chuẩn công nghiệp được phát

triển nhằm tạo ra một chuẩn chung trong trao đổi ảnh y tế giữa các nhà sản xuất cũng

như người sử dụng Nó tạo nên một “ngôn ngi” chung cho phép “giao tiép” hình ảnh

và các thông tin y tế liên quan giữa các ứng dụng hay hệ thống khác nhau như: Hình

ảnh y tế thu nhận được từ các thiết bị khác nhau như máy CT, công hưởng từ (MRI),

siêu âm, y học hạt nhân Tiêu chuẩn này bao gồm cả việc định nghĩa cấu trúc khuôndang tập tin cũng như giao thức truyền tin

2.4.1 Lớp đối tượng và lớp dich vụ DICOM

DICOM có 2 lớp thông tin là “Lớp đối tượng” và “Lớp dịch vụ” Trong đó, lớp đốitượng IOD (Information Object Definition) bao gồm từ điển dữ liệu và đối tượng thếgiới thực Lớp dịch vụ bao gồm các định nghĩa dịch vụ: lưu trữ, truyền hình ảnh, hiểnthị, truy vấn được xây dựng dựa trên tập các phần tử dịch vụ truyền thông DIMSE(Dicom Message Service Elements) mà thực chất là các chương trình phần mềm cónhiệm vụ thực thi các chức năng xác định theo yêu cầu Minh họa cặp đối tượng — dịch

vu SOP (Service Object Pair) của DICOM trình bày trong Hình 1.

2.4.2 Khuôn dang tập tin DICOM

Tập tin DICOM là đơn vị lưu trữ bộ dữ liệu (DataSet) thê hiện một SOP cụ thể liên

quan đến một IOD tương ứng Trong DICOM, bộ dữ liệu được đặt sau thông tin dau File (File Meta Information).

Thông tin đầu file: bao gồm thông tin định danh bắt đầu bởi 128 bytes Premable thường

được bỏ trống và đưa về địa chỉ 00H, 4 bytes tiếp theo chứa chuỗi ký tự "DICM" thông

báo đây là tập tin DICOM Tiếp đến là thành phan dữ liệu đầu File gồm các thẻ Tag,

VR, VL, Values chứa thông tin: tên bệnh nhân, loại thiết bị, ngày giờ chụp Các thành

phần này sử dụng mã hóa theo VR và Little Endian Nếu sử dụng một phần mềm soạn

thảo van bản mở tập tin DICOM sẽ thay các nội dung trên ở dang Text

Bộ dữ liệu: mỗi tập tin DICOM chứa một bộ dữ liệu DataSet gồm SOP cụ thể và duy

nhất liên quan đến một SOP đơn và IOD tương ứng Một tập tin DICOM có thể chứanhiều khung ảnh nếu IOD được xác định mang nhiều khung, thành phan này sử dụng

mã hóa dữ liệu UID (Unique Identifier).

Hiểu một cách đơn giản, tập tin DICOM ngoài phan ảnh giống như các tập tin ảnh thôngthường: JPG, BMP, GIF thì còn chứa thêm các thông tin: bệnh nhân, thiết bị chụp,ngày giờ chụp Trong thực tế, tập tin DICOM có phan tên mở rộng là “DCM”, được

tạo ra từ thiết bị chụp thường là một tập hợp các tập ảnh DICOM, có dung lượng từ vài

chục đến vài trăm Megabytes Từ các file ảnh chụp cắt lớp 2D có thể tổng hợp, nội suytái tạo ra ảnh 3D.

2.4.3 Thiết bị y tế sứ dụng chuẩn ảnh DICOM

Ngày nay, hầu hết các thiết bị y tế đều sử dụng chuẩn ảnh DICOM, như: CR (Computed

Radiography), CT (Computed Tomography), DX (Digital Radiography), EC

(Echocardiography), ECG (Electrocardiograms) ES (Endoscopy), MG

(Mammography), MR (Magnetic Resonance), NM (Nuclear Medicine), RF (Radio Fluoroscopy), US (Ultrasound), XA (X-Ray Angiography)

