Phân loại khối u não qua ảnh chụp cổng hưởng từ MRI bằng mạng Nơron tích chập

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI
KHOA CÔNG NGHỆ THÔNG TIN
----------o0o----------

ĐỒ ÁN CHUYÊN NGÀNH
NGÀNH : KHOA HỌC MÁY TÍNH
Đề tài: Phân loại khối u não qua ảnh chụp cổng hưởng từ - MRI bằng mạng
Nơ-ron tích chập

Giảng viên hướng dẫn: TS. Nguyễn Mạnh Cường
Lớp

: 20231IT6052002

Nhóm

: 17

SV thực hiện

: Phạm Cao Lương-2020605264
Bùi Duy Nghiêm-2020604948
Bùi Hồng Quân-2020606682

Hà Nội -2024


MỤC LỤC
LỜI MỞ ĐẦU .................................................................................................................1
NỘI DUNG......................................................................................................................3
CHƯƠNG 1: KHẢO SÁT VÀ PHÁT BIỂU BÀI TỐN ..............................................3

1.1Tìm hiểu sơ bộ về bệnh u não .................................................................................3
1.1.1 Khối u não ........................................................................................................3
1.1.2 Tần xuất xuất hiện............................................................................................3
1.1.3 Sự nguy hiểm ...................................................................................................3
1.1.4 Phân biệt u não và ung thư não ........................................................................3
1.1.5 Khối u não nguyên phát và di căn ...................................................................4
1.1.6 Vị trí của u não.................................................................................................4
1.1.7Triệu chứng khối u não .....................................................................................5
1.1.8 Nguyên nhân và các yếu tố nguy cơ ................................................................ 6
1.1.9 Sự di truyền của khối u não .............................................................................6
1.1.10 Chẩn đoán khối u não ....................................................................................7
1.1.11 Phân loại khối u não.......................................................................................8
1.2 Thực trạng bệnh ung thư não trên thế giới và Việt Nam .......................................9
1.2.1 Thực trạng trên thế giới ..................................................................................9
1.2.3 Thực trạng ở Việt Nam ..................................................................................12
1.3 Phát biểu bài toán .................................................................................................16
1.3.1 Hiện trạng vấn đề và hướng xử lý .................................................................16
1.3.2 Sơ bộ về bài toán: ..........................................................................................17
CHƯƠNG 2: CÁC KỸ THUẬT GIẢI QUYẾT BÀI TOÁN .......................................21
2.1 Phương hướng tiếp cận bài toán...........................................................................21
2.2 Một số kỹ thuật giải quyết bài toán ......................................................................21
2.2.1 Máy vectơ hỗ trợ (Support Vector Machine - SVM) .....................................22
2.2.2 K láng giềng gần nhất (K-Nearest Neighbor – K-NN) ..................................23
2.2.3 Mạng nơ ron tích chập (Convolutional neural network - CNN) ...................25
CHƯƠNG 3:THỰC NGHIỆM......................................................................................31
3.1 Nội dung chương trình thực nghiệm ....................................................................31
TỔNG KẾT ...................................................................................................................39
TÀI LIỆU THAM KHẢO ............................................................................................. 40

DANH MỤC HÌNH ẢNH
Hình 1:Giải phẫn và chức năng não bộ . .........................................................................5
Hình1.2:Số liệu ca mắc trên thế giới .............................................................................10
Hình1.3:Số liệu tử vong trên thế giới ............................................................................10
Hình1.4:Số liệu hồi phục trên thế giới .......................................................................... 11
Hình1.5:Số liệu dự đốn ca mắc mới trên thế giới ........................................................ 11
Hình1.6:Số liệu dự đốn ca tử vong mới trên thế giới .................................................12
Hình1.7:Số liệu ca mắc ở Việt Nam ..............................................................................13
Hình1.8:Số liệu ca tử vong ở Việt Nam ........................................................................14
Hình1.9:Số ca sống sót ở Việt Nam...............................................................................15
Hình2.1:Minh họa thuật tốn SVM ...............................................................................22
Hình2.2:Cơng thức KNN ............................................................................................... 24
Hình2.3:Hình ảnh minh họa mạng CNN .......................................................................25
Hình2.4:Hình ảnh minh họa mạng AlexNet ..................................................................26
Hình2.5:Hình ảnh minh họa mạng VGG .......................................................................27
Hình2.6:Hình ảnh minh họa mạng ResNet....................................................................28
Hình2.7ResNet sử dụng kết nối tắt xuyên qua một hay nhiều lớp ................................ 29


