Luận án tiến sĩ nghiên cứu xử lý ảnh spect tim trong hỗ trợ chẩn đoán bệnh động mạch vành (tt)

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Nguyễn Thành Trung

NGHIÊN CỨU XỬ LÝ ẢNH SPECT TIM TRONG HỖ TRỢ
CHẨN ĐOÁN BỆNH ĐỘNG MẠCH VÀNH

Ngành: Kỹ thuật điện tử
Mã số: 9520203

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ

Hà Nội – 2021


Cơng trình được hồn thành tại:
Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học:
TS. Nguyễn Thái Hà
GS. TS. Nguyễn Đức Thuận

Phản biện 1:
Phản biện 2:
Phản biện 3:

Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến
sĩ cấp Trường họp tại Trường Đại học Bách khoa Hà Nội

Vào hồi …….. giờ, ngày ….. tháng ….. năm ………

Có thể tìm hiểu luận án tại thư viện:
1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội
2. Thư viện Quốc gia Việt Nam


MỞ ĐẦU
Lý do chọn đề tài, mục đích nghiên cứu
Bệnh động mạch vành là bệnh lý tim mạch hay gặp nhất, là
nguyên nhân gây tử vong hàng đầu trên thế giới. Tổ chức y tế thế giới
ước tính có tới 3,8 triệu đàn ông và 3,4 triệu phụ nữ chết vì bệnh động
mạch vành mỗi năm. Tại các nước ở Bắc Mỹ và Tây Âu, tỉ lệ chết vì
bệnh này đã giảm nhưng tại các nước đang phát triển, trong đó có Việt
Nam, tỉ lệ này đang tăng nhanh với ước tính chỉ ra rằng khoảng 82%
tỉ lệ chết vì bệnh động mạch vành trong tương lai.
Xạ hình tưới máu cơ tim (Myocardial Perfusion Imaging) là
phương pháp chẩn đoán bệnh thiếu máu cơ tim cục bộ khơng chảy
máu có độ nhạy và độ đặc hiệu cao. Kỹ thuật này được thực hiện rộng
rãi tại các nước phát triển bởi những giá trị chẩn đốn nó mang lại.
Tuy nhiên, kỹ thuật xạ hình tưới máu cơ tim là một kỹ thuật khó, trải
qua nhiều bước thực hiện từ dược chất phóng xạ, ghi hình, xử lý hình
ảnh và đọc kết quả. Độ chuẩn xác của các bước này ảnh hưởng tới độ
chính xác của chẩn đốn. Trong các yếu tố làm giảm độ chính xác của
chẩn đốn thì nhiễu suy giảm trong khi ghi hình và sai sót chủ quan
của bác sĩ đọc kết quả là những yếu tố quan trọng gây ảnh hưởng tới
chất lượng chẩn đoán.
Một, nhiễu suy giảm là hiện tượng suy giảm photon khi đi qua
các tổ chức mơ có tỉ trọng khác nhau, làm cho các photon khơng đến
được các đầu dị của máy chụp cắt lớp phát xạ vi tính đơn photon
(SPECT), dẫn đến phân bố phóng xạ ở cơ tim ghi bởi máy SPECT

khơng chính xác. Để giải quyết vấn đề này, nhiều giải pháp đã được
đưa ra như chụp nằm sấp, cải tiến thuật toán tái tạo và hiệu quả nhất
bây giờ là gắn thêm một máy chụp cắt lớp vi tính (CT) vào cùng máy
SPECT. Tuy nhiên, giá thành máy SPECT sẽ tăng lên đáng kể, kèm
theo đó là các chi phí về phòng ốc và làm tăng nguy cơ mất an tồn
bức xạ…Thêm vào đó, theo thống kê, số lượng máy SPECT đơn thuần
đang chiếm khoảng 80 % trên thế giới nên giải quyết được nhiễu suy
giảm mà vẫn tận dụng được những máy này có ý nghĩa quan trọng.
Hai, sai sót chủ quan của bác sĩ bắt nguồn trình độ chun mơn,
độ phức tạp của hình ảnh, số lượng bệnh nhân lớn, khả năng tập trung,
tâm trạng, sức khỏe…Theo thống kê ở Hoa Kỳ, sai sót chẩn đốn
chung ước tính vào khoảng 10 đến 15% và trong tim mạch hạt nhân là
30 %. Giải pháp hỗ trợ phân loại bệnh nhân có tổn thương và khơng
có tổn thương được phát triển nhằm giúp bác sĩ ra quyết định trên ảnh


