Ứng dụng kỹ thuật học sâu nhằm sàng lọc ung thư vú trên ảnh chụp x quang vú

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Ứng dụng kỹ thuật học sâu nhằm sàng lọc ung thư vú ảnh chụp X quang vú LIM KIMHUOR Ngành Kỹ thuật Y Sinh Giảng viên hướng dẫn: TS Nguyễn Việt Dũng Viện: Điện tử - Viễn thông HÀ NỘI, 12/2020 Chữ ký GVHD CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Lim Kimhuor Đề tài luận văn: Ứng dụng kỹ thuật học sâu nhằm sàng lọc ung thư vú ảnh chụp X quang vú Chuyên ngành: Kỹ thuật Y Sinh Mã số SV: CB170329 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày… /.1 /.2 ………… với nội dung sau: C… hỉ… nh…s… ửa…, … ki… ểm tra…c…ác…l… ỗi…c… hí… nh…t… ả… và…lỗ…i … di… ễn…đ…ạ… t t… ro… ng…q…u… yề… n… ……… …… …… …………………………………………………………………………………………………… … ………………………………………………………………………………………………… …… ……………………………………………………………………………………………… ……… …………………………………………………………………………………………… ………… ………………………………………………………………………………………… …………… ……………………………………………………………………… Ngày Giáo viên hướng dẫn tháng năm Tác giả luận văn TS Nguyễn Việt Dũng Lim Kimhuor CHỦ TỊCH HỘI ĐỒNG Mẫu ĐỀ TÀI LUẬN VĂN Ứng dụng kỹ thuật học sâu nhằm sàng lọc ung thư vú ảnh chụp X quang vú Giáo viên hướng dẫn Ký ghi rõ họ tên TS Nguyễn Việt Dũng Lời cảm ơn Tôi xin chân thành cảm ơn TS Nguyễn Việt Dũng người nhiệt tình hướng dẫn giúp đỡ tơi nhiều q trình nghiên cứu hồn thành Luận văn Tôi xin chân thành cảm ơn Viện Đào tạo sau Đại học, Viện Điện tử Viễn thông, Trường Đại học Bách Khoa Hà Nội tạo điều kiện thuận lợi để tổi hoàn thành nhiệm vụ học tập nghiên cứu Tơi bày tỏ lịng biết ơn đến bố mẹ tơi, anh chị em, đồng nghiệp bạn bề người ủng hộ động viên giúp đỡ suốt thời gian làm Luận văn Tóm tắt nội dung luận văn Hiện ung thư vú bệnh phổ biến người phụ nữ quốc gia giới Nhằm mục đích để phát sớm ung thư vú giai đoạn đầu, việc chụp ảnh X quang vú phương pháp hiệu Để đánh giá mức tổn thương, thông số phân loại BI-RADS nhận biết để báo cáo, giám sát kết đánh giá chất lượng Phương pháp thực luận văn xây dựng hệ thống sàng lọc ảnh chụp X quang vú giúp phát ảnh nghi ngơ có tổn thương sử dụng kỹ thuật học sâu phát triển dựa mơ hình mạng CNN VGG16, huấn luyện kiểm tra 9848 ảnh X quang vú Việc đánh giá độ xác đặt 0.91 HỌC VIÊN Ký ghi rõ họ tên Lim Kimhuor MỤC LỤC MỤC LỤC DANH MỤC HÌNH VẼ MỞ ĐẦU CHƯƠNG TỔNG QUAN VỀ BỆNH LÝ UNG THƯ VÚ, ẢNH X-QUANG VÚ CHỤP 1.1 Giải phẫu sinh lý vú 1.2 Bệnh lý ung thư vú 10 1.2.1 Phân loại ung thư vú 11 1.2.2 Các giai đoạn ung thư vú 12 1.2.3 Các phương pháp chẩn đoán ung thư vú 14 1.2.4 Các phương pháp điều trị bệnh ung thư vú 16 1.3 Chụp ảnh X quang vú 17 1.3.1 Chụp ảnh X quang vú sàng lọc 17 1.3.2 Chụp ảnh X quang vú chẩn đoán 18 1.3.3 Trình tự thăm khám chụp ảnh X quang vú 19 1.3.4 Các dấu hiệu tổn thương ung thư vú ảnh chụp X quang vú 20 1.3.5 Chụp ảnh X quang vú kỹ thuật số 22 