Chương 3: Cơ sở lý thuyết về mạng học sâu và các kiên thức liên quan

CHƯƠNG 3: CƠ SỞ LÝ THUYET VE MẠNG HỌC SÂU VÀ

CÁC KIÊN THỨC LIÊN QUAN

3.1 Lý thuyết chung về Neural Network

3.1.1 Giới thiệu về Neural Network

Neural Network là một trong những phương pháp học có giám sát (supervised learning)

phô biến nhất, lay cảm hứng từ mô hình hoạt động của các tế bào thần kinh trong sinh

học Neural network được câu tạo từ các neuron, tô chức thành lớp (layer) cho phép học được các tham số từ dữ liệu huấn luyện sau đó sử dụng các thông tin này để dự đoán

cho dữ liệu mới Neural network và các kiến trúc liên quan được ứng dụng thành công

trong nhiều bài toán liên quan đến xử lý ảnh và thị giác máy tính, xử lý tiếng nói và xử

lý ngôn ngữ tự nhiên (NLP — Natural Language Processing).

Đầu vào x

y is & bổ = ens) ĐLãi2 sỊ

Hình 3 1 Cấu trúc của một neuron

Như thé hiện trong hình 3.1, một neuron nhân tạo gồm các thành phan chính như sau:

*

*

Dữ liệu vào (input): là các giá trị x1, x2, X3, Xn, tương ứng với các thuộc tính

của dữ liệu đầu vào

Dữ liệu ra (output): là kết quả đầu ra cuối cùng của neuron sau quá trình tính

toán.

“Trọng số (weight): mỗi giá trị x1, x2, *3, Xu, trong dữ liệu vào có một trọng số

(weight) tương ứng wz, W2, W3 Wa Môi trọng số ứng với một giá trị đầu vào thể

hiện cho mức độ ảnh hưởng (mức độ quan trọng) của giá trị đầu vào đó với kếtquả đầu ra

Hàm tổng (Summation Function): Hàm tổng tính tong giá trị các tích của từnggiá trị đầu vào với trong số tương ứng, cộng với giá trị độ lệch ở (bias), theo côngthức sau:

Sum = Yiwxitb (3.1)

* Hàm kích hoạt (Activation Function): Kết quả của hàm tổng là dữ liệu đầu vào

cho hàm kích hoạt để tính toán ra kết quả đầu ra (output) của neuron Hàm kíchhoạt là các hàm dạng phi tuyến (non-linear function), được sử dụng giúp choNeural Network tăng cường sức mạnh, có thé học và biểu diễn các ánh xạ phứctạp từ dữ liệu đầu vào và đầu ra Trong đó ƒlà hàm kích hoạt (activation function)

Output = f(Sum) = (3¡ W¡%¡ + b) (3.2)

3.1.2 Kiến trúc của Neural Network

Neural network m6 phong cấu trúc và cách thức hoạt động của não người do đó kiến

trúc của Neural Network thông dụng gồm nhiều neuron (nút - node), được xếp thành

lớp (layer) và có liên kết giữa các neuron với nhau; trong đó đầu ra của neuron tronglớp liền trước là đầu vào cho neuron trong lớp liền sau

lớp đầu ra lớp đầu vào

lớp trung gian

Hình 3 2 Một kiến trúc của Neural Network

Như thể hiện trong Hình 3.2, một Neural Network thường gồm 3 thành phần chính: lớp

đầu vào (input layer), lớp đầu ra (output layer) và các lớp trung gian (hidden layer)

“Trong một neural network thông thường, dạng lớp (layer) phổ biến nhất là lớp kết nối

đầy đủ (fully connected layer), trong đó tất cả các neuron trong hai lớp liền kề đều được

kết nối đầy đủ với nhau nhưng không có kết nối giữa các neuron trong cùng một lớp(layer).

Số lượng neuron trong lớp đầu vào và lớp đầu ra tùy thuộc vào bài toán, trong khi đó

số lượng lớp trung gian và số lượng neuron trong mỗi lớp trung gian cần được thiết kế

một cách cân thận do không có phương pháp tông quát cho việc xác định các thông sô

này.