LỜI CẢM ƠN

Trước tiên với tình cảm sâu sắc và chân thành nhất, cho phép
chúng em được bày tỏ lòng biết ơn đến các thầy cô của trường Đại
học Công Nghiệp Hà Nội, đặc biệt là các thầy cô khoa Công Nghệ
Thông Tin của trường đã tạo điều kiện cho chúng em có một kỳ đồ án
tốt nghiệp. Và em cũng xin chân thành cảm ơn thầy giáo Tiến Sĩ
Nguyễn Mạnh Cường – người đã tận tâm hướng dẫn chúng em qua
từng buổi nói chuyện, hướng dẫn, thảo luận về các lĩnh vực trong đề
tài.
Trong quá trình làm đồ án, cũng như là trong q trình làm bài

báo cáo, khó tránh khỏi sai sót. Chúng em rất mong nhận được ý kiến
đóng góp từ thầy cơ để học thêm được nhiều kinh nghiệm và sẽ hoàn
thành tốt hơn bài báo cáo tốt nghiệp sắp tới.
Chúng em xin chúc thầy cô luôn dồi dào sức khỏe, luôn vui vẻ
và thành công trong cuộc sống
Chúng em xin chân thành cảm ơn
Nhóm thực hiện
Nhóm 17


LỜI MỞ ĐẦU

Trong thế kỷ 21, sự bùng nổ của cơng nghệ thơng tin và trí tuệ
nhân tạo đã thay đổi cách chúng ta tiếp cận và giải quyết các vấn đề y
học. Một trong những ứng dụng quan trọng nhất của trí tuệ nhân tạo
trong lĩnh vực y học là khả năng phân loại và nhận dạng bệnh lý dựa
trên hình ảnh y học. Đặc biệt, trong việc chẩn đoán các bệnh liên quan
đến não, như các khối u não, trí tuệ nhân tạo đã trở thành một phần
quan trọng của q trình chẩn đốn và điều trị.
Khối u não là một bệnh lý nguy hiểm và phức tạp. Các loại khối
u có thể đa dạng về kích thước, hình dạng, vị trí và tính chất. Việc
chẩn đốn đúng loại khối u và xác định tính bình hoặc ác tính của nó
là quan trọng để đưa ra quyết định về phương pháp điều trị phù hợp.
Chẩn đốn sai có thể dẫn đến q trình điều trị khơng cần thiết hoặc
trễ chẩn đốn có thể gây nguy hiểm đến sức khỏe của bệnh nhân.
Trong bối cảnh này, ảnh chụp cộng hưởng từ-MRI (Magnetic
Resonance Imaging) đã trở thành công cụ quan trọng trong việc đánh
giá các vấn đề liên quan đến não. MRI cung cấp hình ảnh cận thực và
chi tiết về cấu trúc của não, giúp chuyên gia y tế dự đoán và phân loại
khối u. Tuy nhiên, việc phân loại các loại khối u dựa trên ảnh MRI vẫn

đòi hỏi sự can thiệp của các chuyên gia và có thể mắc nhiều khó khăn.
Với sự phát triển của trí tuệ nhân tạo, đặc biệt là mạng nơ ron
tích hợp (CNN), chúng ta đã có cơ hội tự động hóa quá trình phân loại
khối u não từ ảnh MRI. Mạng nơ ron tích hợp đã tỏ ra xuất sắc trong
việc nhận dạng và phân loại đối tượng trong hình ảnh, và có tiềm năng
lớn trong lĩnh vực y học.
Với mục tiêu ứng dụng trí tuệ nhân tạo vào phân loại khối u não
từ ảnh chụp cộng hưởng từ-MRI, đề tài này ra đời. Chúng tôi đặt ra
mục tiêu nghiên cứu và phát triển một hệ thống sử dụng mạng nơ ron
tích hợp để phân loại các loại khối u não một cách tự động và chính
xác. Điều này có thể giúp rút ngắn thời gian chẩn đốn, đảm bảo tính
chính xác và đồng thời giảm bớt gánh nặng cho các chuyên gia y tế.

