Bài viết đề xuất xây dựng hệ thống chẩn đoán loãng xương sử dụng mô hình mạng nơron tích chập (CNNs) trên một tập ảnh X-quang cổ xương đùi bao gồm 32 mẫu và tiến hành các thử nghiệm dựa trên tập dữ liệu với khoảng 1765 ảnh X-quang cổ xương đùi.
Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Nha Trang, ngày 8-9/10/2020 DOI: 10.15625/vap.2020.00163 HỆ HỖ TRỢ CHẨN ĐỐN LỖNG XƯƠNG TRÊN ẢNH X-QUANG CỔ XƯƠNG ĐÙI DỰA TRÊN CHỈ SỐ SINGH Trần Đình Tồn1, Nguyễn Thị Quỳnh Như2, Trần Văn Long3, Lê Minh Hưng3, Bùi Anh Thắng4 Trƣờng Đại học Công nghiệp Thực phẩm TP HCM Bệnh viện Chấn thƣơng Chỉnh hình TP HCM Trƣờng Đại học Công nghệ thông tin - ĐHQG TP HCM Đại học Y khoa Phạm Ngọc Thạch toantd@hufi.edu.vn, mdquynhnhu@gmail.com, longtv.13@grad.uit.edu.vn hunglm@uit.edu.vn, anhthangcdha@pnt.edu.vn TĨM TẮT: Lỗng xương bệnh phổ biến thứ hai giới theo International Osteoporosis Foundation (Tổ chức loãng xương quốc tế) Mật độ khoáng xương (BMD) phổ biến dùng làm tiêu chuẩn vàng để chẩn đoán loãng xương Tuy nhiên, kiểm tra BMD theo phương pháp DXA (Dual-Energy X-Ray Absorptiometry) đắt tiền bắt buộc phải thực vùng xương khác Ở nước phát triển, bác sĩ chủ yếu dựa vào ảnh X-quang để đánh giá nguy loãng xương dựa số Singh (Singh Index) thông qua ảnh phóng xạ thớ xương cổ xương đùi Q trình phân loại gặp nhiều thử thách xuất nhiễu thớ xương Hơn nữa, thớ xương hơng bình thường phân định rõ ràng, điều dễ dẫn đến khác biệt lớn kết chẩn đoán Để đánh giá cách khách quan nguy loãng xương, nghiên cứu đề xuất xây dựng hệ thống chẩn đốn lỗng xương sử dụng mơ hình mạng nơron tích chập (CNNs) tập ảnh X-quang cổ xương đùi bao gồm 32 mẫu tiến hành thử nghiệm dựa tập liệu với khoảng 1765 ảnh X-quang cổ xương đùi Hệ thống phân loại đạt độ xác 91,01 % Từ khóa: Osteoporosis, Singh Index, CNNs, Deep learning I GIỚI THIỆU Lỗng xƣơng ngun nhân gây gãy xƣơng phụ nữ sau mãn kinh ngƣời già, có khoảng 8,9 triệu ca gãy xƣơng năm Ở châu Âu, gãy xƣơng gây nhiều tổn thất phổ biến bệnh ung thƣ ngoại trừ ung thƣ phổi [12] Theo đồ canxi giới Tổ chức loãng xƣơng quốc tế (IOF) quốc gia phát triển lƣợng canxi trung bình phần ăn nhỏ 400 mg/ngày nhiều so với nƣớc phát triển, điều làm tăng nhiều nguy lỗng xƣơng [2] Trƣớc đây, quy trình chẩn đốn lâm sàng bệnh lý loãng xƣơng dựa việc loại trừ bệnh khác có gãy xƣơng xảy Gần đây, phƣơng pháp DXA để đo mật độ khoáng xƣơng (BMD) cột sống hơng có vai trò quan trọng đƣợc gọi “tiêu chuẩn vàng” [19] đánh giá bệnh nhân có nguy lỗng xƣơng, phƣơng pháp có lợi đồng thuận kết BMD đƣợc giải thích cách sử dụng định nghĩa T-score Tổ chức Y tế Thế giới bệnh loãng xƣơng đƣợc chứng minh có hiệu việc chẩn đốn nguy gãy xƣơng [4] Bên cạnh đó, phƣơng pháp tính định lƣợng quantitative computed tomography (QCT) cột sống để đo mật độ BMD giúp tránh việc đánh giá mức BMD phƣơng pháp DXA liên quan thối hóa cột sống, vơi hóa động mạnh chủ bụng tổn thƣơng xơ cứng khác [17] Những năm gần đây, phƣơng pháp quét siêu âm định lƣợng Quantitative Ultrasound Scan (QUS) đƣợc đề xuất cho kết nhanh chủ yếu không dùng xạ, sử dụng cho trẻ em [22] Mặc dù vậy, QUS áp dụng tất vị trí thể (ví dụ nhƣ cột