1.4 Kết luận 23 CHƯƠNG TỔNG QUAN VỀ KỸ THUẬT HỌC SÂU 24 2.1 Phân loại học máy 24 2.1.1 Học có giám sát 24 2.1.2 Học không giám sát 24 2.1.3 Học bán giám sát 25 2.1.4 Học củng cố 25 2.2 Cấu trúc mạng nơron 25 2.2.1 Tiền xử lý liệu 25 2.2.2 Khởi tọa trọng số 26 2.3 Kỹ thuật học sâu 26 2.3.1 Mạng nơron tích chập 26 2.3.2 Mạng RetinaNet 28 2.3.3 Mạng U-net 29 2.3.4 Mạng FaceNet 30 2.3.5 Mạng VGG16 30 2.4 Huấn luyện 31 2.4.1 Lựa chọn tham số 31 2.4.2 Hyper parameters 31 2.4.3 Các hàm kích hoạt(Activation Functions) 33 2.5 Đánh gía 34 2.5.1 Cùng mơ hình, khởi tạo khác 34 2.5.2 Các mơ hình hàng đầu phát trình xác nhận chéo 34 2.5.3 Điểm kiểm tra khác mơ hình 34 2.5.4 Chạy trung bình tham số trình huấn luyện 35 2.6 Tùy chỉnh nâng cao 35 2.7 Kêt luận 35 CHƯƠNG HỆ THỐNG HỖ TRỢ SÀNG LỌC TỔN THƯƠNG UNG THƯ VÚ TRÊN ẢNH X QUANG VÚ 36 3.1 Mơ hình đề xuất hệ thống 36 3.2 Cơ sở liệu 36 3.2.1 Tổng quan sở liệu kỹ thuật số ảnh X-quang vú sang lọc 36 3.3 Các cơng cụ tính tốn 38 3.3.1 Quản lý liệu 38 3.3.2 Xây dựn mơ hình mạng huấn luyện 38 3.4 Các kết đạt 39 3.4.1 Tiền xử lý ảnh 39 3.4.2 Thuật toán tối ưu huấn luyện học sâu 43 3.4.3 Các cơng thức đánh giá hiệu suất mơ hình huyến luyện 46 3.4.4 Kết nhận dạng, phân loại 47 3.5 Kết luận 64 Kết luận hướng phát triển 65 Kết luận 65 Hướng phát triển 65 Tài liệu tham khảo 66 DANH MỤC HÌNH VẼ Hình 1.1 A: ngực chính, B: hạch nách mức I, C: hạch nách mức II, D: hạch nách mức III, E: hạch đòn, F: hạch vú [49] Hình 1.2 Tỷ lệ ung thư vú xâm lấn xuất vùng vú khác [15] 11 Hình 1.3 Các hướng chụp ảnh X-quang vú (a):hướng chụp phổ biến nhất, xuống CC chéo xiên MLO (b): chụp vng góc từ biên vào 90LAT-LM (c): chụp vng góc từ biên 90LAT-ML [24] 18 Hình 1.4 Từ trái sang phải, ảnh chụp X-quang vú hướng MLO phân loại mô mỡ, mô tuyến mô tuyến dầy đặc 20 Hình 1.5 Các hình dạng, đường biên, mật độ khác tổn thương hình khối [8] 20 Hình 1.6 Tổn thương hình khối lành tính (trái) ác tính (phải) 21 Hình 1.7 Tổn thương vi vơi hóa lành tính (trái) ác tính (phải) 21 Hình 2.1 Trái: Mạng nơron lớp(một lớp ẩn nơron đầu với nơron) đầu vào Phải: Một mạng nơron với đầu vào, lớp ẩn nơron lớp đầu 25 Hình 2.2 Mơ hình mạng nơron tích chập 27 Hình 2.3 Cấu trúc mạng RetinaNet [36] 28 Hình 2.4 Cấu trúc U-Net [38] 29 Hình 2.5 Cấu trúc mơ hình FaceNet [40] 30 Hình 2.6 Cấu trúc mơ hình VGG 16 31 Hình 2.7 Ảnh hưởng learning rate hội tụ [45] 32 Hình 2.8 Độ xác q trình huyến luyện [45] 32 Hình 3.1 Mơ hình tổng qt hệ thống 36 Hình 3.2 Mơ hình chi tiết hệ thơng 36 Hình 3.3 Nội dung tệp B_3024_1.RIGHT_CC.OVERLAY 37 Hình 3.4 Chain code: hương giá trị 37 Hình 3.5 Nội dung tệp B-3024-1.ics 38 Hình 3.6 Tạo đường bao xác định vị trí vùng ROI với chain code 40 Hình 3.7 Ảnh gốc (a) ảnh BDIP (b) 41 Hình 3.8 Vùng R(x, y) ban đầu(hình vng nét liền) vùng R(x, y) bị dịch (hình vng nét đứt) 