1


Trong phần tiếp theo của đề tài, chúng tôi sẽ trình bày chi tiết về
phương pháp và quy trình thực hiện, bao gồm việc thu thập và tiền xử
lý dữ liệu, xây dựng mơ hình CNN, và thực nghiệm trên tập dữ liệu
thực tế. Chúng tôi hy vọng rằng đề tài này sẽ đóng góp vào việc cải
thiện chẩn đốn và điều trị các khối u não, làm giảm tải công việc của
các chuyên gia y tế và tạo ra một hướng tiến bộ trong lĩnh vực y học
sử dụng trí tuệ nhân tạo.
Nội dung quyển báo cáo đồ án tốt nghiệp sẽ bao gồm các
chương như sau:
Chương 1: Khảo sát và phát biểu bài tốn
Trong chương 1 ,nhóm tiến hành khảo sát sơ bộ về các thông tin
liên quan đến tình trạng u não ở người ,hiện trạng bệnh ở trên tồn thế
giới nói chung và ở Việt Nam nói riêng .Sau đó nhóm tìm hiểu các kỹ
thuật có thể dùng trong việc chẩn đoán .Sau phần khảo sát ,trình bày

về bài tốn được đặt ra là phân loại khối u qua hình ảnh .
Chương 2: Các kỹ thuật giải quyết bài toán
Sau khi đã phát biểu và xác định rõ rang u cầu bài tốn, nhóm
sẽ trình bày các kỹ thuật giải quyết bài toán cũng như các ưu và nhược
điểm của chúng.
Chương 3: Thực nghiệm
Tại chương 3, nhóm tập trung về q trình thực nghiệm cũng
như các kết quả đạt được sau đó.
Phần Tổng kết
Cuối cùng trong phần kết luật, tổng hợp các kết quả đạt được,
các hướng phát triển và mở rộng đề tài nghiên cứu trong tương lai

2


NỘI DUNG
CHƯƠNG 1: KHẢO SÁT VÀ PHÁT BIỂU BÀI TỐN

1.1Tìm hiểu sơ bộ về bệnh u não
1.1.1 Khối u não
Khối u não là sự phát triển của các tế bào bất thường trong
não. Giải phẫu của não rất phức tạp, với các phần khác nhau chịu
trách nhiệm cho các chức năng khác nhau của hệ thần kinh. Các
khối u não có thể phát triển ở bất kỳ phần nào của não hoặc hộp
sọ, bao gồm cả lớp màng bảo vệ, mặt dưới của não (nền sọ), thân
não, các xoang và khoang mũi cũng như nhiều khu vực khác. Có
hơn 120 loại khối u khác nhau có thể phát triển trong não, tùy
thuộc vào loại mô mà chúng phát sinh.[1]
1.1.2 Tần xuất xuất hiện
Tỷ lệ mắc u não ác tính nguyên phát chuẩn hóa theo độ

tuổi tồn cầu hàng năm là ~3,7 trên 100.000 đối với nam và 2,6
trên 100.000 đối với nữ. Tỷ lệ này dường như cao hơn ở các
quốc gia phát triển hơn (nam, 5,8 và nữ, 4,1 trên 100.000) so với
các quốc gia phát triển ít hơn. các nước phát triển (nam 3,0 và nữ
2,1 trên 100.000).[2]
1.1.3 Sự nguy hiểm
(Các thông tin từ 1.1.3 đến 1.1.11 được trích dẫn từ tài liệu
tham khảo [3])
Các khối u não rất nguy hiểm vì chúng có thể gây áp lực
lên các phần não khỏe mạnh hoặc lan sang các khu vực đó. Một
số khối u não cũng có thể là ung thư hoặc trở thành ung thư.
Chúng có thể gây ra vấn đề nếu chặn dòng chất lỏng xung quanh
não, điều này có thể dẫn đến tăng áp lực bên trong hộp sọ. Một
số loại khối u có thể lan truyền qua dịch tủy sống đến các vùng
xa của não hoặc cột sống.
1.1.4 Phân biệt u não và ung thư não

3


Tất cả các bệnh ung thư não đều là khối u, nhưng không
phải tất cả các khối u não đều là ung thư. Các khối u não không
ung thư được gọi là khối u não lành tính.
Các khối u não lành tính thường phát triển chậm, có đường
viền rõ ràng và hiếm khi lan rộng. Các khối u lành tính vẫn có
thể nguy hiểm. Chúng có thể làm tổn thương và chèn ép các bộ
phận của não, gây rối loạn chức năng nghiêm trọng. Các khối u
não lành tính nằm ở khu vực quan trọng của não có thể đe dọa
tính mạng. Rất hiếm khi một khối u lành tính có thể trở thành ác
tính. Ví dụ về các khối u lành tính điển hình bao gồm u màng