sống, thắt lƣng cổ xƣơng đùi) nhƣng dùng gót chân, QUS thai thác từ thiết bị di động thiết bị có sẵn thông dụng khác dùng phƣơng pháp DXA QCT tốn Mặc dù nguy lỗng xƣơng đƣợc xác định theo số BMD suy giảm kiến trúc mô xƣơng, BMD yếu tố để chẩn đốn nguy lỗng xƣơng Tiền sử cha mẹ bị gãy xƣơng (đặc biệt xƣơng hông) yếu tố đáng kể cần ý lý làm tăng nguy gãy xƣơng, độc lập với yếu tố BMD [14] Đặc điểm bệnh nhân nhƣ tuổi, chiều cao, cân nặng, số thể (BMI) minh chứng phù hợp cho việc tƣ vấn bệnh loãng xƣơng với đặc điểm giải phẫu thu đƣợc từ số đo màng xƣơng (vỏ xƣơng) xƣơng [6] Singh cộng đề xuất hệ thống chấm điểm dựa xuất thay đổi đầu thớ xƣơng đùi nhƣ hệ thống đánh giá loãng xƣơng [25] Phƣơng pháp dùng số Singh đánh giá ảnh X-quang đƣợc sử dụng rộng rãi khắp giới với chi phí phải cho tất bệnh nhân kể vùng nông thôn quốc gia phát triển Trong nghiên cứu này, giới thiệu tập ảnh cổ xƣơng đùi đƣợc thu thập từ bệnh viện TP HCM hƣớng dẫn điều chỉnh độ tƣơng phản đƣợc sử dụng làm tài liệu tham khảo phân loại bệnh loãng xƣơng dựa số Singh Về mặt tự động hóa, mạng CNNs học sâu đƣợc sử dụng để phát đốt sống bị chèn ảnh CT cách phân đoạn cột sống, trích xuất vùng bị tổn thƣơng (đốt sống bị chèn) sau phân loại chúng thành lớp nhị phân, nghiên cứu có khả kích hoạt biện pháp phịng ngừa để giảm tỷ lệ gãy xƣơng hơng tƣơng lai [3] Trong đó, Li et al [16] xây dựng khung chuẩn để dự đốn lỗng xƣơng gãy xƣơng yếu tố nguy có sẵn gồm nhân học, chế độ ăn uống, lối sống liệu pháp Với mơ hình phân loại kết hợp phân biệt ngƣời loãng 150 HỆ HỖ TRỢ CHẨN ĐỐN LỖNG XƢƠNG TRÊN ẢNH X-QUANG CỔ XƢƠNG ĐÙI DỰA TRÊN CHỈ SỐ SINGH xƣơng với ngƣời khỏe mạnh, MBO-ANN (Monarch Butterfly Optimization) công cụ phân loại đƣợc xây dựng để phân loại liệu xƣơng từ liệu cột sống đoạn thắt lƣng cổ xƣơng đùi [6] Từ kết phƣơng pháp dựa mạng CNNs học sâu đƣợc ứng dụng ảnh y tế, nghiên cứu tiến hành thử nghiệm cách sử dụng mạng CNNs học sâu ảnh X-quang cổ xƣơng đùi tiến hành hai thực nghiệm chính, thực nghiệm gồm thực nghiệm phụ để đánh giá hiệu suất mạng CNNs (nhƣ: tinh chỉnh khối, có mặt nạ khơng có mặt nạ) để phân biệt lớp Singh Những đóng góp nghiên cứu gồm: - Giới thiệu tập ảnh cổ xƣơng đùi đƣợc thu thập từ bênh viện TP HCM cho hệ thống đánh giá loãng xƣơng theo số Singh bao gồm 32 mẫu ảnh đƣợc sử dụng nhƣ tài liệu tham khảo trình chấm điểm loãng xƣơng theo số Singh - Lần mạng CNNs học sâu đƣợc đƣa vào ứng dụng để đánh giá nguy loãng xƣơng dựa vào cách phân loại theo số Singh - Phát triển ứng dụng với giao diện thân thiện có tên Microh Studio để hỗ trợ bác sĩ chuyên gia Xquang việc xử lý ảnh X-quang xƣơng chậu/hông đánh giá loãng xƣơng dựa vào cổ xƣơng đùi Bài báo đƣợc trình bày gồm phần giới thiệu công việc liên quan, phƣơng pháp đƣợc sử dụng nghiên cứu với thực nghiệm thảo luận đƣợc thể phần Phần phần kết luận hƣớng phát triển II PHƯƠNG PHÁP 2.1 Bộ liệu Bộ liệu gốc gồm 2296 ảnh đƣợc thu thập từ Bệnh viện Thành phố Hồ Chí Minh Theo đó, nghiên cứu có chứa ảnh xƣơng đùi gần chủ yếu đƣợc kí hiệu HIP PELVIS đƣợc chọn, với việc loại bỏ ảnh xƣơng mờ, tập liệu lại chứa 1234 ảnh DICOM ảnh phía trƣớc phía sau cổ xƣơng