42 Hình 3.9Ảnh BVLC ảnh gốc hình 3.7(a) 42 Hình 3.10 Ảnh bất thường thông biến đổi BVLC 43 Hình 3.11 Ảnh bình thường thơng qua biến đổi BVLC 43 Hình 3.12 Mơ hình mạng 47 Hình 3.13 Mơ hình mạng 47 Hình 3.14 Mơ hình mạng 47 Hình 3.15 Mơ hình mạng 48 Hình 3.16 Mơ hình mạng 48 Hình 3.17 Mơ hình mạng 48 Hình 3.18 Tiến trình xử lý ảnh đầu vào huấn luyện 49 Hình 3.19 Kết tiền xử lý ảnh đầu vào huấn luyện(a: Ảnh gốc, b: Ảnh giảim 224x224, c: ảnh qua biến đổi BVLC, d: ảnh chuẩn hóa) 49 Hình 3.20 Thử nghiệm 1: Biểu đồ huấn luyện độ tin cậy 50 Hình 3.21 Thử nghiệm 1: Biểu đồ huấn luyện mát 50 Hình 3.22 Thử nghiệm 2: Biểu đồ huấn luyện độ tin cậy 51 Hình 3.23 Thử nghiệm 2: Biểu đồ huấn luyện mát 51 Hình 3.24 Thử nghiệm 3: Biểu đồ huấn luyện độ tin cậy 52 Hình 3.25 Thử nghiệm 3: Biểu đồ huấn luyện mát 52 Hình 3.26 Thử nghiệm 4: Biểu đồ huấn luyện độ tin cậy 53 Hình 3.27 Thử nghiệm 4: Biểu đồ huấn luyện mát 53 Hình 3.28 Thử nghiệm 5: Biểu đồ huấn luyện độ tin cậy 54 Hình 3.29 Thử nghiệm 5: Biểu đồ huấn luyện mát 54 Hình 3.30 Thử nghiệm 6: Biểu đồ huấn luyện độ tin cậy 55 Hình 3.31 Thử nghiệm 6: Biểu đồ huấn luyện mát 55 Hình 3.32 Thử nghiệm 7: Biểu đồ huấn luyện độ tin cậy 56 Hình 3.33 Thử nghiệm 7: Biểu đồ huấn luyện mát 56 Hình 3.34 Thử nghiệm 8: Biểu đồ huấn luyện độ tin cậy 57 Hình 3.35 Thử nghiệm 8: Biểu đồ huấn luyện mát 57 Hình 3.36 Thử nghiệm 9: Biểu đồ huấn luyện độ tin cậy 58 Hình 3.37 Thử nghiệm 9: Biểu đồ huấn luyện mát 58 Hình 3.38 Thử nghiệm 10: Biểu đồ huấn luyện độ tin cậy 59 Hình 3.39 Thử nghiệm 10: Biểu đồ huấn luyện mát 59 Hình 3.40 Thử nghiệm 11: Biểu đồ huấn luyện độ tin cậy 60 Hình 3.41 Thử nghiệm 11: Biểu đồ huấn luyện mát 60 Hình 3.42 Thử nghiệm 12: Biểu đồ huấn luyện độ tin cậy 61 Hình 3.43 Thử nghiệm 12: Biểu đồ huấn luyện mát 61 Hình 3.44 Thử nghiệm 13: Biểu đồ huấn luyện độ tin cậy 62 Hình 3.45 Thử nghiệm 12: Biểu đồ huấn luyện mát 63 Hình 3.46 Thử nghiệm 14: Biểu đồ huấn luyện độ tin cậy 64 Hình 3.47 Thử nghiệm 14: Biểu đồ huấn luyện mát 64 MỞ ĐẦU Mục đích nghiên cứu Ung thư vú bệnh ung thư hàng đầu phụ nữ Trong năm 2016 khoảng 246660 phụ nữ chẩn đoán mắc bệnh ung thư vú coi mức cao 29% số loại ung thư khác Đối với trường hợp tử vong dự kiến ung thư vú cao thứ hai phụ nữ mà chiếm 14% so với loại ung thư khác Phát sớm chẩn đoán quan trọng để tăng tỷ lệ sống Trong thực hành lâm sàng chụp nhũ ảnh cơng cụ chẩn đốn sử dụng rộng rãi để sàng lọc ung thư vú [1] Để phát xác chẩn đốn ung thư vú (tức lành tính ác tính) chuyên gia X quang phải đối mặt với thách thức số lượng lớn hình ảnh vú họ phải kiểm tra hàng ngày khó khăn đọc chúng (phát khối u chẩn đốn xác) Do đó, việc phát chẩn đốn máy tính cần thiết, qua ý kiến thứ hai cung cấp thông tin cho bác sĩ để hỗ trợ chuẩn đoán Chụp ảnh X-quang vú sàng lọc chụp X-quang vú thực thường xuyên số lượng lớn