Ứng dụng YOLOv8 phát hiện gãy xương vùng tay chân từ ảnh X-quang

Nghiên cứu này giới thiệu về ứng dụng của công nghệ học sâu, cụ thể là mô hình YOLOv8, trong việc phát hiện các vết gãy xương từ hình ảnh chụp X-quang. Giải pháp này được áp dụng trong lĩnh vực y tế nhằm cung cấp một công cụ tự động và hiệu quả để xác định các vị trí gãy xương từ hình ảnh X-quang.
Nội dung trích xuất từ tài liệu:
Ứng dụng YOLOv8 phát hiện gãy xương vùng tay chân từ ảnh X-quang ỨNG DỤNG YOLOV8 PHÁT HIỆN GÃY XƯƠNG VÙNG TAY CHÂN TỪ ẢNH X-QUANG Phan Văn Bảo An 1, Nguyễn Văn Trọng 2, Huỳnh Nguyễn Thành Luân3 2. Lớp CH22HTTT01, Trường Đại học Thủ Dầu Một; 3. Trường Đại học Thủ Dầu Một 1. Email: phanan.admin@gmail.comTÓM TẮT Nghiên cứu này giới thiệu về ứng dụng của công nghệ học sâu, cụ thể là mô hình YOLOv8,trong việc phát hiện các vết gãy xương từ hình ảnh chụp X-quang. Giải pháp này được áp dụngtrong lĩnh vực y tế nhằm cung cấp một công cụ tự động và hiệu quả để xác định các vị trí gãyxương từ hình ảnh X-quang. Nghiên cứu tập trung vào việc thu thập dữ liệu từ hệ thống PACScủa bệnh viện để huấn luyện trong YOLOv8. Kết quả thực nghiệm cho thấy mô hình YOLOv8 đềxuất có khả năng phát hiện các vết gãy xương, rạn xương ở tay chân với độ chính xác cao. Việcáp dụng giải pháp này giúp giảm thời gian và công sức mà bác sĩ phải bỏ ra trong quá trình chẩnđoán, đồng thời cũng có thể giảm chi phí so với việc dùng các phương pháp hình ảnh phức tạpnhư máy quét CT. Điều này cũng tăng cơ hội điều trị thành công và cải thiện chăm sóc sức khỏecho bệnh nhân, nhờ vào việc phát hiện sớm bệnh lý gãy xương từ hình ảnh X-quang. Từ khóa: học sâu, phát hiện gãy xương, hình ảnh X-quang, YOLOv8 , CNN.1. ĐẶT VẤN ĐỀ Bệnh lý gãy xương là một vấn đề y tế phổ biến trên toàn thế giới, ảnh hưởng đến hàngtriệu người mỗi năm Trong y học, việc chẩn đoán và điều trị bệnh lý gãy xương đòi hỏi sự chínhxác và kỹ thuật cao từ các chuyên gia y tế [1]. Tình hình này không chỉ ảnh hưởng đến sức khỏevà chất lượng cuộc sống của bệnh nhân mà còn đặt ra thách thức lớn cho các hệ thống y tế. Tínhđến hiện nay, việc chẩn đoán bệnh lý gãy xương chủ yếu dựa vào phân tích hình ảnh X-quang,Chụp cắt lớp vi tính (CT scanner), một công cụ quan trọng và phổ biến trong lĩnh vực y học.Tuy nhiên, quá trình đọc và đánh giá hình ảnh X-quang đôi khi gặp phải những hạn chế về thờigian, kỹ năng và nguồn lực. Trong quá trình chẩn đoán và điều trị y tế, việc sử dụng các kỹthuật hình ảnh như X-quang và CT scanner đóng vai trò vô cùng quan trọng. Tuy nhiên, chúngta thường gặp phải tình trạng không khai thác hết thông tin từ các kết quả X-quang, dẫn đếnviệc tăng chi phí điều trị và không hiệu quả trong quản lý bệnh lý. Trong bối cảnh này, công nghệ học sâu đã mở ra những triển vọng mới trong việc tự độngphân tích và phát hiện bệnh lý gãy xương từ hình ảnh X-quang. Các mô hình học sâu, nhưYOLOv8, đã được áp dụng để giải quyết vấn đề này. Mặc dù tiềm năng của công nghệ học sâutrong việc phát hiện gãy xương là không thể phủ nhận, nhưng việc áp dụng vào thực tế và sốlượng nghiên cứu liên quan vẫn còn hạn chế. Để hiểu rõ hơn về hiệu suất và độ chính xác củacác mô hình học sâu trong điều kiện thực tế, cần có thêm nhiều nghiên cứu, đồng thời giải quyếtcác thách thức liên quan đến dữ liệu và kỹ thuật. Do đó, trong bài báo này, chúng tôi sẽ phát triển và ứng dụng của công nghệ học sâu [2],đặc biệt là mô hình YOLOv8, trong việc phát hiện và chẩn đoán bệnh lý này từ hình ảnh X-quang. 