đùi 531 ảnh cổ xƣơng đùi bệnh nhân vào viện với lần gãy xƣơng Do đó, cộng với 1148 ảnh DICOM tạo 1765 ảnh thay 2296 ảnh Singh [25] không đề xuất tài liệu tham khảo thích hợp hình dạng ảnh phân loại số Singh Trong nghiên cứu này, dạng hình vng đƣợc chọn hầu hết mạng CNNs học sâu yêu cầu đầu vào mẫu hình vng Chúng tơi sử dụng Microh Studio cho gán nhãn phân đoạn ảnh, ứng dụng ITK-Snap phổ biến tiếng (Yushkevich et al., 2006) đƣợc sử dụng làm công cụ hỗ trợ 2.2 Chuẩn bị liệu Chứng béo phì yếu tố gây cản trở chẩn đốn xác nhiều loại bệnh ngƣời [28] Trong nghiên cứu này, loại bỏ ảnh xƣơng bệnh nhân khơng thể tinh chỉnh để quan sát đƣợc thớ xƣơng họ Bên cạnh đó, chất lƣợng quét X-quang phụ thuộc nhiều vào kinh nghiệm thực kỹ thuật viên Trên mẫu bị mờ, diện Primary Compressive Trabeculae (PCT) đƣợc đánh giá thơng qua độ lớp vỏ xƣơng Do đó, mẫu có PCT mờ lớp vỏ xƣơng bị bỏ qua Mặt khác, lớp vỏ xƣơng quan sát rõ ràng cho thấy loãng xƣơng nặng khơng có PCT Để hƣớng dẫn kỹ thuật viên thực hiện, Singh đề nghị quét xƣơng đùi nên quay nhẹ xƣơng đùi vào bên cách đáng tin cậy kết ảnh tốt Trong nghiên cứu này, đề xuất quy ƣớc cho kỹ thuật viên tác nghiệp hạn chế che đầu xƣơng đùi kết ảnh rõ nét chất lƣợng 2.3 Tiền xử lý liệu Đầu tiên, giá trị pixel dịch chuyển để đảm bảo giá trị thấp sau đƣợc điều chỉnh thủ cơng theo yêu cầu, thao tác gọi điều chỉnh window/level Trong nghiên cứu này, ký hiệu Left Right tƣơng ứng giới hạn dƣới ảnh, đƣợc tính theo cơng thức sau: Các pixel từ trái sang phải đƣợc chia tỷ lệ cố định phạm vi [0, 255] Do đó, kích thƣớc cửa sổ phải nhỏ 256 để trì thơng tin Hình minh hoạ biểu đồ điều chỉnh window/level tập liệu Sau điều chỉnh window/level, cổ xƣơng đùi đƣợc xoay theo chiều dọc thớ xƣơng có đặc tính định hƣớng Vùng quan tâm (ROI) cổ xƣơng đùi độ phân giải khác đƣợc chia tỷ lệ thành [299 299] để phù hợp với yêu cầu đầu vào mạng Inception-V3 Trần Đình Tồn, Nguyễn Thị Quỳnh Nhƣ, Trần Văn Long, Lê Minh Hƣng, Bùi Anh Thắng 151 Hình Biểu đồ điều chỉnh window/level liệu thu thập 2.4 Tập biểu đồ ảnh để phân loại số Singh (Image Atlas for Singh Index grading) Theo Singh, mức độ loãng xƣơng ngƣời đƣợc phân thành sáu cấp tùy thuộc vào đặc tính nhóm thớ xƣơng: Hình Singh index Grade 1-6 [25] - Grade 6: Tất thớ xƣơng nhìn thấy rõ ràng Grade 5: Thớ xƣơng bị nén phụ phân định chƣa rõ ràng Grade 4: Các rãnh kéo chéo bị giảm số lƣợng Grade 3: Rãnh kéo chéo bị đứt gãy hoàn toàn Grade 2: Thớ xƣơng bị nén bật, cịn lại (hấp thụ) hồn tồn Grade 1: Thớ xƣơng bị giảm số lƣợng khơng cịn bật Tuy nhiên, điểm thấp đƣợc đƣa dựa đặc điểm thuộc tính này, phép gán nhãn intervariant intra-variant cao Để thực gán nhãn có hiệu quả, nghiên cứu giới thiệu mẫu, giúp gán nhãn nhanh quán hơn, đƣợc thiết lập dựa định nghĩa lớp Singh Do cân phân phối số lƣợng ảnh lớp, gom chia thành ba lớp Grade 1, Grade 3, Grade 4, và đƣợc ký hiệu lần lƣợt lớp A, B C Hình hiển thị mẫu số ảnh tập đồ ảnh Bảng cho thấy phân phối số lƣợng ảnh lớp 152 HỆ HỖ TRỢ CHẨN ĐỐN LỖNG XƢƠNG TRÊN ẢNH X-QUANG CỔ XƢƠNG ĐÙI DỰA TRÊN CHỈ SỐ SINGH Hình Phân nhóm ảnh X-quang cổ xƣơng đùi để phân loại theo số Singh Grade Grade