Độ phức tap của một Neural Network phụ thuộc vào số lượng lớp trung gian (hidden

layer) Khi dữ liệu đi qua càng nhiều tầng trung gian, các đặc trưng thu được ngày càngtrừu tượng và phức tạp hơn Bên cạnh đó, số lượng neuron ở mỗi lớp (layer) cũng ảnh

Chương 3: Cơ sở lý thuyết về mạng học sâu và các kiên thức liên quan

3.1.3 Huấn luyện Neural Network

Huấn luyện Neural Network là việc điều chỉnh các tham số của mạng (các trọng SỐ weight và các giá trị độ lệch - bias) sao cho khớp với dữ liệu dùng để huấn luyện.Phương pháp Gradient Descent là phương pháp được dùng phô biến nhất dé cập nhậtcác giá trị tham số của mạng giúp giảm độ lỗi của kết quả dự đoán

-3.1.3.1 Thuật toán Gradient Descent

Giả sử ta có hàm chi phí J(9), trong đó Ø là tập hợp các tham số Bài toán đặt ra là chọntập Ø sao cho hàm chi phí J(0) dat giá trị nhỏ nhất Để làm được điều này, ta có thé khởitạo giá trị ban đầu cho tập @, sau đó lặp lại việc thay đồi các tham số trong tập Ø giúp

làm cho giá trị của J(Ø) ngày càng nhỏ hơn (sử dụng Gradient Descent).

Giải thuật này được mô tả như sau:

* Khởi tạo các tham số trong tap Ø = 00

* Cập nhật Ø cho đến khi J() gần như không đổi (hội tụ) theo công thức:

a

9:=9~ san J0) (3.3)

Trong do, 2a; là đạo ham riêng (partial derivative) của J(0) theo 6j và việc cập

j

nhật diễn ra dong thoi cho các giá trị của j = 0, 1, 2, , n

Ở đây, a được gọi là hệ số huấn luyện (learning rate) Day là một thông số cần đượcthi p trong quá trình huấn luyện mạng Nếu hệ số @ nhỏ thì tốc ¡ tụ chậm, cầnnhiều lần lặp đồng nghĩa với việc tốn thời gian cho việc huấn luyện Nếu hệ số a quálớn dẫn tới có khả năng bỏ qua vùng hội tụ

Có một số đạng Gradient Descent pho biến như sau:

* Batch gradient descent: cập nhật tham số sử dụng toàn bộ dit liệu Phương pháp

này cho phép hướng tới giá trị cực tiểu toàn cục (global minimum) Tuy nhiên,

trong một lần cập nhật cần thao tác trên toàn bộ dữ liệu nên phương pháp này có

thể chậm và có khả năng không thực hiện được do bộ nhớ không đủ để chứa toàn

bộ dữ liệu phục vụ cho việc tính toán.

* Stochastic gradient descent (SGD): cập nhật tham số dựa trên mỗi mẫu trong

tập dữ liệu do đó giá trị gradient thay đổi thường xuyên hơn và kết quả cuốithường dao động quanh giá trị cực tiểu toàn cục

*_ Mini-batch gradient descent: phương pháp này có thé coi là mội ết hợp của

hai phương pháp trên: sử dụng một tập con (mini-batch) của tập dữ liệu gốc trong

mỗi lần cập nhật tham sé Ưu điểm của nó là giúp việc hội tụ diễn ra ổn định

hơn, đồng thời giúp cho việc tính toán quả hơn đo quá trình tính toán theo

dạng ma trận được hỗ trợ bởi các thư viện.

3.1.3.2 Thuật toán Lan truyền ngược (Backpropagation Algorithm)

chỉ phí, độ

nút trong độ lỗi của toàn mạng Các tham số của mỗi nút được cập nhật theo giá trị hiện

tại và độ lỗi tại nút đó Quá trình này được lặp lại cho đến khi độ lỗi của mạng tiến tớigiá trị tôi ưu (cực tiểu)

của mỗi nút trong mạng được tính toán dé xác định sự đóng góp của mỗi

Quá trình học của Neural Network được chia thành 02 giai đoạn, bao gồm: Giai đoạn1: Lan truyền và Giai đoạn 2: Cập nhật tham số

Một số quy ước trong biều diễn thuật toán Backpropagation Algorithm, như sau:

% mlà số layer trong mạng; s¡ là số neuron trong layer /; L; là layer thứ i trong mạng.