não, u bao thần kinh tiền đình và u tuyến yên.
1.1.5 Khối u não nguyên phát và di căn
Khối u não nguyên phát là khối u bắt đầu trong não. Ví dụ
về các khối u thường bắt nguồn từ não bao gồm u màng não và u
thần kinh đệm. Rất hiếm khi những khối u này có thể vỡ ra và
lan sang các phần khác của não và tủy sống. Thông thường hơn,
các khối u lan đến não từ các bộ phận khác của cơ thể.
Các khối u não di căn, còn gọi là khối u não thứ phát, là
những khối u ác tính có nguồn gốc từ ung thư ở nơi khác trong
cơ thể và sau đó di căn (lan rộng) đến não. Các khối u não di căn
phổ biến hơn khoảng bốn lần so với các khối u não nguyên phát.
Chúng có thể phát triển nhanh chóng, đơng đúc hoặc xâm lấn
các mơ não gần đó.
1.1.6 Vị trí của u não
Các khối u não có thể hình thành ở bất kỳ phần nào của
não, nhưng có một số vùng nhất định hình thành các khối u cụ
thể:
+)U màng não hình thành trong màng não, lớp màng bảo
vệ của não.
+)Các khối u tuyến yên phát triển trong tuyến yên.
+)Các khối u u nguyên bào tủy phát sinh từ tiểu não hoặc
thân não.
4


+)Các khối u nền sọ phát triển ở mặt dưới của não, được
gọi là nền sọ.
1.1.7 Triệu chứng khối u não
Các phần khác nhau của não kiểm soát các chức năng khác
nhau, do đó các triệu chứng của khối u não sẽ khác nhau tùy

thuộc vào vị trí của khối u. Ví dụ, một khối u não nằm ở tiểu não
ở phía sau đầu có thể gây khó khăn khi di chuyển, đi lại, giữ
thăng bằng và phối hợp. Nếu khối u ảnh hưởng đến con đường
quang học, chịu trách nhiệm về thị giác, những thay đổi về thị
lực có thể xảy ra.

Hình 1:Giải phẫn và chức năng não bộ .
(Nguồn :hình ảnh được trích dẫn từ tài liệu tham khảo [6])

Kích thước của khối u và tốc độ phát triển của nó cũng ảnh
hưởng đến các triệu chứng mà một người sẽ gặp phải.
Nói chung, các triệu chứng phổ biến nhất của khối u não có thể
bao gồm:
+)Nhức đầu
5


+)Động kinh hoặc co giật
+)Khó suy nghĩ, nói hoặc tìm từ
+)Thay đổi tính cách hoặc hành vi
+)Yếu, tê hoặc liệt một phần hoặc một bên cơ thể
+)Mất thăng bằng, chóng mặt hoặc đứng khơng vững
+)Mất thính giác
+)Thay đổi tầm nhìn
+)Nhầm lẫn và mất phương hướng
+)Mất trí nhớ
1.1.8 Nguyên nhân và các yếu tố nguy cơ
Các bác sĩ không biết tại sao một số tế bào bắt đầu hình thành tế
bào khối u. Nó có thể liên quan đến gen của một người hoặc mơi
trường của người đó, hoặc cả hai. Một số nguyên nhân và yếu tố nguy

cơ tiềm ẩn của khối u não có thể bao gồm:
+)Ung thư lây lan từ các bộ phận khác của cơ thể
+)Một số điều kiện di truyền khiến một người sản xuất quá mức
một số tế bào
+)Tiếp xúc với một số dạng bức xạ
1.1.9 Sự di truyền của khối u não
Di truyền là nguyên nhân gây ra một số lượng nhỏ (dưới 5%)
các khối u não. Một số tình trạng di truyền khiến các cá nhân có nguy
cơ phát triển khối u cao hơn, bao gồm:
+)Bệnh u xơ thần kinh
+)Bệnh Von Hippel-Lindau
+)Hội chứng Li-Fraumeni
+)Bệnh polyp tuyến gia đình
6


+)Hội chứng Lynch
+)Hội chứng nevus tế bào đáy (hội chứng Gorlin)
+)Bệnh xơ cứng củ
+)Hội chứng Cowden
1.1.10 Chẩn đoán khối u não
Chẩn đoán khối u não thường bao gồm khám thần kinh, quét não
và sinh thiết, nếu việc này có thể được thực hiện một cách an tồn.
Khám thần kinh có thể bao gồm nhiều xét nghiệm khác nhau để
đánh giá các chức năng thần kinh như thăng bằng, thính giác, thị giác
và phản xạ.
Một loạt các kỹ thuật hình ảnh, bao gồm chụp CT (hoặc CAT),
MRI, đôi khi chụp động mạch hoặc chụp X-quang có thể được sử
dụng để xác định khối u, xác định vị trí của nó và/hoặc đánh giá chức
năng não của bạn.