SPECT tim. Về cơ bản giải pháp hộ trợ này giống như người đọc thứ
2 có nhiệm vụ xác định tổn thương trên hình ảnh SPECT tim.
Vì vậy, mục đích chính của luận án là đề xuất một giải pháp loại
bỏ nhiễu suy giảm mà không dùng đến máy CT, tận dụng được những
máy SPECT thông thường và giải pháp hỗ trợ bác sĩ ra quyết định trên
ảnh SPECT tim. Tuy nhiên, để giải quyết được hai vấn đề trên, việc
xây dựng cơ sở dữ liệu nhằm thử nghiệm các thuật toán là rất cần thiết.
Đối tượng và phạm vi nghiên cứu của luận án
Đối tượng nghiên cứu của luận án đặc trưng hình ảnh SPECT tim,
mơ hình trong lọc nhiễu và phân lớp.
Phạm vi nghiên cứu của luận án là dữ liệu tại khoa Y học Hạt nhân,
Bệnh viện Trung ương Quân đội 108 từ năm 2015 tới nay, các mơ hình
học máy được áp dụng trong lĩnh vực thị giác máy tính trong những
năm gần đây, đặc biệt là các mơ hình trong lọc nhiễu trong chụp cắt

lớp CT.
Ý nghĩa khoa học và thực tiễn của luận án
Về ý nghĩa khoa học:
Có được một bộ dữ liệu SPECT tim có số lượng lớn, độ chính xác
cao, xây dựng tại cơ sở y học hạt nhân có uy tín được công bố rộng
rãi. Bộ dữ liệu này được xây dựng với các đặc trưng hình ảnh SPECT
tim của người Việt Nam. Đây không chỉ phục vụ cho nghiên cứu của
tác giả mà còn phục vụ các nghiên cứu khác trong xử lý ảnh, hỗ trợ
chẩn đoán bệnh động mạch vành trên ảnh SPECT tim sau này.
Vấn đề xử lý nhiễu suy giảm trên ảnh SPECT tim bằng deep
learning được nghiên cứu tổng thể, có hệ thống trên một cơ sở dữ liệu
lớn, độ chính xác cao, thực hiện tại một cơ sở y học hạt nhân tin cậy.
Mơ hình lọc nhiễu được đề xuất có độ chính xác tương đương việc lắp
thêm một máy chụp cắt lát CT cùng thuật tốn phức tạp vào máy
SPECT thơng thường.
Vấn đề hỗ trợ bác sĩ trong trả lời kết quả xạ hình tưới máu cơ tim
được nghiên cứu tổng thể. Điều đó được thể hiện thông phương pháp
phân loại tổn thương hay không tổn thương được đề xuất.
Về ý nghĩa thực tiễn:
Tập dữ liệu SPECT tim được công bố rộng rãi là động lực để phát
triển các thuật toán học máy của các nghiên cứu xử lý nhiễu suy giảm,
hỗ trợ chẩn đoán sau này.
Giải pháp hiệu chỉnh nhiễu suy giảm bằng mơ hình deep learning
mang lại nhiều ý nghĩa thực tiễn như giảm liều chiếu xạ cho bệnh nhân,


giảm chi phí mua sắm thiết bị, chi phí xây dựng phịng ốc bảo đảm an
tồn bức xạ, tận dụng và phát huy được những máy SPECT đơn thuần
sẵn có, là cảm hứng để phát triển các thế hệ máy SPECT tiếp theo
trong tương lai, mở rộng áp dụng để hiệu chỉnh suy giảm cho ảnh

PET/CT ảnh PET/MR…
Giải pháp hỗ trợ chẩn đốn sẽ phân loại có tổn thương hay khơng
có tổn thương cơ tim trên ảnh SPECT tim. Các bác sĩ sẽ tập trung phân
tích nhiều hơn vào các trường hợp nghi ngờ, giảm sai sót, tăng độ
chính xác chẩn đoán.
Cấu trúc luận án
Luận án bao gồm 4 chương, chương 1 trình bày tổng quan về
bệnh động mạch vành, các phương pháp chẩn đốn, phương pháp xạ
hình tưới máu cơ tim bằng máy SPECT, các hạn chế và phương pháp
hỗ trợ. Chương 2 của luận án trình bày xây dựng bộ cơ sở dữ liệu
SPECT tim làm cơ sở để thử nghiệm và đánh giá các thuật toán học
máy. Tiếp theo, chương 3 đề xuất mơ hình lọc nhiễu suy giảm cho các
máy SPECT khơng có chức năng hiệu chỉnh này bằng CT. Chương 4
đề xuất 2 giải pháp hỗ trợ chẩn đốn trên hình ảnh SPECT tim là nâng
cao chất lượng hình ảnh cho máy SPECT thơng thường và mơ hình hỗ
trợ ra quyết định nhằm nâng cao độ chính xác chẩn đốn. Phần cuối
cùng của luận án là kết luận và hướng phát triển của đề tài.
CHƯƠNG 1. TỔNG QUAN VỀ PHƯƠNG PHÁP XẠ HÌNH
TƯỚI MÁU CƠ TIM BẰNG MÁY SPECT
1.1. Bệnh lý động mạch vành
Ở hầu hết các nước trên thế giới, trong đó có Việt Nam, bệnh
động mạch vành CAD (coronary artery disease) là vấn đề quan tâm
hàng đầu của y học hiện đại vì tỷ lệ mắc ngày càng cao và là một trong
những nguyên nhân chính gây tử vong, mất sức lao động. Với bệnh
nhân bị bệnh động mạch vành, chi phí điều trị rất lớn, đặc biệt là dành
cho việc điều trị khi bệnh ở mức độ nặng hoặc biến chứng.
Xơ vữa động mạch là nguyên nhân chính của bệnh động mạch
vành. Xơ vữa động mạch làm dày thành động mạch, xâm lấn dần vào
trong lịng mạch gây hẹp khẩu kính, dẫn đến giảm lưu lượng dòng
chảy gây triệu chứng thiếu máu cục bộ cơ tim. Thêm nữa, mảng xơ

