V. Kết quả dự kiến
1.8 Kết luận chung
Trong chương 1, tác giả đã trình bày giới thiệu tổng quan các đặc trưng của tế bào bạch cầu và các bệnh lý gây ra tình trạng rối loạn máu. Bên cạnh đĩ trong chương này cũng đưa ra một số phương pháp chẩn đốn bệnh lý về máu đã và đang được áp dụng trong các cơ sở y tế. Phương pháp xét nghiệm máu dưới kính hiển vi vẫn là phương pháp cĩ tính then chốt trong quá trình chẩn đốn bệnh, nhằm xác định chính xác nguyên nhân, tình trạng bệnh để đưa ra phương án điều trị phù hợp.
Thực tế hiện nay việc phân loại và đếm các tế bào bạch cầu một cách thủ cơng với sự hỗ trợ của kính hiển vi cịn gặp nhiều khĩ khăn: Làm mất nhiều thời gian, việc phân loại thủ cơng cĩ thể khơng chính xác do lỗi của con người trong việc phân loại do các hình dáng khác nhau của bạch cầu, số lượng tế bào lớn, do phương pháp nhuộm và những tế bào bị lặp lại khi kiểm tra. Vì vậy, trong chương 2 và chương 3 tác giả đề cập đến một số phương pháp phân loại tế bào bạch cầu tự động.
21
CHƯƠNG 2.
MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI TẾ BÀO BẠCH CẦU
2.1 Giới thiệu chương
Trong thời gian đầu về phát triển quá trình phân loại tế bào bạch cầu tự động, nhiều cơng trình nghiên cứu đã đưa ra phương pháp phân loại tế bào máu sử dụng nhiều thuật tốn. Được thực hiện qua các bước: Phân đoạn tế bào, phân đoạn nhân tế bào, trích xuất đặc trưng, phân loại tế bào [13, 14, 15]. Với sự phát triển của kỹ thuật máy tính, sự nghiên cứu phát triển của mạng neural đã đưa đến những áp dụng nhanh chĩng của mơ hình học sâu (deep learning) vào việc phát hiện, phân loại đối tượng với chính xác cao như R-CNN, ANN, SVM hết hợp CNN và phương pháp nhanh hơn đồng thời cũng rất chính xác như thuật tốn SVM đa tầng. Các phương pháp này cĩ ưu điểm là cĩ thể đạt được độ chính xác tốt và khơng cần cơ sở dữ liệu lớn, thời gian huấn luyện ngắn, tuy nhiên quá trình phân đoạn và trích xuất đặc trưng cịn gặp nhiều khĩ khăn do cĩ nhiều sự khác nhau về màu sắc, kích thước của các loại tế bào bình thường, bất thường và phương pháp nhuộm.
Các bước cơ bản phân loại tế bào bạch cầu
Đầu tiên, điều quan trọng là thu thập hình ảnh của WBCs được lấy từ các mẫu phết máu ngoại vi trên các lam kính hiển vi. Những hình ảnh này là thu được bằng cách đặt các phiến kính dưới một hợp chất hoặc kính hiển vi quang học dưới các mức chiếu sáng với phĩng đại và ghi lại chúng bằng máy ảnh kỹ thuật số. Phân tích kính hiển vi bắt đầu từ độ phĩng đại thấp hơn (10x) đến (1000x). Máy ảnh kỹ thuật số chất lượng chụp ảnh để trình bày, nâng cao và quan sát tế bào máu. Một số máy ảnh kỹ thuật số cĩ thể được sử dụng độc lập với chính kính hiển vi.
22 Bước 1: Thu nhận hình ảnh đầu vào của WBCs được lấy từ các mẫu phết máu ngoại vi trên các lam kính hiển vi. Nhuộm bạch cầu là một kỹ thuật được sử dụng để tăng độ tương phản thơng qua việc thay đổi màu sắc của một số bộ phận của cấu trúc tế bào để cho phép nhìn rõ hơn cấu trúc tế bào. Quá trình nhuộm tạo ra đủ độ tương phản để phân đoạn, đếm và phân loại các tế bào riêng lẻ.
Bước 2: Bước tiền xử lý hoặc nâng cao hình ảnh là sự cải tiến của dữ liệu hình ảnh để loại bỏ những điều khơng mong muốn biến dạng, loại bỏ tiếng ồn hoặc nâng cao một số tính năng hình ảnh quan trọng để điều tra thêm trong phân đoạn và các quy trình phân loại. Bước tiền xử lý cũng bao gồm các phép biến đổi hình học của hình ảnh, chẳng hạn như xoay, chia tỷ lệ và dịch.
Bước 3: Quá trình phân đoạn phát hiện WBC và nhân và tế bào chất của chúng, đồng thời phân biệt chúng với hồng cầu (RBCs), nền và huyết tương của hình ảnh phết máu ngoại vi bằng cách sử dụng kỹ thuật xử lý hình ảnh và xử lý tín hiệu. Các kỹ thuật này dựa trên hình dạng, màu sắc, các cạnh hoặc hình học để phân đoạn.
Bước 4: Biểu diễn trích xuất đặc trưng là một bước quan trọng trong phân loại WBC. Các tính năng được trích xuất bao gồm các đặc điểm hình học, chẳng hạn như diện tích, bán kính, chu vi, diện tích lồi, độ dài trục chính, độ nhỏ gọn và hướng; các tính năng kết cấu, chẳng hạn như động lượng, độ tương phản, entropy và độ lệch; và các tính năng màu, chẳng hạn như phân bố màu và biểu đồ.
Bước 5: Quá trình phân loại phân biệt loại WBCs. Quá trình này cĩ thể cho phép đánh giá và chẩn đốn nhiều bệnh. Các kỹ thuật máy học hiện đại khác nhau đã được sử dụng để phân loại WBC, chẳng hạn như rừng ngẫu nhiên, máy hỗ trợ vectơ (SVM) và Deep Learning (DL), mạng thần kinh nhân tạo (ANN), mơ hình cây phân lớp và các kỹ thuật khác. Tuy nhiên, phân loại SVM là phương pháp phổ biến để phân loại WBCs do thực hiện phân loại nhanh chĩng.
Bước 6: Quá trình đánh giá là một bước quan trọng trong quá trình phân loại. Việc phân loại được đánh giá bằng cách sử dụng một thước đo số, chẳng hạn như độ chính xác hoặc biểu diễn đồ họa về hiệu suất, chẳng hạn như đường cong đặc tính hoạt động của máy thu (ROC). Độ chính xác là thước đo hiệu suất phổ biến nhất và thể hiện tỷ lệ của tổng số lớp dự đốn được phân loại chính xác và so sánh với lớp thực tế.
Máy học và nhận dạng mẫu đĩng vai trị quan trọng trong hình ảnh y tế kỹ thuật số bao gồm chẩn đốn cĩ sự hỗ trợ của máy tính và phân tích hình ảnh y tế. Mẫu hình ảnh y tế cĩ sự cơng nhận về cơ bản địi hỏi "học tập từ các mẫu". Phân loại các đối tượng như tế bào bạch cầu thành các lớp WBC cụ thể dựa trên các đặc điểm đầu vào (ví dụ: hình dạng, cường độ và kết cấu) được lấy từ các hình ảnh
23 WBC đã phân đoạn. Một số phương pháp phân loại thường được sử dụng là Mạng nơron nhân tạo khơng tham số (ANN), Hỗ trợ vectơ máy học kết hợp thuật tốn Random Forest, biến đổi Wavelet Phức hợp Cây kép (DT-CWT), và Máy vectơ hỗ trợ (SVM).