Nếu bác sĩ không thể thực hiện sinh thiết (thu thập và phân tích
mẫu mơ một cách an tồn), họ sẽ chẩn đốn khối u não và lên kế
hoạch điều trị dựa trên các kết quả xét nghiệm khác. Nếu có thể thực
hiện sinh thiết, các bác sĩ có thể sử dụng nó để xác định loại khối u
(mức độ ác tính của nó), cũng như nghiên cứu mơ khối u để tìm bất kỳ
dấu ấn sinh học nào có thể giúp cá nhân hóa phương pháp điều trị.
Tùy thuộc vào triệu chứng của bạn, bác sĩ cũng có thể thực hiện
các xét nghiệm này để giúp xác nhận chẩn đoán và loại trừ các tình
trạng khác:
+)Chọc dị thắt lưng để lấy mẫu dịch não tủy và xem liệu nó có
chứa dấu vết của tế bào khối u hay không.
+)Nghiên cứu điện thế gợi lên để đo hoạt động điện trong dây
thần kinh và/hoặc điện não đồ (EEG) để đo hoạt động điện trong não.
+)Đánh giá nhận thức thần kinh để đánh giá bất kỳ thay đổi nào
về nhận thức và sức khỏe.
7


+)Khám thần kinh nhãn khoa để đánh giá các dấu hiệu khối u
ảnh hưởng đến mắt.
+)Đánh giá nội tiết để đánh giá chức năng hormone.
+)Chẩn đoán đúng là điều cần thiết trong việc xác định quá trình
điều trị tốt nhất.
1.1.11 Phân loại khối u não
Cấp độ của khối u não xác định mức độ nghiêm trọng của nó. Sử
dụng mẫu sinh thiết, bác sĩ giải phẫu bệnh sẽ kiểm tra khối u dưới
kính hiển vi để xác định cấp độ của nó. Phân loại khối u não là một hệ
thống phân loại mô tả các tế bào khối u não và cho biết khả năng khối
u phát triển và lan rộng như thế nào.
Việc phân loại khối u não sử dụng thang điểm từ 1 (ít hung hăng

nhất) đến 4 (tích cực nhất).
-Khối u não độ I:
+)Lành tính (khơng ung thư).
+)Phát triển chậm.
+)Các tế bào trơng gần như bình thường dưới kính hiển vi.
+)Thường gắn liền với sự sống cịn lâu dài.
+)Hiếm gặp ở người lớn.
-Khối u não độ II:
+)Tăng trưởng tương đối chậm.
+)Đơi khi lan sang các mơ bình thường gần đó và quay trở
lại (tái phát).
+)Các tế bào trơng hơi bất thường dưới kính hiển vi.
+)Đơi khi tái phát dưới dạng khối u cấp độ cao hơn.
-Khối u não độ III:
+)Ác tính (ung thư).
8


+)Tích cực tái tạo các tế bào bất thường.
+)Khối u lan sang các phần bình thường gần đó của não.
+)Các tế bào trơng bất thường dưới kính hiển vi.
+)Có xu hướng quay trở lại, thường là khối u cấp độ cao
hơn.
-Khối u não độ IV:
+)Ác tính.
+)Hung hăng nhất.
+)Phát triển nhanh.
+)Dễ dàng lây lan sang các phần bình thường gần đó của
não.
+)Tích cực tái tạo các tế bào bất thường.

+)Các tế bào trơng rất bất thường dưới kính hiển vi.
+)Khối u hình thành các mạch máu mới để duy trì sự phát
triển nhanh chóng.
+)Các khối u có các vùng tế bào chết ở trung tâm (gọi là
hoại tử).
1.2 Thực trạng bệnh ung thư não trên thế giới và Việt Nam
(Các số liệu ở mục 1.2 được trích dẫn từ tài liệu tham khảo [4])
1.2.1 Thực trạng trên thế giới
Số liệu ca mắc , tử vong ,số người còn sống trong khoảng 5
năm sau khi mắc hoặc được chẩn đoán qua các châu lục theo
Globalcon 2020:
+)Ca mắc :

9


Hình1.2:Số liệu ca mắc trên thế giới

+)Tử vong:

Hình1.3:Số liệu tử vong trên thế giới

+)Sống sót sau 5 năm :

10


Hình1.4:Số liệu hồi phục trên thế giới

Qua các khảo sát của các tổ chức thế giới về số liệu từ năm 2020

đến năm 2030 từ độ tuổi 0-85+, ta thấy được sẽ có từ 308 nghìn ca
mắc mới vào năm 2020 đến 372 nghìn ca vào năm 2030 ,ước tính tăng
thêm 64 nghìn ca mắc mới trong khoảng thời gian 10 năm .