A Grade B Grade C Bảng Kết phân loại số Singh liệu Singh grade Caption Number of images Grade High-risk of osteoporosis 229 Grade and Risk of osteoporosis 793 Grade 4, and No risk of osteoporosis 743 2.5 Chia liệu Bộ liệu gồm 1765 ảnh đƣợc chia 80 % cho tập huấn luyện, 10 % cho tập thử nghiệm, 10 % cho tập đánh giá Tập thử nghiệm đƣợc giữ xác định đƣợc mơ hình tốt cho giai đoạn thử nghiệm Tập liệu gốc đƣợc đặt OP MP phần đƣợc loại bỏ liệu cổ xƣơng đùi Cả OP MP đƣợc xử lý riêng biệt, thực nghiệm mơ hình với cấu hình giống để xác định đƣợc hiệu suất phân loại Bảng cho thấy phân bố hai liệu OP MP Bảng Phân bố liệu tập Grade Grade A Grade B Grade C Train set 183 634 595 Validation set 23 79 73 Test set 23 80 75 Trần Đình Tồn, Nguyễn Thị Quỳnh Nhƣ, Trần Văn Long, Lê Minh Hƣng, Bùi Anh Thắng 153 2.6 Đánh giá 2.6.1 Phân đoạn Bên cạnh độ xác pixel, giao điểm tỉ lệ hợp số Jaccard điểm Dice đƣợc tính theo công thức sau: ( ) 2.6.2 Phân lớp (loại) Vì số lƣợng ảnh lớp khơng cân bằng, số đánh giá theo lớp đƣợc sử dụng để đánh giá hiệu suất hệ thống, average accuracy, per-class error rate, macro precision, macro recall macro F1 score, đƣợc tính theo cơng thức sau: ∑ ∑ ∑ ∑ 2.7 Thực nghiệm Mạng Inception-V3 đƣợc áp dụng rộng rãi hệ thống hỗ trợ bác sĩ chẩn đoán bệnh [7], [8], [15], [21], [23], [27] Mặc dù mạng nơron sâu đƣợc sử dụng ngồi Inception-V3, ví dụ nhƣ: Inception-V4, Inception-ResnetV2 [26], hay PNASNet-5 Large 331 [20], nghiên cứu chúng tơi sử dụng Inception-V3 [27] đƣợc trình bày rõ ràng cho thấy hiệu suất cao thực phân loại Trong nghiên cứu này, véc tơ đặc trƣng đƣợc trích xuất thiết kế để phân loại 1000 lớp tập liệu ImageNet [5], đƣợc sửa đổi thành lớp Bên cạnh đó, ba khối cuối mạng Inception-V3 đƣợc tinh chỉnh để giúp tìm kết với mơ hình tốt nhất, Hình minh họa kiến trúc Inception-V3 Hình Inception-V3 (Szegedy et al 2016) với phân loại tuỳ chỉnh Các mơ hình đƣợc huấn luyện với tập liệu OP MP cấu hình khơng thay đổi Mơ hình MP huấn luyện giúp xác định xem loại bỏ đóng góp vào việc cải thiện nhiệm vụ phân loại hay khơng Do đó, thí nghiệm với mạng Mask-RCNN [10] đƣợc thực để tạo ảnh cổ xƣơng đùi khơng có tập liệu thử nghiệm Mạng Mask-RCNN đƣợc chọn mạng Mask-RCNN hay R-CNN đƣợc áp dụng rộng rãi nhiều nhiệm vụ phân đoạn [9][13][20][24] đạt đƣợc kết tốt với liệu công khai COCO [18] 154 HỆ HỖ TRỢ CHẨN ĐỐN LỖNG XƢƠNG TRÊN ẢNH X-QUANG CỔ XƢƠNG ĐÙI DỰA TRÊN CHỈ SỐ SINGH Tuy nhiên, Mask-RCNN không đƣợc sử dụng cho hai nhiệm vụ phân đoạn cổ xƣơng đùi phân loại theo số Singh Mask-RCNN ban đầu đƣợc thiết kế cho nhiệm vụ phát phân loại phân đoạn nhánh phụ trợ kiến trúc Giai đoạn phân đoạn đƣợc thực phân loại đƣa giá trị đủ tin cậy xác suất cho thấy diện đối tƣợng thuộc lớp xác định Trong đó, cốt lõi Mask-RCNN Resnet-101 [11], vƣợt trội so với Inception-V3 liệu ILSVRC-2012-CLS Trong nhiều nghiên cứu cho thấy phân đoạn giúp cải thiện hiệu suất phân loại Có thể tính đƣợc trích xuất tập trung dễ phân biệt hơn, làm giảm hiệu ứng Vì hiệu suất cuối phân loại tập MP phụ thuộc nhiều vào hiệu suất mơ hình mạng Mask-RCNN, phân loại tập OP đƣợc yêu cầu làm sở để đánh giá hiệu suất