TRANG THÔNG TIN VỀ LUẬN ÁN
– Tên luận án: Xây dựng mô hình phát hiện vùng bị bệnh trên các loại ảnh y khoa
– Ngành: Hệ thống thông tin Mã số: 62 48 01 04
– Họ tên nghiên cứu sinh: Lê Minh Lợi Khóa: 2017, đợt 1
– Người hướng dẫn khoa học: PGS.TS. Phạm Nguyên Khang
– Người hướng dẫn phụ: TS. Trần Nguyễn Minh Thư
– Cơ sở đào tạo: Trường Đại học Cần Thơ
1. Tóm tắt nội dung luận án
Xây dựng mô hình phát hiện vùng bị bệnh trên các loại ảnh y khoa là một vấn đề cấp bách và có tính thời sự trong lĩnh vực y tế hiện nay. Trong bối cảnh số lượng bệnh nhân ngày càng tăng, cùng với sự phát triển của các thiết bị chụp ảnh y khoa như MRI, CT, và X-quang, khối lượng dữ liệu hình ảnh y khoa cũng tăng lên đáng kể. Để phân tích và chẩn đoán bệnh từ các hình ảnh này, cần một lượng lớn chuyên gia có kinh nghiệm, dẫn đến chi phí cao và thời gian chẩn đoán kéo dài. Việc phát triển một mô hình tự động có khả năng phát hiện vùng bị bệnh sẽ giúp giảm tải cho các bác sĩ, tăng độ chính xác của chẩn đoán và rút ngắn thời gian điều trị. Luận án hướng đến việc nghiên cứu xây dựng mô hình phát hiện vùng bị bệnh trên các loại ảnh y khoa, cụ thể là ảnh MRI não.
Vùng bị bệnh được phát hiện trên từng lát cắt của ảnh MRI là ảnh 2 chiều được dựng thành ảnh 3 chiều là nội dung thứ 2 của luận án. Dựng ảnh 3D giúp các nhân viên y tên trực quan hóa vùng bị bệnh, xem vùng bất thường dạng ảnh 3D thay vì chỉ khảo sát vùng bất thường trên nhiều ảnh 2D. Cổng dịch vụ Billow Asia được xây dựng cho phép kết nối với mô hình phát hiện vùng bị bệnh trong luận án seUNet++, thông qua ứng dụng 3Dslicer để dựng được ảnh 3D giúp cho quá trình khảo sát của Bác sĩ tốt hơn trong việc xem xét nhiều góc độ, nhiều khía cạnh của vùng bất thường thay vì chỉ khảo sát vùng bất thường trên ảnh 2 chiều.
2. Những kết quả mới của luận án
Tập dữ liệu:
Dữ liệu ảnh y khoa đóng vai trò quan trọng trong các bài toán thị giác máy tính, đặc biệt trong việc huấn luyện mô hình phát hiện vùng bất thường trên ảnh y khoa. Trong luận án này, tập dữ liệu LGG (Lower-Grade Gliomas) công bố tại https://www.kaggle.com/mateuszbuda/lgg-MRI-segmentation được sử dụng. Tập dữ liệu LGG chứa ảnh MRI não MRI não ở chuỗi xung FLAIR được gán nhãn sẵn mặt nạ vùng bị tổn thương của 110 bệnh nhân. Đồng thời, quá trình thu thập dữ liệu MRI não tại Bệnh viện Trường Đại học Y Dược Cần Thơ cũng được mô tả trong luận án. Kết quả tập dữ liệu MRI não thu thập tại Bệnh viện Trường Đại học Y dược Cần thơ gồm 139 bộ ảnh MRI sọ não được các nhân viên y tế gán nhãn thủ công vùng bị bệnh. Đây là đóng góp quan trọng trong việc tạo thêm bộ dữ liệu đặc thù cho người bệnh tại vùng đồng bằng sông Cửu Long giúp cải tiến các mô hình hướng tới phục cộng đồng cũng như y tế địa phương
Xây dựng mô hình phát hiện vùng bị bệnh trên ảnh y khoa:
Luận án sử dụng mô hình học sâu thực nghiệm dựa trên dữ liệu thu thập được để xây dựng mô hình phát hiện vùng bị bệnh trên ảnh MRI não. Các mô hình học sâu Unet, Pix2Pix, cGAN được điều chỉnh để phù hợp với dữ liệu thực nghiệm dữ liệu thu thập được tại Bệnh viện Trường Đại học Y Dược Cần Thơ và so sánh kết quả với mô hình đề xuất seUnet++ cho thấy mô hình đề xuất seUnet++ có kết quả tốt nhất trong việc so sánh giữa các mô hình ở chỉ số IoU đạt 87%.