* Tập các tham số trong mạng là (W, b) trong đó W là tập tất cả các trọng số

(weight) còn ? là tap tất cả các giá trị lệch (bias)

* Wi; Or trong số kết nói neuron thứ j trong layer 1 với neuron I trong layer

U+1.b; Or giá trị độ lệch (bias) với neuron thứ I trong layer / + 1.

* a Oa giá trị kích hoạt (kết quả) của neuron thứ I trong layer 1; khi đó LAO =wi

tương ứng với gi tri đầu vào thứ j trong lớp đầu vào

2, la tổng các tích của trọng số va đầu vào, thêm vào giá trị lệch (bias) của

® = f(2{) với f là hàm kích hoạt (activation

neuron I trong layer | Từ đó, a;

function).

* Hàm giả thiết hy, »(x) là hàm biến đổi gid trị tập dữ liệu đầu vào x của lớp đầu

vào (input layer) thành tập các giá trị đầu ra y trong lớp đầu ra (output layer); ở

đây (x, y) tương ứng với một mẫu huắn luyện (training sample)

* Hàm chi phí J (W, b; x, y) là hàm thể hiện độ sai lệch của kết quả đầu ra của

mạng dựa trên dữ liệu đầu vào hụp(x), với giá trị dau ra mong muốn y cho mộtmẫu huấn luyện (x, y) Một hàm chỉ phí hay được sử dung là hàm trung bình củabình phương lỗi Mean Square Error (MSE) với công thức như sau:

J(W, b;x,y) =2 |[Rs(3) - v|| ? (34)

Chương 3: Cơ sở lý thuyết về mạng học sâu và các kiên thức liên quan

* Tir đó, thuật toán Lan truyền ngược cho một mẫu huấn luyện (x, y) [10] như sau:

Giai đoạn 1 - Lan truyền

1) Lan truyền thuận (forward pass): dựa trên dữ liệu đầu vào dé tính toán giá trị tạitat cả các nút kích hoạt trong các lớp La, Ls, cho tới khi có kết quả dau ra trong

layer Lu.

2) Lan truyén ngược (backward pass):

a) Tính độ lỗi tại các nút đầu ra: Với mỗi nút j trong layer nl (lớp đầu ra), tinh

3.2 Convolutional Neural Network

3.2.1 Phép tích chập

Tích chập là một khái niệm trong xử lý tín hiệu số nhằm biến đổi thông tin đầu vào

thông qua một phép tích chập với bộ lọc dé trả về đầu ra là một tín hiệu mới Tín hiệu

này sẽ làm giảm những đặc trưng mà bộ lọc không quan tâm và chỉ giữ những đặc trưng

chính.

Tích chập thông dụng nhất là tích chập 2 chiều được áp dụng trên ma trận đầu vào và

ma trận bộ lọc 2 chiều Phép tích chập của một ma trận X € IR+X ¬với một bộ

loc (receptive field) F € IRF XP là một ma trận Y € If2X 2 sẽ trả qua những bước sau:

* Tính tích chập tại 1 điểm: Tại vị trí đầu tiên trên cùng của ma trận đầu vào ta sẽ

lọc ra một ma trận con Xu € IRf *F có kích thước bằng với kích thước của bộ

lọc Giá trị #¡¡ tương ứng trên Y là tích chập của Xsw với F được tính như sau:

ri X1 Var Xi fiz @.11)

* Tiến hành trượt dọc ma trận theo chiều từ trai qua phải, từ trên xuống dưới

với bước nhảy (stride) S ta sẽ tính được các giá trị yi tiếp theo Sau khi quá trìnhnày kết thúc ta thu được trọn vẹn ma trận đầu ra V

Trong một mang nơ ron tích chập, các tang (Jayer) liền sau lấy đầu vào từ tang liềntrước nó Do đó dé hạn chế lỗi trong thiết kế mạng nơ ron chúng ta cần xác định kíchthước đầu ra ở mỗi tầng Điều đó có nghĩa là dựa vào kích thước ma trận đầu vào (Wi,H)), kích thước bộ lọc (F, F) và bước nhảy §$ để xác định kích thước ma trận đầu ra (W›,H;›).

Xét quá trình trượt trên chiều W¡ của ma trận đầu vào

Hình 3 3 Quá trình trượt theo chiêu rộng Wi.