tổng thể phân loại đƣợc huấn luyện tập liệu MP Mạng Mask-RCNN đƣợc huấn luyện với kích thƣớc đầu vào [128 x 128] giúp ngăn chặn không liền mạch (răng cƣa) giữ cho mặt nạ đƣợc tạo đủ chi tiết, đồng thời giúp việc huấn luyện nhanh Đầu tiên RPN đầu mặt nạ đƣợc huấn luyện sau giai đoạn quan trọng (xƣơng sống) đƣợc tinh chỉnh độ xác xác thực ngừng tăng lên Để triển khai, mạng Inception-V3 với phân loại đƣợc thiết lập dùng TensorFlow Mask-RCNN [1] Các mơ hình đƣợc huấn luyện hệ thống gồm card GeForce RTX-2080 cộng với RAM 16GB CPU Intel Core I7 Trong thử nghiệm, trình huấn luyện bị chấm dứt sau huấn luyện xác thực khơng cải thiện 10 epochs Bộ phân loại tùy chỉnh mạng Inception-V3 khoảng phút để huấn luyện khối khởi động 30-50 phút để tinh chỉnh Đối với mạng Mask-RCNN, phút để huấn luyện epoch 2.8 Giai đoạn huấn luyện 2.8.1 Xác thực kết với MASK-RCNN Đầu tiên, mạng MASK-RCNN đƣợc huấn luyện với 12 epochs Sau đó, giai đoạn đƣợc tinh chỉnh epoch Kết mơ hình 0,9299 số Jaccard Hình cho thấy số kết phân đoạn đƣợc tạo mạng Mask-RCNN (đƣờng màu xanh lam) so với thực tế (đƣờng màu đỏ) Có thể quan sát thấy mặt nạ đƣợc tạo chấp nhận đƣợc bao phủ toàn xƣơng đùi gần nhƣ xƣơng chày Hình Kết mẫu phân đoạn đƣợc thực mạng Mask-RCNN 2.8.2 Xác thực kết với Inception-V3 phân lớp Kết phân loại xác thực đƣợc tóm tắt Bảng Hiệu suất phân loại cao đạt đƣợc tập liệu OP MP tinh chỉnh hai mơđun C mạng Inception-V3 Do đó, nghiên cứu chọn mơ hình cho giai đoạn thử nghiệm Việc huấn luyện xác thực xuất phát từ giai đoạn huấn luyện thử nghiệm thứ ba (tinh chỉnh hai môđun khởi động C) đƣợc vẽ Hình Quá trình huấn luyện kết thúc hàm mát tập huấn luyện hàm mát tập đánh giá khơng cải thiện 10 epochs Bảng Kết đánh giá Incetipon-V3 trình phân loại Block(s) to fine-tune Clasifier Last Module C Two Modules C Two Modules C and Grid Size Reduction OP validation accuracy 0.8743 0.8857 0.9029 0.8857 MP validation accuracy 0.8971 0.9314 0.9486 0.9371 2.9 Giai đoạn kiểm thử Giai đoạn kiểm thử đƣợc thực nhiệm vụ phân đoạn phân loại Mặt nạ phân đoạn đƣợc tạo mạng Mask-RCNN đƣợc sử dụng cho nhiệm vụ phân loại Trong phân loại, so sánh hiệu suất phân loại có mặt nạ khơng có mặt nạ Việc phân đoạn mạng Mask-RCNN đạt đƣợc hiệu suất cao với độ xác điểm ảnh 95,53 %, số Jaccard 92,89 % điểm Dice 96,29 % Kết cho thấy mặt nạ đƣợc tạo Mask- Trần Đình Tồn, Nguyễn Thị Quỳnh Nhƣ, Trần Văn Long, Lê Minh Hƣng, Bùi Anh Thắng 155 RCNN dễ chấp nhận so với mặt nạ thật đƣợc tạo thủ công rõ ràng bao gồm biến thể Sau đó, mặt nạ đƣợc nhân với gốc để loại trừ ảnh hƣởng đến hiệu suất phân loại giúp phân loại Inception-V3 tập trung vào vùng quan tâm (ROI) giảm thời gian huấn luyện Tuy nhiên, giai đoạn thử nghiệm, phân loại khơng có mặt nạ đạt đƣợc độ xác 91,01 %, cao % so với phân loại có mặt nạ Bảng ma trận nhầm lẫn x kết phân loại tập thử nghiệm tập liệu OP MP Bảng tóm tắt kết giai đoạn thử nghiệm hai nhiệm vụ phân đoạn phân loại Bảng Ma trận nhầm lẫn thử nghiệm OP MP Confusion matrix on OP test set Actual Grade Pixel accuracy 0.9553 A B C Predicted Grade A B C 22 70 70 Confusion matrix on MP test set Actual Grade A B C Predicted