Cổng dịch vụ Billow Asia:
Hiển thị hình ảnh dưới dạng 3 chiều hỗ trợ rất nhiều cho các bác sĩ trong quá trình chẩn đoán và điều trị cho bệnh nhân trong tình trạng các bệnh viện luôn quá tải. Trong nghiên cứu này, cổng dịch vụ Billow AISA được xây dựng và thực nghiệm trong việc phát hiện và hiển thị 3D vùng bất thường trên ảnh MRI não. Mô hình Swin-UNet được huấn luyện trên tập dữ liệu LGG kết hợp với tập dữ liệu đã được thu thập và gán nhãn của 106 bệnh nhân tại Bệnh viện Trường Đại học Y Dược Cần Thơ để phát hiện vùng bất thường. Cổng dịch vụ này cho phép trao đổi dữ liệu giữa máy chủ và máy khách để thực thi việc phát hiện vùng bất thường và kết xuất dữ liệu đúng định dạng hiển thị 3D của ứng dụng Slicer. Thời gian thực thi trên 1 POD và 10 POD cũng được thực thi và đánh giá cho thấy tính khả thi và hiệu quả của Billow AISA
3. Khả năng ứng dụng trong thực tiễn, các vấn đề cần tiếp tục nghiên cứu
Dữ liệu hiện tại còn hạn chế như nhiều hình ảnh của bệnh nhân được thu thập nhưng không thực sự chứa vùng bất thường; mỗi ảnh chỉ được gán nhãn bởi 1 bác sĩ. Việc tăng số lượng ảnh thu thập và tăng số lượng bác sĩ gán nhãn trên cùng một tập dữ liệu sẽ giúp tăng độ tin cậy cũng như nâng cao chất lượng của mô hình.
Kết quả nghiên cứu là tiền đề để có thể phát triển ứng dụng tự động phát hiện vùng bất thường trên ảnh MRI não sau đó dựng ảnh ba chiều vùng bất thường. Nghiên cứu đã chứng minh có thể áp dụng mô hình seUNet++ phù hợp với dữ liệu ảnh xám MRI não tại Bệnh viện Trường Đại học Y Dược Cần Thơ và môt số bệnh viện lân cận tại vùng đồng bằng Sông Cửu Long nhằm giúp giải phóng công sức của bác sĩ chẩn đoán hình ảnh, góp phần tiết kiệm chi phí chẩn đoán và thời gian chẩn đoán. Tuy nhiên trong quá trình xây dựng mô hình phát hiện vùng bị bệnh cần cải thiện độ chính xác cao hơn nữa. Việc nghiên mô hình cần phải thực hiện trên nhiều hơn nữa các dạng ảnh y khoa như CT, X-Quang với dữ liệu thu thập tại nhiều bệnh viện với nhiều loại máy tạo ảnh y khoa tại nhiều bệnh viện trong khu vực.
Với cổng dịch vụ Billow ASIA cho phép hiển thị vùng bị bệnh phát hiện bởi mô hình seUnet++ dạng 3D. Trong tương lai, cổng dịch vụ này có thể được tích hợp các mô hình phát hiện vùng bị bệnh khác một cách dễ dàng. Độ chính xác và nhiều phương án hiển thị cũng sẽ được bổ sung tương ứng với nhu cầu sử dụng trên thực tế.
