Phân loại hạch ung thư phổi bằng mô hình 3D-CNN

Bài viết trình bày việc đề xuất sử dụng mô hình Convolutional Neural Network với dữ liệu đầu vào là ảnh chụp cắt lớp có cấu trúc 3D nhằm tận dụng cấu trúc, đặc trưng hình thái học của dữ liệu dựa trên kiến trúc mạng Resnet kết hợp với một số kỹ thuật học sâu nhằm tối ưu tính hiệu quả phân loại bệnh trên tập dữ liệu.
Nội dung trích xuất từ tài liệu:
Phân loại hạch ung thư phổi bằng mô hình 3D-CNNKỷ 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.2020.00198 PHÂN LOẠI HẠCH UNG THƯ PHỔI BẰNG MÔ HÌNH 3D-CNN Trần Văn Quang1, Trần Đình Toàn2, Lê Mậu Long3, Lê Minh Hưng1 1 Trường Đại học Công nghệ thông tin, ĐHQG TP. HCM 2 Trường Đại học Công nghiệp thực phẩm TP. HCM 3 Trường Đại học Nguyễn Tất Thành 16521004@gm.uit.edu.vn, toantd@hufi.edu.vn, lmlong@ntt.edu.vn, hunglm@uit.edu.vn TÓM TẮT: Bệnh ung thư phổi là căn bệnh có tỉ lệ tử vong cao ở tất cả mọi giới và mọi lứa tuổi, việc chẩn đoán để sàng lọcbệnh bằng ảnh cắt lớp (CT) là biện pháp tiềm năng có thể giảm tỉ lệ tử vong. Nhưng quá trình chẩn đoán bệnh thường tốn khá nhiềuthời gian của bác sỹ và bệnh nhân. Việc xây dựng một hệ thống hỗ trợ chẩn đoán dấu hiệu ung thư tự động là cần thiết và đã cónhiều cách tiếp cận được sử dụng cho bài toán phân loại bệnh đã được đề xuất. Một cách tiếp cận thông thường trước đây là việc sửdụng các đặc trưng thiết kế thủ công, sau đó sử dụng các thuật toán máy học để phân loại việc này các đặc trưng đã trích xuất dẫnđến hệ thống không đạt hiệu quả cao. Xu hướng hiện nay là sử dụng mô hình học sâu, cụ thể là mạng nơron tích chập(Convolutional Neural Network - CNN) đang được đề xuất đã mang lại nhiều kết quả tốt. Tuy nhiên, có hai vấn đề phải xem xét khisử dụng một mô hình học sâu trên dữ liệu ảnh 3D. Thứ nhất, cấu trúc dữ liệu đầu vào thông thường là ảnh 2D, điều đó sẽ làm mấtmát một số đặc trưng có giá trị của dữ liệu do ảnh chụp cắt lớp có cấu trúc 3D. Thứ hai, trong lĩnh vực y tế, các bộ dữ liệu thườngcó số lượng tương đối nhỏ, trong khi để có thể huấn luyện mô hình học sâu thì yêu cầu dữ liệu rất lớn. Trong bài báo này, chúng tôiđề xuất sử dụng mô hình Convolutional Neural Network với dữ liệu đầu vào là ảnh chụp cắt lớp có cấu trúc 3D nhằm tận dụng cấutrúc, đặc trưng hình thái học của dữ liệu dựa trên kiến trúc mạng Resnet kết hợp với một số kỹ thuật học sâu nhằm tối ưu tính hiệuquả phân loại bệnh trên tập dữ liệu. Chúng tôi tiến hành 05 thực nghiệm trên bộ dữ liệu LNDb (Lung Nodule Database) với hai kiếntrúc mạng 3D Restnet-18 và 3D Restnet-10 kết hợp với các phương pháp cân bằng dữ liệu khác nhau. Từ khóa: Deep learning, lung nodule, 3D Convolutional Neural Network, Resnet. I. GIỚI THIỆU Ung thư phổi là căn bệnh gây tử vong cao trên thế giới [1]. Tuy nhiên, ung thư phổi có thể được chữa khỏi mộtcách hiệu quả nếu bệnh nhân có thể được chẩn đoán sớm ở giai đoạn đầu, trước khi bệnh bước vào giai đoạn phát triển.Do đó, quá trình điều trị sẽ phụ thuộc