Hình1.5:Số liệu dự đốn ca mắc mới trên thế giới

11


Số lượng các ca tử vong ở năm 2020 là 251 nghìn ca và 2030 là
310 nghìn ca .Tăng thêm 59 nghìn ca trong khoảng thời gian 10 năm .

Hình1.6:Số liệu dự đoán ca tử vong mới trên thế giới

1.2.3 Thực trạng ở Việt Nam
Việt Nam có 3120 ca mắc mới với tỉ lệ 2,9 người mắc trên 100
000 người

12


Hình1.7:Số liệu ca mắc ở Việt Nam

13


Số ca tử vong là 2614 ca ,tỷ lệ 2,4 ca trên 100 000 người

Hình1.8:Số liệu ca tử vong ở Việt Nam

14


Số ca sống hơn 5 năm là 8080 ca chiếm tỷ lê 8,3 trên 100 000 ca
tổng số các ca hồi phục của tất cả các loại ung thư

Hình1.9:Số ca sống sót ở Việt Nam

15


1.3 Phát biểu bài toán
1.3.1 Hiện trạng vấn đề và hướng xử lý
Như các vấn đề liên quan đến sức khỏe khác ,việc chẩn đoán và
điều trị sớm mang đến các lợi ích to lớn cho người bệnh và tạo cơ hội
cho nghiên cứu và phát triển các tri thức về y học .Ở Việt Nam ,qua
các số liệu đã công bố cho thấy số lượng người dân bị mắc các bệnh
ung thư nói riêng và các loại u não nói chung rất khổng lồ lên tới hàng
trăm nghìn ca mắc mới mỗi năm được phát hiện và đang có xu hướng
tăng cao vì nhiều lí do khác nhau như môi trường sống , phong cách
,xu hướng sinh hoạt của người dân khơng lành mạnh.
Qua tìm hiểu sơ bộ ở phần 1.1 ,nhóm 17 thấy được rằng một
trong những cách để phát hiện ,chẩn đoán ,khối u não nhanh ,chi tiết
và hiệu quả nhất mà không cần phẫu thuật là bằng cách chụp cộng
hưởng từ MRI.Nhưng hiện nay các máy móc chiếu chụp chỉ mang
cơng dụng hiện thỉ hình ảnh cho đội ngũ chuyên gia y tế,chưa thể phân
loại cũng như tự nhận dạng được xem hình ảnh có khối u hay khơng
có khối u hay khơng hay ở vị trí nào .Với sự phát triển của trí tuệ nhân
tạo mạnh mẽ hiện nay ,công nghệ này đã thay đổi cuộc sống con
người ở nhiều khía cạnh khác nhau như thúc đẩy tiến bộ y tế, giáo

dục,giao thông , sản xuất ,… Deep learning là một phần của trí tuệ
nhân tạo (AI) và là một phương pháp học máy đặc biệt dựa trên mạng
nơ-ron học sâu. Nó có khả năng tự động học cách trích xuất đặc điểm
và thơng tin quan trọng từ dữ liệu, đặc biệt là từ hình ảnh.
Công nghệ phân loại ảnh dựa trên deep learning sử dụng các mơ
hình học sâu, chẳng hạn như mạng nơ-ron tích chập (CNN), để xử lý
hình ảnh và phân loại đối tượng hoặc hiện tượng trong hình ảnh. Các
mơ hình này học cách nhận dạng các đặc điểm và mẫu dữ liệu trong
hình ảnh và đưa ra dự đốn phân loại dựa trên các đặc trưng đã học.
Ứng dụng của công nghệ phân loại ảnh dựa trên deep learning
rất đa dạng, bao gồm nhận diện khuôn mặt, phát hiện đối tượng, phân
loại sản phẩm trong mua sắm trực tuyến, phân loại thư rác, và nhiều
16


