5. Ý nghĩa khoa học và thực tiễn của đề tài
2.1.2. Học sâu trong phát hiện bất thƣờng phổi
Học máy (Machine Learning) là một tập con của AI và Học sâu (Deep Learning) là một nhóm thuật toán nhỏ của học máy lấy ý tƣởng dựa trên mạng nơ-ron của não ngƣời. Học sâu thƣờng yêu cầu lƣợng dữ liệu lớn và nguồn tài nguyên sử dụng nhiều hơn so với các phƣơng pháp học máy thông thƣờng, tuy nhiên mô hình học sâu sau khi đƣợc huấn luyện sẽ cho độ chính xác cao hơn.
Hình 2.1: Mối quan hệ của học sâu với các lĩnh vực liên quan
Cách thức hoạt động của các mô hình học sâu diễn ra nhƣ sau: Các dòng thông tin sẽ đƣợc trải qua nhiều lớp cho đến lớp sau cùng. Qua các lớp đầu tiên sẽ tập trung vào việc học các khái niệm cụ thể hơn trong khi các lớp sâu hơn sẽ sử dụng thông tin đã học để nghiên cứu và phân tích sâu hơn trong các khái niệm trừu tƣợng, mập mờ. Quy trình xây dựng biểu diễn dữ liệu này của học sâu đƣợc gọi là trích xuất đặc trƣng. Kiến trúc phức tạp của việc học sâu đƣợc cung cấp từ mạng lƣới thần kinh sâu với khả năng thực hiện trích
xuất tính năng tự động.
Kỹ thuật học sâu đã đƣợc nghiên cứu và ứng dụng trong bài toán phát hiện và đánh giá khối u phổi. Mạng học sâu điển hình nhƣ đã giới thiệu, liên quan đến việc trích xuất các đặc điểm từ các hình ảnh thô và một hàm mục tiêu tìm hiểu mối tƣơng quan giữa các đặc điểm và chẩn đoán. Thay vì chọn các đặc trƣng ƣu tiên, một tập hợp các hình ảnh đào tạo và nhãn mục tiêu của chúng đƣợc cung cấp cho mạng học sâu. Phần trích xuất đặc trƣng thƣờng bao gồm một số lớp đơn vị xử lý phi tuyến và các hàm chuyển đổi ngoài việc sử dụng các toán tử xử lý ảnh thông thƣờng nhƣ bộ lọc. Các kỹ thuật mạng CNN đã trở thành những ứng dụng phát hiện, phân đoạn và phân loại mẫu phổ biến nhất trong lĩnh vực y tế. Không giống nhƣ các mô hình xác suất lâm sàng truyền thống, các kỹ thuật học sâu xây dựng các đặc trƣng từ đầu thay vì từ một tập hợp các đặc trƣng đƣợc chọn trƣớc dựa trên kiến thức tùy vào ngữ cảnh của nhà phát triển thuật toán.
Các hệ thống hoàn toàn tự động sử dụng CNN đã cho thấy kết quả đầy hứa hẹn trong việc phát hiện bất thƣờng trên phổi. Huang và cộng sự đã chứng minh một hệ thống end-to-end nhanh chóng và hoàn toàn tự động có thể phân đoạn một cách hiệu quả các đƣờng biên nốt phổi chính xác từ chụp CT lồng ngực thô [38]. Hệ thống có bốn thành phần, bao gồm phát hiện nốt ứng viên với Faster-CNN, hợp nhất ứng viên, giảm dƣơng tính giả và phân đoạn nốt với CNN. Toàn bộ hệ thống không có sự tƣơng tác của con ngƣời hoặc thiết kế cơ sở dữ liệu, và thời gian chạy trung bình là khoảng 16 giây cho mỗi lần quét. Độ chính xác phát hiện nốt là 91,4% với trung bình 1 dƣơng tính giả cho mỗi lần quét và 94,6% với trung bình 4 dƣơng tính giả cho mỗi lần quét. Pehrson và cộng sự [39] đã xem xét các thuật toán học máy đƣợc áp dụng cho cơ sở dữ liệu LIDC-IDRI nhƣ một công cụ để tối ƣu hóa việc phát hiện các nốt phổi trong chụp CT lồng ngực. Đánh giá của họ cho
thấy rằng các thuật toán học máy và học sâu dựa trên tính năng có thể phát hiện các nốt phổi với mức độ chính xác cao. Hầu hết các thuật toán dựa trên tính năng đều đạt độ chính xác> 90%. Các thuật toán học sâu đạt đƣợc AUC trong khoảng 0,82–0,99 [37].
Gần đây, một nghiên cứu của Hai Tran và các cộng sự [40] sử dụng mô hình Multi-CNNs (gồm các thành phần là CNN-128F, CNN-64L, CNN-64R) giải quyết bài toán phát hiện bất thƣờng trên ảnh X-quang ngực với tập dữ liệu là 400 ảnh số y khoa đã đƣợc gián nhãn. Kết quả cho ra độ chính xác của từng thành phần CNN kể trên lần lƣợt là 92%, 86% và 78%.
Bảng 2.1: Một số nghiên cứu sử dụng học sâu cho bài toán bất thƣờng phổi
Tác giả CSDL Đặc trƣng Mô hình AUC
Xie [41] LIDC-IDRI Tiền chọn lọc, các đặc trƣng sâu
ANN 0.96 Xie [41] LIDC-IDRI Tiền chọn lọc, các đặc
trƣng sâu, 3D CNN 0.95 Zhao [43] LIDC-IDRI Các đặc trƣng sâu CNN 0.87 Causey [44] LIDC Tiền chọn lọc, các đặc trƣng sâu, 3D RF 0.99 Shen [45] LIDC Các đặc trƣng sâu, 3D CNN 0.93