rất lớn vào việc có thể phát hiện được ung thư phổi, hay phát hiện hạch phổi.Theo một nghiên cứu của NLST [2], việc sử dụng ảnh chụp cắt lớp liều thấp (LDCT) là phương pháp hiệu quả trongviệc phát hiện ung thư phổi ở giai đoạn đầu, có tiềm năng lớn khi có thể giảm tỉ lệ tử vong được 20 %. Khi chẩn đoán các dấu hiệu ung thư thông qua quan sát ảnh LDCT (Low-dose computed tomography) phổi củabệnh nhân, một bác sĩ X-quang sẽ dựa trên các tiêu chuẩn về dấu hiệu của một tổn thương trên ảnh phổi bao gồm: kíchthước, tính chất, sự hình thành gai và vị trí xuất hiện. Công việc này đòi hỏi tiêu tốn nhiều chi phí cả về thời gian vàtiền bạc của bác sĩ và bệnh nhân. Bởi vì hình dáng và kết cấu của một tổn thương phổi có được xem như là một hạchung thư hay không là rất đa dạng và khó xác định đối với bác sĩ chẩn đoán. Ngoài ra, sự tương tự nhau của các dấu hiệutại một vị trí quan sát nhằm xác định đó là ung thư hay không ung thư cũng ảnh hưởng rất nhiều và làm giảm hiệu quảcủa việc chẩn đoán sớm. Đã có nhiều nghiên cứu với mục đích xây dựng các hệ thống hỗ trợ chẩn đoán trên ảnhLDCT, đặc biệt là các nghiên cứu sử dụng mô hình học sâu CNN (Convolutional Neural Network) đang đem lại nhiềukết quả tích cực trong hỗ trợ phát hiện và chấn đoán bệnh. Nhưng cần chú ý rằng, các mô hình học sâu thường phụthuộc vào các bộ dữ liệu lớn và có độ tin cậy cao đối với sự chính xác trong các nhãn được gán bởi bác sĩ, do đó, cácbộ dữ liệu lớn, công khai mang một ý nghĩa rất lớn trong các nghiên cứu, ví dụ như bộ dữ liệu LIDC-IDRI [3]. Do đó,việc tìm kiếm, sử dụng bộ dữ liệu thích hợp cho việc phát triển hệ thống hỗ trợ chẩn đoán bệnh là một trong những yếutố tiên quyết. Bên cạnh đó, có nhiều nghiên cứu liên quan đến bài toán phân loại nốt sần (hạch) phổi. Trước đây, các hệ thốngphân loại hạch phổi thường sử dụng phương pháp trích xuất đặc trưng phân biệt dựa trên cấu trúc hình học về kíchthước, tính chất, sự hình thành gai, tính tăng trưởng và vị trí xuất hiện. Các thuộc tính được trích xuất sẽ được đưa vàocác thuật toán máy học để phân loại và đánh giá tính hiệu quả của mô hình thông qua độ chính xác, tốc độ và mức độtự động hóa của hệ thống. Trong đó, việc trích xuất các đặc trưng là tương đối thủ công, phụ thuộc khá nhiều vào ngườitrích xuất. Do đó, nếu cần cải tiến, nâng cấp hệ thống thì sẽ gặp khá nhiều khó khăn và bị giới hạn. Gần đây, các môhình học sâu “deep learning” đang được nhiều sự chú ý và áp dụng đối với các nghiên cứu liên quan đến bài toán nốtsần phổi. Hiệu quả mang đến của các phương pháp này tương đối khả quan, khi dùng mô hình này có thể tự trích xuấtcác đặc trưng từ tập dữ liệu mà không phụ thuộc nhiều vào người trích xuất đặc trưng thủ công. Đặc biệt, mô hình cóthể học được các đặc trưng tổng quá hơn mà con người không nhận ra hay khó có thể phân biệt được, kết quả áp dụngvào bài toán phân loại nốt sần phổi cũng đã cho ra các kết quả tốt. Cụ thể, Chen và các cộng sự đã đề xuất áp dụng mô ...