NHẬN DIỆN VÀ PHÂN LOẠI BỆNH TRÊN PHỔI QUA HÌNH ẢNH X-QUANG

Abstract

Bệnh phổi là một nguy cơ lớn đối với sức khỏe con người, gây ảnh hưởng tiêu cực đến cả sức khỏe và chất lượng cuộc sống, và thậm chí có thể dẫn đến tử vong. Đặc biệt là vấn đề ô nhiễm không khí, bụi mịn hay bệnh dịch ảnh hưởng đến phổi các năm gần đây. Các yếu tố nguyên nhân gây ra các bệnh này bao gồm ô nhiễm môi trường, hút thuốc lá, khuynh hướng di truyền và nhiễm trùng do virus. Chụp X-quang ngực là một công cụ chẩn đoán phổ biến trong thực hành lâm sàng để xác định tổn thương phổi, hỗ trợ trong việc xác định các bệnh phổi cụ thể. Tuy nhiên, quy trình chẩn đoán thông qua hình ảnh thường mất nhiều thời gian và đòi hỏi trình độ chuyên môn cao từ các chuyên gia y tế. Việc áp dụng các kỹ thuật học sâu để phát hiện và phân loại bệnh trên ảnh X-quang là rất quan trọng nhằm cải thiện độ chính xác trong chẩn đoán và cung cấp hỗ trợ thiết yếu cho các bác sĩ lâm sàng. Nghiên cứu này giới thiệu một phương pháp kết hợp mô hình U-Net cho phân đoạn hình ảnh, giúp xác định chính xác vùng phổi trong ảnh X-quang và sử dụng mô hình Xception để phát hiện và phân loại các hình ảnh đã được phân đoạn. Mô hình U-Net được huấn luyện trên tập dữ liệu COVID-19 Radiography, bao gồm 21,165 ảnh X-quang đi kèm với các mặt nạ phân đoạn tương ứng. Các mặt nạ này sau đó được áp dụng lên ảnh X-quang gốc để cô lập chi tiết các vùng phổi, với các nhãn phù hợp cho mục đích phát hiện và phân loại. Tập dữ liệu bao gồm bốn loại bệnh: Covid-19, bệnh phổi tắc nghẽn mãn tính (COPD), mô phổi bình thường, và viêm phổi do virus. Dữ liệu được chia thành ba tập để huấn luyện, xác thực và kiểm tra, theo tỷ lệ 70:20:10. Kết quả thực nghiệm cho thấy quá trình phân đoạn đạt được độ chính xác là 0.99 với mô hình U-Net. Hơn nữa, độ chính xác cho việc phát hiện và phân loại bệnh trên tập kiểm tra đạt 0.90 kèm theo điểm số Intersection over Union (IoU) là 0.90 trong cả hai giai đoạn huấn luyện và xác thực.