Grade A B C 20 10 65 73 Bảng Kết giai đoạn thử nghiệm phân đoạn phân loại Segmentation Classification Jaccard Dice Average Error Macro index score Dataset Accuracy accuracy rate precision 0.9289 0.9629 OP 0.9101 0.9401 0.0599 0.8752 MP 0.8876 0.9251 0.0749 0.8843 Macro Macro recall F1 Score 0.9216 0.8978 0.8851 0.8642 Tăng cƣờng liệu thƣờng quy trình đƣợc khuyến nghị để giúp cải thiện hiệu suất mơ hình Vì lớp A có mẫu nhất, nên mức tăng cƣờng thực cách lật ảnh theo chiều dọc Tuy nhiên, mơ hình đƣợc trang bị mức sau vài epochs độ xác xác thực thấp nhiều so với mơ hình đƣợc huấn luyện với tập liệu đơn giản, ma trận nhầm lẫn tập hợp xác thực cho thấy hầu hết phân loại sai đƣợc thực cấp độ A so với cấp độ B Mặt khác, tinh chỉnh giúp giảm ảnh hƣởng tập liệu không cân nhƣ Bảng Bảng Trong q trình nghiên cứu với kết có đƣợc cho thấy hiệu suất phân loại tập liệu OP cao tập liệu MP Có thể kết tập liệu MP phụ thuộc nhiều vào mặt nạ đƣợc tạo mạng Mask-RCNN trƣờng hợp này, mơ hình tốt tập liệu OP đủ mạnh với biến thể liệu thử nghiệm Bảng Ma trận nhầm lẫn xác thực liệu OP trƣớc sau tinh chỉnh Confusion matrix on validation set with trained classifier A Actual Grade B C Predicted Grade Confusion matrix on validation set with Predicted Grade A B C fine-tuned modules A B C 11 10 A 13 1 74 Actual Grade B 77 68 C 68 Bảng Ma trận nhầm lẫn OP data trƣớc sau tinh chỉnh Confusion matrix on validation Predicted Grade Confusion matrix on validation set with Predicted Grade set with trained classifier A B C fine-tuned modules A B C A 15 A 19 Actual Grade B 74 Actual Grade B 77 C 68 C 70 III KẾT LUẬN Trong nghiên cứu này, chúng tơi đề xuất mơ hình hệ thống sử dụng mạng CNN sâu tiến hành nhiều thực nghiệm kiểm tra hiệu suất mạng CNN sâu tác vụ khác từ ảnh X-quang cổ xƣơng đùi Mơ hình đề xuất đạt đƣợc hiệu suất cao phân loại theo số Singh Trong trình chuẩn bị liệu, với kết có đƣợc cho thấy xuất thớ xƣơng dễ dàng điểm dựa hệ thống số Singh nhƣng kết phân loại mang lại thay đổi cao biến thể biến thể nội Huấn luyện ảnh làm cho mơ hình CNN khơng thể trích xuất đặc điểm phân biệt tất lớp học Do đó, nghiên cứu tạo tập ảnh giúp giảm thiểu biến thể chuyên gia Tất ảnh phải đƣợc điều chỉnh chắn để khớp với ảnh ảnh mẫu Bộ ảnh đƣợc sử dụng thêm cho mục đích phân loại đánh giá nguy lỗng xƣơng Mơ hình với nhân mặt nạ cho hiệu suất tốt xác thực Hiệu suất thử nghiệm phụ thuộc nhiều mặt nạ đƣợc tạo mạng Mask-RCNN Trong trƣờng hợp này, mơ hình tập liệu OP hiệu với tập thử nghiệm Trong đó, mơ hình đơn giản cho hiệu suất hợp lý với u cầu quy trình việc chuẩn bị tập liệu Từ kết nghiên cứu với hy vọng cung cấp chuẩn tốt lập mục Singh tự động ảnh X-quang cổ xƣơng đùi hỗ trợ chẩn đốn lỗng xƣơng 156 HỆ HỖ TRỢ CHẨN ĐỐN LỖNG XƢƠNG TRÊN ẢNH X-QUANG CỔ XƢƠNG ĐÙI DỰA TRÊN CHỈ SỐ SINGH Trong tƣơng lai, tiếp tục nghiên cứu phƣơng pháp cải tiến mơ hình đề xuất để có đƣợc kết với độ xác cao IV LỜI CẢM ƠN Bài báo hoàn thành hỗ trợ Đề tài VAST-1.03/19-20 Viện Hàn lâm Khoa học Công nghệ Việt Nam TÀI LIỆU THAM KHẢO [1] Abdulla, Waleed, "Mask R-CNN for object detection and instance segmentation on keras and tensorflow", 