XÂY DỰNG HỆ THỐNG HỖ TRỢ CHẨN ĐOÁNHỘI CHỨNG ỐNG CỔ TAY BẰNG PHÂN TÍCH TÍN HIỆU DẪN TRUYỀN THẦN KINH VÀ HÌNH ẢNH SIÊU ÂM

Abstract

Hội chứng ống cổ tay là một bệnh lý thần kinh ngoại biên phổ biến, xảy ra khi dây thần kinh giữa bị chèn ép tại vùng cổ tay, dẫn đến các triệu chứng như tê bì, đau và yếu cơ bàn tay. Việc chẩn đoán sớm hội chứng này có ý nghĩa quan trọng trong việc hạn chế nguy cơ tổn thương thần kinh kéo dài, đồng thời hỗ trợ bác sĩ lựa chọn phương pháp điều trị phù hợp. Trên cơ sở đó, luận văn “Xây dựng hệ thống hỗ trợ chẩn đoán hội chứng ống cổ tay bằng phân tích tín hiệu dẫn truyền thần kinh và hình ảnh siêu âm” được thực hiện nhằm xây dựng hệ thống hỗ trợ phân tích tín hiệu dẫn truyền thần kinh, xử lý hình ảnh siêu âm cổ tay và đưa ra kết quả dự đoán phục vụ quá trình chẩn đoán. Trong nghiên cứu này, các thuật toán học máy được thử nghiệm và so sánh nhằm đánh giá hiệu quả phân loại mức độ hội chứng ống cổ tay dựa trên các đặc trưng dẫn truyền thần kinh. Đồng thời, các mô hình học sâu được áp dụng để phân đoạn dây thần kinh giữa và phân loại hội chứng ống cổ tay dựa trên ảnh vùng dây thần kinh giữa thu được. Tập dữ liệu đề tài sử dụng để phục vụ các mô hình học sâu là Bielast-CTS. Kết quả đạt được khá tốt với Macro F1 bằng 0.7 đối với tín hiệu cảm giác và 0.69 đối với tín hiệu vận động, mô hình phân đoạn với Dice Coefficient đạt 0.83 và mô hình phân loại với Macro F1 đạt 0.83. Kết quả thực nghiệm cho thấy hệ thống đạt độ chính xác tương đối tốt trong bài toán phân loại và có tiềm năng hỗ trợ bác sĩ trong quá trình chẩn đoán hội chứng ống cổ tay. Tuy nhiên, do tập dữ liệu còn hạn chế về số lượng mẫu và sự tương đồng giữa các cấp độ bệnh, kết quả dự đoán của hệ thống nên được xem là nguồn thông tin tham khảo, cần kết hợp với đánh giá chuyên môn của bác sĩ trong quá trình chẩn đoán. Carpal tunnel syndrome is a common peripheral neuropathy caused by compression of the median nerve at the wrist, leading to symptoms such as numbness, pain, and weakness in the hand. Early diagnosis plays an important role in reducing the risk of prolonged nerve damage and assisting physicians in selecting appropriate treatment methods. Therefore, this thesis, entitled “Development of a computer-aided diagnosis system for carpal tunnel syndrome based on nerve conduction signals and ultrasound image analysis” aims to develop a system that supports the analysis of nerve conduction signals, the processing of wrist ultrasound images, and the generation of predictive results to assist the diagnostic process. In this study, several machine learning algorithms were evaluated and compared to assess their effectiveness in classifying the severity of carpal tunnel syndrome based on nerve conduction features. In addition, deep learning models were applied to segment the median nerve and classify carpal tunnel syndrome based on the extracted median nerve images. The BiElast-CTS dataset was used for training and evaluating the deep learning models. The experimental results showed that the nerve conduction signal classification models achieved Macro F1 scores of 0.70 for sensory signals and 0.69 for motor signals. The median nerve segmentation model achieved a Dice Coefficient of 0.83, while the ultrasound image classification model achieved a Macro F1 score of 0.83. The experimental results show that the system achieved relatively good classification performance and has the potential to support physicians in the diagnosis of carpal tunnel syndrome. However, due to the limited number of samples and the similarity among different disease severity levels, the system’s predictions should be considered as supplementary information and used in combination with physicians’ professional assessment during the diagnostic process.