PHÁT HIỆN BẤT THƯỜNG TỪ ẢNH X-QUANG NGỰC VỚI FASTER R-CNN VÀ YOLO

Abstract

Ảnh X-quang ngực là cơ sở quan trọng để bác sĩ phát hiện ra các bất thường của phổi và một số bộ phận khác như tim và động mạch chủ. Để đọc và đưa ra các chẩn đoán chính xác đòi hỏi các bác sĩ phải được đào tạo kỹ càng và có kinh nghiệm lâu năm. Ở một số bệnh viện và trung tâm y tế, đặc biệt ở vùng sâu vùng xa, việc thiếu hụt các bác sĩ có chuyên môn ảnh hưởng đến chất lượng các chẩn đoán được đưa ra. Với mong muốn hỗ trợ một phần nào đó trong vấn đề trên cũng như cung cấp một cơ sở so sánh cho các bác sĩ, luận văn này nghiên cứu ứng dụng các mô hình phát hiện vật thể cho việc phát hiện các bất thường trong ảnh X-quang ngực. Đầu tiên, 2500 ảnh gồm 5 loại bất thường (phình động mạch chủ, tim to, phổi mờ, tràn dịch màng phổi và xơ phổi) được chọn lọc ra từ tập huấn luyện của bộ dữ liệu VinDr-CXR. Tiếp đến, chúng tôi xây dựng một mô hình kết hợp YOLOv5 và thư viện phân mảnh phổi lung-segmentation của Python để nhận dạng và trích xuất ra vùng phổi cho mục đích giảm kích thước và loại bỏ các chi tiết dư thừa trong những hình ảnh này. Sau đó, từ những hình ảnh đã trích xuất ra, chúng tôi tiến hành thử nghiệm việc huấn luyện trên hai mô hình phát hiện vật thể trong ảnh tiên tiến là YOLOv5 và Faster R-CNN để đánh giá, so sánh hiệu suất và cuối cùng chọn ra mô hình tốt nhất. Kết quả thực nghiệm cho thấy mô hình nhận dạng và trích xuất vùng phổi hoạt động rất tốt với các hình ảnh được cắt ra đạt yêu cầu. Các mô hình phát hiện bất thường trong những ảnh phổi cắt ra cho dự đoán có độ chính xác trung bình tương đối tốt, trong đó mô hình YOLOv5 vượt trội hơn cả về thời gian huấn luyện, dự đoán cũng như độ chính xác với các giá trị AP@.5, AP@.5:.95 lần lượt là 0.616 và 0.322, các giá trị tương ứng cho mô hình Faster R-CNN là 0.58 và 0.15.