dân chúng chưa có biểu bệnh ung thư vú nhằm phát sớm dấu hiệu tổn thương ung thư vú Các bác sĩ tìm kiếm ảnh chụp X-quang vú dấu hiệu tổn thương ung thư vú Một số dấu hiệu tổn thương ung thư vú quan trọng mà bác sĩ tìm kiếm tổn thương vi vơi hóa tổn thương hình khối Phát sớm tổn thương ung thư vú ảnh X-quang vú tăng khả điều trị ung thư vú tăng tỷ lệ sống [2] Cùng với việc phát triển chương trình sàng lọc ung thư vú, bác sĩ phải đọc số lượng lớn ảnh chụp X-quang vú Cơng việc khó khăn địi hỏi bác sĩ phải có nhiều kinh nghiệm Một số nghiên cứu hồi cứu rằng, tỷ lệ bỏ sót, khơng phát ung thư vú nằm khoảng từ 10% đến 30% [3] Các nguyên nhân bác sĩ mệt mỏi, cấu trúc phức tạp mô vú ảnh hay khó phân biệt ung thư vú so với mơ bình thường Thậm chí bác sĩ có kinh nghiệm phát chuẩn xác ung thư vú từ 85-91% [4] Một số nghiên cứu khác hai bác sĩ đọc phim chụp X-quang vú tỷ lệ phát phát tăng lên khoảng 10% [5] Tuy nhiên, thực đọc phim chụp X-quang vú hai bác sĩ tốn kém, tốn thời gian khó khăn mặt chuẩn bị Các hệ thống hỗ trợ sàng lọc tổn thương ung thư vú CAD (Computer Aided Detection) phát triển nhằm trợ giúp bác sĩ trình tìm kiếm, phát hiện, dấu hiệu nghi ngờ tổn thương ung thư vú ảnh chụp X-quang vú Giải pháp CAD mô tả kết hợp kỹ thuật xử lý ảnh, nhận dạng mẫu, trí tuệ nhân tạo, đóng vai trị “người đọc thứ hai”, xác định dấu hiệu hay vùng nghi ngờ ung thư vú ảnh chụp X-quang vú [6] Học sâu thu hút nhiều ý lĩnh vực học máy sử dụng lĩnh vực CAD cho ung thư vú để khắc phục số hạn chế hệ thống Screening,” The New England Journal of Medicine, tập 353(17), p 1773– 1783, 2005 [30] B Hemdal, I Andersson, A T Klang, G Bengtsson, W Leitz, N Bjurstam, O Jarlman S Mattsson, “Mammography - recent technical developments and their clinical potential,” SSI report, tập 8, 2002 [31] [Trực tuyến] Available: https://en.wikipedia.org/wiki/Statistical_classification [Đã truy cập 25 12 2019] [32] [Trực tuyến] Available: https://en.wikipedia.org/wiki/Regression_analysis [Đã truy cập 25 12 2019] [33] [Trực tuyến] Available: https://cs231n.github.io/neural-networks-1/ [Đã truy cập 25 12 2019] [34] [Trực tuyến] Available: https://cs231n.github.io/neural-networks-2/ [Đã truy cập 25 12 2019] [35] [Trực tuyến] Available: https://en.wikipedia.org/wiki/Convolutional_neural_network [Đã truy cập 25 12 2019] [36] T.-Y Lin, P Goyal, R Girshick, K He P Dollár, “Focal Loss for Dense Object Detection,” arXiv:1708.02002, 2017 [37] T.