2017 [2] Balk, E M., "Global dietary calcium intake among adults: a systematic review", Osteoporosis International 28.12: 3315-3324, 2017 [3] Bar, Amir, "Compression fractures detection on CT", Medical Imaging 2017: Computer-Aided Diagnosis Vol 10134 International Society for Optics and Photonics, 2017 [4] Blake, Glen M., Fogelman, "The role of DXA bone density scans in the diagnosis and treatment of osteoporosis", Postgraduate Medical Journal 83.982: 509-517, 2007 [5] Deng, Jia, "Imagenet: A large-scale hierarchical image database", 2009 IEEE conference on computer vision and pattern recognition IEEE, 2009 [6] Devikanniga, R Joshua Samuel Raj, "Classification of osteoporosis by artificial neural network based on monarch butterfly optimisation algorithm", Healthcare technology letters 5.2: 70-75, 2018 [7] Ding, Yiming, "A deep learning model to predict a diagnosis of Alzheimer disease by using 18F-FDG PET of the brain", Radiology 290.2: 456-464, 2019 [8] Golatkar, Aditya, Deepak Anand, Amit Sethi, "Classification of breast cancer histology using deep learning", International Conference Image Analysis and Recognition Springer, Cham, 2018 [9] Guo, Yanming, "A review of semantic segmentation using deep neural networks", International journal of multimedia information retrieval 7.2: 87-93, 2018 [10] He, Kaiming, "Mask R-CNN", Proceedings of the IEEE international conference on computer vision 2017 [11] He, Kaiming, "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, 2016 [12] Johnell, Olof, J A Kanis, "An estimate of the worldwide prevalence and disability associated with osteoporotic fractures", Osteoporosis international 17.12: 1726-1733, 2006 [13] Johnson, Jeremiah W., "Adapting Mask-RCNN for automatic nucleus segmentation", arXiv preprint arXiv:1805.00500, 2018 [14] Kanis, J A., "A family history of fracture and fracture risk: a meta-analysis", Bone 35.5: 1029-1037, 2004 [15] Kieffer, Brady, "Convolutional neural networks for histopathology image classification: Training vs using pretrained networks", 2017 Seventh International Conference on Image Processing Theory, Tools and Applications (IPTA) IEEE, 2017 [16] Li, Hui, "Prediction and informative risk factor selection of bone diseases", IEEE/ACM Transactions on Computational Biology and Bioinformatics 12.1: 79-91, 2014 [17] Li, Na, "Comparison of QCT and DXA: osteoporosis detection rates in postmenopausal women", International Journal of Endocrinology 2013, 2013 [18] Lin, Tsung-Yi, "Microsoft coco: Common objects in context", European conference on computer vision Springer, Cham, 2014 [19] Liu, Chenxi, "Progressive neural architecture search", Proceedings of the European Conference on Computer Vision (ECCV), 2018 [20] Liu, Jun, PengFei Li., "A Mask R-CNN model with improved region proposal network for medical ultrasound image", International Conference on Intelligent Computing Springer, Cham, 2018 [21] Mednikov, Yuval, "Transfer representation learning using Inception-V3 for the detection of masses in mammography", 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) IEEE, 2018 [22] Pisani, Paola, "Screening