7842. GIỚI THIỆU YOLO: 2.1 YOLO (You Only Look Once) là một phương pháp học sâu cho việc phát hiện đốitượng, sử dụng một lần duy nhất qua mạng nơ-ron để dự đoán cả hộp giới hạn và xác suất của đốitượng. Điều này tạo nên sự khác biệt so với các phương pháp trước đây, nơi mà các trình phânloại được tái sử dụng để phát hiện đối tượng. YOLO nổi bật với khả năng xử lý nhanh chóng, phùhợp cho các ứng dụng thời gian thực và đã vượt qua các thuật toán khác về hiệu suất. Từ khi ra mắt vào năm 2015, YOLO đã trải qua nhiều phiên bản cải tiến, mỗi phiên bảnđều cải thiện từ phiên bản trước. YOLO chia hình ảnh đầu vào thành lưới S × S và mỗi ô lưới sẽdự đoán hộp giới hạn và điểm tin cậy. Điểm tin cậy phản ánh khả năng mô hình dự đoán chínhxác hộp giới hạn chứa đối tượng. Trong quá trình đào tạo, chỉ một hộp giới hạn dự đoán đượcchọn cho mỗi đối tượng dựa trên chỉ số IOU cao nhất, giúp mô hình chuyên môn hóa trong việcdự đoán kích thước, tỷ lệ khung hình, hoặc loại đối tượng cụ thể, từ đó cải thiện recall score.NMS (non-maximum suppression) là một kỹ thuật hậu xử lý quan trọng trong YOLO, giúp loạibỏ các hộp giới hạn dư thừa và không chính xác, chỉ giữ lại hộp giới hạn tốt nhất cho mỗi đốitượng, từ đó cải thiện độ chính xác và hiệu quả của việc phát hiện đối tượng. 2.2 YOLOv8: Được công bố vào đầu năm 2023 [3], YOLOv8 đã mang lại nhiều điểm tíchcực so với phiên bản tiền nhiệm, như phát hiện không dùng anchor, giới thiệu lớp tích chập C3và tăng cường mosaic. Những thay đổi trong YOLOv8 với phiên bản trước của nó, YOLOv5.Có hai thay đổi chính: + Anchor-Free Detection: Để hiểu về Anchor-Free Detection, trước tiên cần hiểu vềanchor boxes. Anchor boxes giải quyết một vấn đề lớn trong phát hiện đối tượng. Trước khi cóanchor boxes, một đối tượng được gán cho một ô lưới chứa điểm giữa của đối tượng đã cho.Nếu hai đối tượng có cùng điểm trung tâm, việc xây dựng hộp giới hạn và phân bổ chúng vàocác lớp riêng lẻ trở nên rất phức tạp. + Kỹ thuật Tăng cường Dữ liệu Mosaic: Trong quá trình huấn luyện, YOLOv8 thực hiệnnhiều kỹ thuật tăng cường cho ảnh huấn luyện. Một trong những kỹ thuật này là tăng cường dữliệu mosaic. Tăng cường dữ liệu mosaic là một kỹ thuật đơn giản, trong đó bốn hình ảnh khácnhau được nối lại với nhau và đưa vào mô hình như đầu vào. Điều này giúp mô hình học đượccác đối tượng thực sự từ các vị trí khác nhau và trong trạng thái bị che khuất. Việc thực hiệntăng cường dữ liệu Mosaic đã cho thấy làm giảm hiệu suất, vì vậy nó đã được chuyển sang sửdụng cho 10 epoch cuối cùng. Trong thực tế y học hiện đại, hình ảnh X-quang vẫn là công cụ chính để đánh giá và chẩnđoán các bệnh lý gãy xương. Tuy nhiên, quá trình đọc và phâ ...