PHÁT HIỆN BẤT THƯỜNG TỪ ẢNH X-QUANG NGỰC

Abstract

Hiện nay, ảnh X-quang được sử dụng phổ biến trong lĩnh vực y học. Nó được dùng để chẩn đoán về các bất thường của một số bộ phận bên trong cơ thể (tim, gan, phổi, xương). Tuy nhiên, để đọc và hiểu được nó thì đòi hỏi các bác sĩ phải được đào tạo và có nhiều năm kinh nghiệm, mới có thể chẩn đoán bất thường trên ảnh X-quang được. Do đó, đội ngũ bác sĩ trong lĩnh vực này có số lượng rất ít dẫn đến thực trạng thiếu hụt nguồn nhân lực. Với mong muốn hỗ trợ một phần nào đó cho vấn đề trên cũng như cung cấp cơ sở so sánh cho bác sĩ, luận văn này nghiên cứu ứng dụng các mô hình phát hiện các bất thường trong ảnh X-quang ngực nhằm giúp cho việc chẩn đoán và điều trị đạt hiệu quả cao. Luận văn này đã sử dụng tập dữ liệu VinDr-CXR với 4,394 ảnh X-quang ngực gồm 14 loại bất thường (phình động mạch chủ, xẹp phổi, vôi hóa, tim to, phổi bị chai, bệnh phổi kẽ, thâm nhiễm phổi, phổi đục, nốt trong phổi, tổn thương khác, tràn dịch màng phổi, màng phổi dày, tràn khí màng phổi, xơ phổi). Do trên cùng một tấm ảnh sẽ được nhiều chuyên gia đánh dấu nên sẽ không tránh khỏi mâu thuẫn về vị trí của các bất thường, vì thế đề tài đã thực hiện việc hợp nhất các bounding box có IoU >= 0.5 lại với nhau bằng cách tính trung bình tọa độ giữa chúng. Tiếp theo, nghiên cứu đã sử dựng mô hình lungs-segmentation có sẵn để phân đoạn phổi từ ảnh X-quang ngực ban đầu nhằm thu được mặt nạ (mask) của hai lá phổi. Tiếp tục, đề tài sẽ tính toán trên hai mặt nạ đó để tìm ra bounding box bao quanh toàn vùng phổi, thực hiện trích xuất vùng phổi và chuẩn hóa tất cả chúng về kích thước 640×640 cho việc xây dựng mô hình. Từ các bounding box bao quanh vùng phổi đã có, luận văn tiến hành cập nhật lại các bounding box vùng bất thường bên trong vùng phổi với vùng phổi mới được trích xuất. Phương pháp trên nhằm giảm kích thước của ảnh và loại bỏ đi các chi tiết thừa trong hình ảnh. Cuối cùng, chúng tôi tiến hành huấn luyện mô hình phát hiện đối tượng trong ảnh với giải thuật YOLOv5 cho tập dữ liệu đã trích xuất vùng phổi và tập dữ liệu ảnh X-quang ngực gốc để đánh giá, so sánh hiệu quả của các mô hình. Kết quả thực nghiệm cho thấy phương pháp trích xuất vùng phổi hoạt động tốt. Đó là cơ sở để xây dựng mô hình phát hiện bất thường trong ảnh X-quang ngực với giải thuật YOLOv5. Tuy nhiên, mô hình đạt kết quả không vượt trội với các chỉ số đánh giá AP@.5 và AP@.5:.95 lần lượt là 0.378 và 0.179, các giá trị tương ứng của mô hình trên tập ảnh X-quang ngực ban đầu là 0.377 và 0.177.