and early diagnosis of osteoporosis through X-ray and ultrasound based techniques", World journal of radiology 5.11: 398, 2013 [23] Qu, Jia, "Gastric pathology image classification using stepwise fine-tuning for deep neural networks", Journal of healthcare engineering 2018, 2018 [24] Rohit Malhotra, Kumar, "Autonomous detection of disruptions in the intensive care unit using deep mask RCNN", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops 2018 Trần Đình Tồn, Nguyễn Thị Quỳnh Nhƣ, Trần Văn Long, Lê Minh Hƣng, Bùi Anh Thắng 157 [25] Singh, Manmohan, A_R Nagrath, Px˙ S Maini., "Changes in trabecular pattern of the upper end of the femur as an index of osteoporosis", JBJS 52.3: 457-467, 1970 [26] Szegedy, Christian, "Inception-V4, inception-resnet and the impact of residual connections on learning", arXiv preprint arXiv:1602.07261, 2016 [27] Szegedy, Christian, "Rethinking the inception architecture for computer vision", Proceedings of the IEEE conference on computer vision and pattern recognition, 2016 [28] Yanch, Jacquelyn C., "Increased radiation dose to overweight and obese patients from radiographic examinations", Radiology 252.1: 128-139, 2009 OSTEOPOROSIS DIAGNOSE SYSTEM ON FEMORAL NECK X-RAY IMAGE BASED ON SINGH INDEX Tran Dinh Toan, Nguyen Thi Quynh Nhu, Tran Văn Long, Le Minh Hung, Bui Anh Thang ABSTRACT: Osteoporosis is the second most common disease in the world according to the International Osteoporosis Foundation Bone mineral density (BMD) has been popularized and is used as the gold standard for diagnosing osteoporosis However, Dual-Energy X-Ray Absorptiometry (DXA) testing is very expensive and must be performed on different bone areas In developing countries, doctors mainly rely on X-Ray imaging to assess osteoporosis risk based on the Singh Index through radiological images of bone fibers of the femoral neck The classification process faced many challenges due to the appearance of interference from bone fibers Furthermore, the bone fibers of the normal hip are clearly delineated, which can easily lead to a large difference in diagnosis results In order to objectively assess the risk of osteoporosis, in this study we propose building a diagnostic system for osteoporosis using the convolutional neural network (CNNs) model on a neck X-Ray image set The femur consisted of 32 samples and conducted tests based on a dataset of approximately 1765 femoral neck X-rays The classification system achieves an accuracy of 91.01 % ... cấp chuẩn tốt lập mục Singh tự động ảnh X- quang cổ x? ?ơng đùi hỗ trợ chẩn đốn lỗng x? ?ơng 156 HỆ HỖ TRỢ CHẨN ĐỐN LOÃNG X? ?ƠNG TRÊN ẢNH X- QUANG CỔ X? ?ƠNG ĐÙI DỰA TRÊN CHỈ SỐ SINGH Trong tƣơng lai,... thấy phân phối số lƣợng ảnh lớp 152 HỆ HỖ TRỢ CHẨN ĐỐN LỖNG X? ?ƠNG TRÊN ẢNH X- QUANG CỔ X? ?ƠNG ĐÙI DỰA TRÊN CHỈ SỐ SINGH Hình Phân nhóm ảnh X- quang cổ x? ?ơng đùi để phân loại theo số Singh Grade Grade... 154 HỆ HỖ TRỢ CHẨN ĐỐN LỖNG X? ?ƠNG TRÊN ẢNH X- QUANG CỔ X? ?ƠNG ĐÙI DỰA TRÊN CHỈ SỐ SINGH Tuy nhiên, Mask-RCNN không đƣợc sử dụng cho hai nhiệm vụ phân đoạn cổ x? ?ơng đùi phân loại theo số Singh