ứng dụng khác. Nó đã tạo ra sự tiến bộ đáng kể trong việc tự động
phân loại và hiểu hình ảnh, mang lại lợi ích cho nhiều lĩnh vực khác
nhau.
Vậy để hỗ trợ các chuyên gia y tế trong công cuộc nghiên cứu
các tri thức y tế ,nhóm 17 đưa ra một đề xuất về việc phân loại các
khối u não bằng cơng nghệ mạng nơ-ron tích chập qua các hình ảnh
chụp cộng hưởng từ khu vực đầu .
1.3.2 Sơ bộ về bài tốn:
-) Mục đích :
Hệ thống có thể nhận diện khối u ở đâu và phân loại rằng ảnh
MRI này là có khối u hay khơng ,nếu có thì là khối u gì trong 3 loai:u
thần kinh đêm-Glioma tumor,u màng não-Meningioma tumor,u tuyến
yên- pituitary tumor
-Tính năng chính: Phân loại hình ảnh
-) Đầu vào và đầu ra của bài tốn

Đầu vào của bài tốn:
+)Bộ dữ liệu hình ảnh MRI chụp u não ở các góc độ ngẫu nhiên
đã được phân thành 4 loại: u thần kinh đêm-Glioma tumor,u
màng não-Meningioma tumor,u tuyến n- pituitary tumor,no
tumor-khơng có u[5]

17


Hình1.10:Các góc độ của ảnh chụp

Kết quả dự kiến : Loại u não
-)Ứng dụng
Phân loại khối u bằng deep learning có nhiều ứng dụng quan
trọng trong lĩnh vực y tế và chăm sóc sức khỏe. Dưới đây là một số
ứng dụng cụ thể:
+)Chẩn đoán và phát hiện sớm khối u: Deep learning có thể giúp
trong việc chẩn đốn khối u trong hình ảnh y học, chẳng hạn như hình
ảnh MRI, CT, hoặc siêu âm. Nó có khả năng phát hiện sớm khối u
trong các bức ảnh và cung cấp các chỉ số dự đoán cho các chuyên gia
y tế, giúp họ xác định nguy cơ và mức độ nghiêm trọng của bệnh.
+)Đánh giá biểu đồ xâm nhập và phát triển của khối u: Deep
learning có thể được sử dụng để theo dõi phát triển và biểu đồ xâm
nhập của khối u qua thời gian. Điều này giúp theo dõi tình hình của
bệnh, đánh giá tác động của liệu pháp, và đưa ra quyết định về điều trị
tiếp theo.
18


+)Lập kế hoạch điều trị cá nhân hóa: Dựa trên thơng tin từ phân

loại khối u, deep learning có thể giúp tạo ra kế hoạch điều trị cá nhân
hóa cho mỗi bệnh nhân. Điều này có thể bao gồm lựa chọn loại liệu
pháp phù hợp và quyết định về phẫu thuật nếu cần. Nghiên cứu và
phát triển thuốc: Deep learning có thể được sử dụng để phân tích các
dữ liệu nghiên cứu liên quan đến khối u và biểu đồ phản ứng của bệnh
viện các loại thuốc. Điều này giúp trong việc phát triển các loại thuốc
mới hoặc cải tiến liệu pháp hiện tại cho điều trị khối u.
+)Hỗ trợ quyết định cho phẫu thuật: Deep learning có thể hỗ trợ
các bác sĩ trong việc quyết định liệu phải tiến hành phẫu thuật loại bỏ
khối u hay khơng. Nó có thể giúp đánh giá tính chính xác của phẫu
thuật và dự đốn kết quả sau phẫu thuật.
+)Phân tích dữ liệu lớn và sổ ghi chép y tế: Deep learning có thể
được sử dụng để phân tích dữ liệu lớn và sổ ghi chép y tế để tạo ra
thông tin quý báu cho nghiên cứu y tế và quản lý bệnh viện. Phân loại
khối u bằng deep learning không chỉ giúp tăng cường khả năng chẩn
đoán và điều trị bệnh, mà cịn có thể giúp tiết kiệm thời gian và tài
ngun trong lĩnh vực y tế, và tạo ra cơ hội cho sự cá nhân hóa trong
việc điều trị bệnh.
Phân loại khối u bằng deep learning không chỉ giúp tăng cường
khả năng chẩn đốn và điều trị bệnh, mà cịn có thể giúp tiết kiệm thời
gian và tài nguyên trong lĩnh vực y tế, và tạo ra cơ hội cho sự cá nhân
hóa trong việc điều trị bệnh.
-) Thách thức
Có một số thách thức và khó khăn quan trọng khi áp dụng deep
learning để phân loại khối u trong lĩnh vực y tế:
Dữ liệu y tế có hạn: Việc thu thập dữ liệu y tế là một quá trình
đắt đỏ và phức tạp. Dữ liệu y tế thường hiếm hoi, và việc xây dựng bộ
dữ liệu lớn và đa dạng là một thách thức. Điều này có thể dẫn đến mơ
hình khơng đủ dữ liệu để đảm bảo tính chính xác.
Bảo mật và quyền riêng tư: Dữ liệu y tế thường chứa thông tin