-Y Lin, P D ́r, R Girshick, B H K He S Belongie, “Feature pyramid networks for object detection,” CVPR, 2017 [38] O Ronneberger, P Fischer T Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” arXiv:1505.04597, 18 May 2015 [39] J Long, Shelhamer, D E T, “Fully convolutional networks for semantic segmentation,” arXiv:1411.4038, 2014 [40] F Schroff, D Kalenichenko J Philbin, “Clustering, FaceNet: A Unified Embedding for Face Recognition and Clustering,” arXiv:1503.03832, 2015 [41] Y Sun, X Wang X Tang, “Deeply learned face representations are sparse, selective, and robust,” CoRR, tập abs/1412.1265, pp 1,2,5,8, 2014 [42] S Karen Z Andrew, “Very Deep Convolutional Networks for LargeScale Image Recognition,” 2015 [43] K P Murphy, Machine Learning: A Probabilistic Perspective, Cambridge, 2012, p 247 [44] H Zulkifli, “Understanding Learning Rates and How It Improves Performance in Deep Learning,” 21 January 2018 [Trực tuyến] [Đã truy cập 2019 December 25] [45] F.-F Li, J Johnson S Yeung, “CS231n Convolutional Neural Networks for Visual Recognition,” 2019 [Trực tuyến] Available: 68 http://cs231n.github.io/neural-networks-3/ [Đã truy cập 25 December 2019] [46] F.-F Li, J Johnson S Yeung, “Lecture 7: Training Neural Networks Part I,” 2019 [Trực tuyến] Available: http://cs231n.stanford.edu/slides/2019/cs231n_2019_lecture07.pdf [Đã truy cập 25 December 2019] [47] D L C Wiki [Trực tuyến] Available: http://wiki.fast.ai/index.php/Fine_tuning [Đã truy cập 25 12 2019] [48] T Deserno, J E E de Oliveira, M O Güld P Welter, “IRMA Version of DDSM LJPEG DataDigital Database for Screening Mammography (DDSM) in PNG Format,” 2010 [49] M Sezgin B Sankur, “Survey over image thresholding techniques and quantitative performance evaluation,” Journal of Electronic Imaging, tập 13(1), 2004 [50] N Otsu, “A threshold selection method from gray-level histograms,” IEEE Trans Sys Man Cyber, tập 9(1), pp 62-66, 1979 [51] [Trực tuyến] Available: https://en.wikipedia.org/wiki/Otsu’s_Method [Đã truy cập 25 12 2019] [52] L C.H L C.K, “Minimum Cross Entropy Thresholding,” Pattern Recognition, tập 26(4), pp 617-625, 1993 [53] R C Gonzales R Woods, “Digital Image Processing, Prentice Hall,” 2008 [54] H J So, M H Kim N C Kim, “Texture classification using waveletdomain BDIP and BVLC features,” 17th European Signal Processing Conference (EUSIPCO 2009), pp 1117-1120, 2009 [55] R C González R E Woods, Digital Image Processing Prentice Hall, 2007 [56] [Trực tuyến] Available: https://d2l.ai/chapter_optimization/optimizationintro.html [Đã truy cập 25 12 2019] [57] J Duchi, E Hazan Y Singer, “Adaptive Subgradient Methods for Online Learning and Stochastic Optimization,” Journal of Machine Learning Research, p 2121–2159, 2011 [58] M D Zeiler, “ADADELTA: An Adaptive Learning Rate Method,” 2012 [59] [Trực tuyến] Available: http://www.cs.toronto.edu/~tijmen/csc321/slides/lecture_slides_lec6.pdf [Đã truy cập 25 12 2019] [60] [Trực tuyến] Available: https://ruder.io/optimizing-gradientdescent/index.html#rmsprop [Đã truy cập 25 12 2019] 69 [61] D P Kingma J L Ba, “Adam: a Method for Stochastic Optimization,” International Conference on Learning Representations, pp 1-13, 2015 [62] M