Kết hợp đặc trưng sâu trong hỗ trợ chẩn đoán ung thư vú trên nhũ ảnh X quang

Bài viết đề xuất một giải pháp có thể hỗ trợ bác sỹ hình ảnh phát hiện chính xác bệnh ung thư vú và phân loại ung thư khi chụp X-quang tuyến vú bằng cách sử dụng phương pháp huấn luyện end-to-end kết hợp với mô hình CNN state-of-the-art EfficientNetB3.
Nội dung trích xuất từ tài liệu:
Kết hợp đặc trưng sâu trong hỗ trợ chẩn đoán ung thư vú trên nhũ ảnh X quangKỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Nha Trang, ngày 8-9/10/2020DOI: 10.15625/vap.2020.00170 KẾT HỢP ĐẶC TRƯNG SÂU TRONG HỖ TRỢ CHẨN ĐOÁN UNG THƯ VÚ TRÊN NHŨ ẢNH X-QUANG Nguyễn Chí Thanh1, Võ Thị Huyền Trang1, Lê Minh Hưng1, Hoàng Lê Uyên Thục2 1 Trường ĐH Công nghệ thông tin - Đại học Quốc gia TP. HCM 2 Trường Đại học Bách khoa - Đại học Đà Nẵng 16521118@gm.uit.edu.vn, 16521283@gm.uit.edu.vn, hunglm@uit.edu.vn, hluthuc@dut.udn.vn TÓM TẮT: Bệnh Ung thư vú là loại ung thư nguy hiểm nhất đối với phụ nữ, các phương pháp sàng lọc bệnh phổ biến làchẩn đoán dựa trên nhũ ảnh, kết quả chẩn đoán bệnh lệ thuộc vào chất lượng ảnh và chuyên môn của bác sĩ. Điều này dẫn đến tốnchi phí, thời gian, công sức mà hiệu quả đạt được không cao. Hiện nay, có nhiều hệ thống hỗ trợ các bác sĩ hình ảnh nâng cao khảnăng chẩn đoán bệnh qua nhũ ảnh như phần mềm phát hiện và chẩn đoán bằng máy tính (Computer Aided Diagnosis - CAD) đãđược phát triển và ứng dụng lâm sàng từ những năm 1990, có nhiều phương pháp mới sử dụng deep learning, mạng neuron tíchchập để tự động học và trích xuất các đặc trưng giúp mang lại độ chính xác cao hơn các phương pháp truyền thống. Tuy nhiên, cácphương pháp hiện nay chỉ mới tập trung vào phân loại mà không chỉ ra cụ thể vùng bệnh (tổn thương) nên gây rất nhiều khó khăncho việc chẩn đoán và điều trị bệnh. Trong bài báo này, chúng tôi đề xuất một giải pháp có thể hỗ trợ bác sỹ hình ảnh phát hiệnchính xác bệnh ung thư vú và phân loại ung thư khi chụp X-quang tuyến vú bằng cách sử dụng phương pháp huấn luyện end-to-endkết hợp với mô hình CNN state-of-the-art EfficientNetB3. Thực nghiệm được tiến hành trên các ảnh chụp X-quang tuyến vú đã đượcsố hóa từ tập dữ liệu Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM), mô hình tốtnhất đạt AUC là 0,91 (độ nhạy: 81 % , độ đặc hiệu: 83 %). Từ khóa: Mammograms, Breast cancer, Deep Convolutional Neural Networks (DCNNs), EfficientNet. I. GIỚI THIỆU Sự phát triển nhanh chóng của khoa học máy tính, cụ thể sự bùng nổ của máy học, đặc biệt là học sâu tiếp tụcthúc đẩy các nhà khoa học máy tính chuyên nghiên cứu y khoa quan tâm đến việc áp dụng các kỹ thuật mới này để hỗtrợ cho bác sỹ cải thiện độ chính xác của việc chẩn đoán ung thư. Ung thư vú là một trong những nguyên nhân chínhgây tử vong do ung thư ở phụ nữ Mỹ [1] và chụp nhũ ảnh để sàng lọc bệnh là việc quan trọng đã được chứng minh giúpgiảm tỷ lệ tử vong [2]. Mặc dù, nhũ ảnh được sử dụng rộng rãi trong chẩn đoán ung thư, nhưng việc giải thích nhữnghình ảnh này vẫn còn nhiều thách thức. Xác định dương tính giả (có bệnh) có thể gây ra những lo lắng không đáng cócho bệnh nhân và kéo theo các thủ tục chẩn đoán xâm lấn không cần thiết, tốn kém hay ung thư bị bỏ sót trong sàng lọc(âm tính giả) có thể không được xác định cho đến khi bệnh phát triển nặng hơn. Computer-aided detection (CAD) đượcphát triển để giúp bác sĩ X-quang thuận tiện trong việc đọc nhũ ảnh. Ban đầu, một số nghiên cứu đã đưa ra các kết luậnvề tương lai đầy hứa hẹn của CAD [3], [4], [5], [6]. Tuy nhiên, trong hơn thập kỷ qua, nhiều nghiên cứu kết luận rằngCAD hiện đang được sử dụng không cải thiện hiệu suất của bác sĩ X-quang trong công việc hàng ngày ở Mỹ [7], [8],[9]. Với sự thành công vượt bậc của học sâu trong nhận dạng và phát hiện đối tượng [10], ngày càng xuất hiện nhiềunghiên cứu phát triển các công cụ học sâu để hỗ trợ các bác sĩ X-quang nhằm cải thiện độ chính xác của chẩn đoán trênnhũ ảnh [11], [12], [13], [14], [15]. Các nghiên cứu cũng chỉ ra rằng một hệ thống CAD dựa trên học sâu hoạt động tốttương đương với hiệu suất của bác sĩ X-quang độc lập [16], [17]. Nhũ ảnh là ảnh có kích thước lớn, việc phát hiện vùng ung thư (vùng tổn thương) trên nhũ ảnh là vùng bấtthường có kích thước rất nhỏ so với kích thước của ảnh rất khó khăn và là thách thức lớn. Ví dụ, nhũ ảnh thuộc bộ dữliệu CBIS-DDSM thường là 3000×5000 pixel trong khi vùng quan tâm có khả năng gây ung thư (ROI) có thể nhỏ tới100×100 pixel. Ngoài ra, vùng tổn thương có thể xuất hiện ở những vị trí khó phát hiện như ở cơ ngực và các vùng dàyđặc trong ảnh nên rất khó để nhận ra. Vì vậy, nhiều nghiên cứu đã giới hạn lại, chỉ tập trung vào việc phân loại các chúthích tổn thương [18], [19], [20], [21], [22]. Mặc khác, sự hạn chế của các bộ dữ liệu nhũ ảnh và rất ít bộ dữ liệu nhũảnh đã công khai được chú thích đầy đủ [23] cộng với việc hiếm khi có sẵn chú thích tổn thương mà chỉ chú thích tìnhtrạng như ung thư hay không ung thư, đây cũng là một thách thức lớn. Pre-traini ...