cá nhân nhạy cảm, và việc bảo vệ sự riêng tư và tuân thủ các quy tắc
về quyền riêng tư là một vấn đề quan trọng. Điều này có thể tạo ra hạn
19


chế trong việc chia sẻ và sử dụng dữ liệu y tế cho mục đích nghiên
cứu và phát triển mơ hình.
Chẩn đốn và phân loại đa dạng: Có nhiều loại khối u não và
các tình trạng y tế khác có thể có các biểu hiện tương tự, làm cho q
trình phân loại trở nên khó khăn. Điều này địi hỏi mơ hình deep
learning phải có khả năng phân biệt giữa các biểu hiện khác nhau với
độ chính xác cao.
Chất lượng dữ liệu khơng đồng đều: Dữ liệu y tế có thể bị ảnh
hưởng bởi nhiễu và chất lượng thấp, ví dụ: sự biến đổi của ánh sáng
trong hình ảnh, chất lượng kỹ thuật, hoặc sự biến đổi trong quy trình
ghi hình. Điều này có thể làm cho việc xây dựng mơ hình chính xác
trở nên phức tạp hơn.
Xác minh kết quả và hiệu suất mơ hình: Điều quan trọng trong
lĩnh vực y tế là xác minh độ chính xác và hiệu suất của mơ hình. Cần
phải thực hiện các thử nghiệm lâm sàng và so sánh kết quả dự đoán
của mơ hình với nhận định của các chun gia y tế.
Quy định và chứng nhận: Các mơ hình deep learning trong lĩnh
vực y tế thường cần phải tuân thủ quy định và chứng nhận cụ thể, và
điều này có thể đòi hỏi thời gian và tài nguyên đáng kể.
Việc áp dụng deep learning trong lĩnh vực y tế là một thách thức
đầy khó khan do tính đặc thù của dữ liệu và nhiều yếu tố khác. Tuy
nhiên, nó có tiềm năng lớn để cải thiện chẩn đoán, điều trị và quản lý
bệnh viện, và nó có thể đem lại lợi ích lớn cho sức khỏe con người

20

CHƯƠNG 2: CÁC KỸ THUẬT GIẢI QUYẾT BÀI TOÁN

2.1 Phương hướng tiếp cận bài tốn
Q trình giải quyết bài tốn bắt đầu bằng việc thu thập và tiền
xử lý các bộ dữ liệu thực nghiệm liên quan tới ảnh chụp cộng hưởng
từ não Tiếp đến là nghiên cứu và áp dụng kỹ thuật trí tuệ nhân tạo để
nhận dạng và phân loại.
2.2 Một số kỹ thuật giải quyết bài toán
Phần lớn các kỹ thuật giải quyết bài toán phân loại thường sử
dụng nhãn cho từng loại u. Các kỹ thuật này có thể chia thành 3
phương pháp dựa trên tính khả dụng cho các nhãn là:
• Phân loại u não bằng kỹ thuật học có giám sát (Supervised
Learning): là thuật toán dự đoán đầu ra (outcome) của một dữ liệu mới
(new input) dựa trên các cặp (input, outcome) đã biết từ trước. Cặp dữ
liệu này còn được gọi là (data, label), tức (dữ liệu, nhãn). Supervised
learning là nhóm phổ biến nhất trong các thuật tốn Machine
Learning.
• Phân loại u não bằng kỹ thuật học không giám sát
(Unsupervised Learning): Trong thuật tốn này, chúng ta khơng biết
được outcome hay nhãn mà chỉ có dữ liệu đầu vào. Thuật tốn
unsupervised learning sẽ dựa vào cấu trúc của dữ liệu để thực hiện
một cơng việc nào đó, ví dụ như phân nhóm (clustering) hoặc giảm số
chiều của dữ liệu (dimension reduction) để thuận tiện trong việc lưu
trữ và tính tốn. Một cách tốn học, Unsupervised learning là khi
chúng ta chỉ có dữ liệu vào X mà khơng biết nhãn Y tương ứng.
• Phân loại u não bằng kỹ thuật học bán giám sát (SemiSupervised Learning): Các bài tốn khi chúng ta có một lượng lớn dữ
liệu X nhưng chỉ một phần trong chúng được gán nhãn được gọi là
Semi-Supervised Learning. Những bài toán thuộc nhóm này nằm giữa

hai nhóm Supervised Learning và Unsupervised Learning.

21