Heusel, H Ramsauer, T Unterthiner, B Nessler S Hochreiter, “GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium,” In Advances in Neural Information Processing Systems 30 (NIPS 2017), 2017 [63] [Trực tuyến] Available: https://ruder.io/optimizing-gradientdescent/index.html#Adam [Đã truy cập 25 12 2019] [64] [Trực tuyến] Available: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0118432 [Đã truy cập 25 12 2019] [65] R L Siegel, K D Miller A Jemal, “Cancer statistics,” tập 66, pp 7-30, 2016 [66] N C Hùng, Ung thư học nội khoa, Nhà xuất Y Học Thành phố Hồ Chí Minh, 2000 [67] G đ B v K T giáo sư Trần Văn Thuấn, “42.000 phụ nữ Việt Nam bị ung thư vú,” 2018 [Trực tuyến] Available: https://vnexpress.net/suckhoe/42-000-phu-nu-viet-nam-bi-ung-thu-vu-3842994.html [Đã truy cập 2019] [68] P P Osin, R Anbazhagan, J Bartkova, B Nathan B Gusterson, “Breast development gives insights into breast disease,” Histopathology, tập 33(3), p 275–283, 1998 [69] [Trực tuyến] Available: http://www.breastcancer.org/pictures/types [Đã truy cập 25 12 2019] 70 Phục lục ỨNG DỤNG KỸ THUẬT HỌC SÂU NHẰM SÀNG LỌC UNG THƯ VÚ TRÊN ẢNH CHỤP X QUANG VÚ Ứng dụng kỹ thuật học sâu nhằm sàng lọc ung thư vú ảnh chụp x quang vú viết ngon ngữ python dự thư viện tensorflow Google Tăng cương/ Tập liệu Huấn luyện Kiểm chứng Kiểm tra lớp 5424 ảnh 677 ảnh 676 ảnh Không lớp 5424 ảnh 677 ảnh 676 ảnh Không lớp 9640 ảnh 1200 ảnh 1200 ảnh Có lớp 11010 ảnh 1368 ảnh 1368 ảnh Có Cân Bảng Số lượng ảnh sử dụng huấn luyện Thử nghiệm độ tin cậy Precision Recall ROC AUC 0.54 - - - - - 0.54 - - - - - 0.54 - - - - - 0.55 - - - - - 0.36 - - - - - 0.33 - - - - - 0.54 - - - - - 0.54 - - - - - 0.54 - - - - - 10 0.41 - - - - - 11 0.41 - - - - - 12 0.41 - - - - - 13 0.91 0.9 0.91 0.97 0.96 0.9 14 0.91 0.9 0.91 0.98 0.98 0.9 Specificity Sensitivity Bảng Kết thử nghiệm 71 Một số hình ảnh thể mơ nghiên cứu, phát triển sau Hình Đọc liệu ảnh chụp X quang vú sử dụng python 72 Hình Thực thuật tốn xử lý ảnh loại bỏ viên đen từ ảnh 73 Hình Giảm kích thước ảnh 224 x 224 74 Hình Thực thuật tốn BVLC biến đổi ảnh 75 Hình Kết sau biến đổi ảnh BVLC 76 Hình Thực đọc ảnh nhãn từ sở liệu xây dựng 77 Hình Thực chọn ngẫu nhiên 10 ảnh để kiểm trả 78 Hình Khởi tạo cấp ảnh, Tải mơ hình huấn luyện, đánh giá tập kiểm tra 79 Hình Kết sàng lọc ảnh chụp X quang vú dự BI-RADS 80 TÓM TẮT LUẬN VĂN THẠC SĨ Đề tài: Ứng dụng kỹ thuật học sâu nhằm sàng lọc ung thư vú ảnh chụp x quang vú Tác giả luận văn: LIM KIMHUOR Khóa: CH2017B Người hướng dẫn: TS Nguyễn Việt Dũng Từ khóa (Keyword): Ứng dụng kỹ thuật học sâu, sàng lọc ung thư vú, ảnh chụp x quang vú Nội dung tóm tắt: a) Lý chọn đề tài Hiện ung thư vú bệnh phổ biến người phụ nữ quốc gia giới Nhằm mục đích để phát sớm ung thư vú giai đoạn đầu, việc chụp ảnh X quang vú phương pháp hiệu Để đánh giá mức tổn thương, thông số phân loại BI-RADS nhận biết để báo cáo, giám sát kết đánh giá chất lượng b) Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu Trong khuôn khổ luận văn với lý nêu tập trung vào mục tiêu nghiên cứu, phát triển hệ thống hỗ trợ sàng lọc ung thư vú ảnh chụp X-quang vú Nhờ giải pháp phát ảnh nghi ngờ tổn thương hình khối ảnh chụp X-quang vú Chẩn đoán cuối thuộc bác sĩ định Các vấn đề cần giải luận văn Để phát triển hệ thống hỗ trợ sàng lọc ung thư vú ảnh chụp X-quang vú luận văn cần giải ba vấn đề - Tiền xử lý nhằm loại bỏ vùng ảnh không cần thiết tăng cường chất lượng ảnh chụp X-quang vú - Ứng dụng kỹ thuật học sâu để huấn luyện mạng với đầu vào ảnh chụp Xquang vú qua tiền xử lý - Phân loại ảnh chụp X-quang vú mô thường hay mô bất thường Những giới hạn nghiên cứu luận văn - Trước có sở liệu để bắt đầu xử lý cần liên lạc với người lưu trữ quản lý nước email họ giúp cấp lại quyền tải xuống - Trong trình tiền xử lý ảnh chụp X-quang vú có số có độ tương phản cường độ sáng thấp với ảnh chụp X-quang vú lấy từ nhiều loại máy, quẹt lại làm ảnh bị méo có phần trắng rìa - Huấn luyện máy tính để sàng lọc ảnh chụp X-quang vú bình thường bất thường c) Tóm tắt đọng nội dung đóng góp tác giả - Đề xuất tăng cương chất lượng ảnh chụp X quang vú thuật toán ngưỡng Ostu, Li Kết thu ảnh có độ chênh lệch cực đại cường độ mức xám đối tượng, đối tượng phân tách rõ ràng 81 Đề xuất dùng đặc trưng biến thiên hệ số tương quan cục khối BVLC đa mức thay đưa ảnh gốc vào huấn luyện Cải tiến cảu đề xuất cho thấy khác biết đối tượng ảnh rõ ảnh bình gốc - Đề xuất dùng kỹ thuật học sâu đặc trưng biến thiên hệ số tương quan cục khối BVLC đa mức vùng nghi ngờ tổn thương hình khối để phân loại theo BI-RADS d) Phương pháp nghiên cứu Phương pháp thực luận văn xây dựng hệ thống sàng lọc ảnh chụp X quang vú giúp phát ảnh nghi ngơ có tổn thương sử dụng kỹ thuật học sâu phát triển dựa mơ hình mạng CNN VGG16, huấn luyện kiểm tra 9848 ảnh X quang vú Việc đánh giá độ xác đặt 0.91 e) Kết luận Kết đạt thông qua thử nghiệm cho thấy thử nghiệm 14 độ tin cậy: 0.91, Precision: 0.9, Recall: 0.91, ROC AUC: 0.98, Specificity: 0.98, Sensitivity: 0.9 cho thấy, phương pháp đề xuất đơn giản, cho hiệu tương đối cao ổn định - 82 ... chụp ảnh X- quang vú phim thông thư? ??ng [21] 1.3.1 Chụp ảnh X quang vú sàng lọc Chụp ảnh X- quang vú sàng lọc chụp ảnh X- quang vú thực thư? ??ng xuyên số lượng lớn dân chúng chưa có biểu bệnh ung thư. .. bệnh ung thư vú 16 1.3 Chụp ảnh X quang vú 17 1.3.1 Chụp ảnh X quang vú sàng lọc 17 1.3.2 Chụp ảnh X quang vú chẩn đoán 18 1.3.3 Trình tự thăm khám chụp ảnh X quang vú. .. trợ sàng lọc ung thư vú ảnh chụp X- quang vú luận văn cần giải ba vấn đề - Tiền x? ?? lý nhằm loại bỏ vùng ảnh không cần thiết tăng cường chất lượng ảnh chụp X- quang vú - Ứng dụng kỹ thuật học sâu