vữa cũng có thể bị rách, vỡ tạo điều kiện hình thành huyết khối gây bít
tắc lịng mạch, dẫn đến biến chứng nặng nề là nhồi máu cơ tim cấp
(hình 1.1).


Hình 1.1 Bệnh động mạch vành
Có nhiều phương pháp để chẩn đoán bệnh động mạch vành, từ
bệnh sử của cơn đau thắt ngực, đến các xét nghiệm chẩn đốn khơng
xâm lấn như điện tâm đồ, siêu âm, chụp cộng hưởng từ, xét nghiệm
chẩn đoán xâm lấn như chụp mạch cản quang qua da, xạ hình tưới máu
cơ tim...Mỗi xét nghiệm đều có những ưu, nhược điểm riêng. Tuy
nhiên, phương pháp xạ hình tưới máu cơ tim MPI được sử dụng phổ
biến hơn cả trong các trường hợp nguy cơ trung bình và cao vì những
giá trị trong chẩn đốn nó mang lại.
1.2. Xạ hình tưới máu cơ tim bằng máy SPECT
Xạ hình tưới máu cơ tim MPI (myocardial perfusion imaging)
bằng máy chụp cắt lớp phát xạ đơn photon SPECT (single photon
emission computed tomography) là kỹ thuật dùng để đánh giá lượng
máu ni tim có đầy đủ hay khơng trong lúc nghỉ ngơi và vận động
(hình 1.2). Kỹ thuật này thường được chỉ định để tìm nguyên nhân đau
ngực cũng như sau nhồi máu cơ tim để kiểm tra vùng nào của tim
không nhận đủ máu hoặc đánh giá độ rộng tổn thương cơ tim. Bên
cạnh đó, kỹ thuật SPECT MPI cịn được dùng để xác định xem động
mạch vành có bị hẹp hay khơng và hẹp ở mức độ nào.

Hình 1.2 Quy trình xạ hình tưới máu cơ tim
Ngày nay, xạ hình tưới máu cơ tim đã được chấp nhận, sử dụng
rộng rãi, được coi là phương pháp chẩn đoán khơng chảy máu có vai
trị quyết định trong lâm sàng. Các nghiên cứu lâm sàng đã đưa ra

nhiều bằng chứng khoa học thuyết phục về sự chính xác tiên lượng,
định hướng điều trị và theo dõi bệnh động mạch vành của phương
pháp xạ hình tưới máu cơ tim (bảng 1.1).
Bảng 1.1. Độ nhậy, đặc hiệu của SPECT MPI trong chẩn đốn
bệnh động mạch vành
STT

Tác giả

Dược chất phóng xạ

Độ

Đặc hiệu

nhạy
1

Elhendy

2

Azzarelli

3

San Roman

Tetrofosmin

4

Budoff

5

Sestamibi

/

76

73

95

77

87

70

Tetrofosmin

75

71

Iskandrian

Sestamibi

87

69

6

Candell- Riera

Tl - 201

93

94

7

Berman

Sestamibi

96

82

8

Kiat

Sestamibi / Tl - 201

94

80

9

Mahmanrian

Sestamibi

87

87

10

Bệnh

Tl - 201

82 - 86

74 - 78

108

viện

Tetrofosmin

TƯQĐ

Tetrofosmin

/

Sestamibi

Các yếu tố ảnh hưởng tới độ chính xác chẩn đốn như liều lượng
thuốc, kỹ thuật tiêm, kỹ thuật chụp, kỹ thuật xử lý hình ảnh, chuyên
môn bác sĩ, các nhiễu phát sinh...Trong phạm vi nghiên cứu, tác giả
xin trình bầy hai yếu tố cơ bản góp phần lớn vào sai sót là nhiễu do
hiệu ứng suy giảm và yếu tố chủ quan của người đọc kết quả.
Nhiễu ảnh hiệu ứng suy giảm do biến đổi tỉ trọng các mô mềm
gây ra làm giảm độ chính xác, độ đặc hiệu kỹ thuật xạ hình tưới máu
cơ tim. Để khắc phục nhiễu suy giảm, các kỹ thuật chụp SPECT MPI
kết hợp điện tâm đồ ECG-gating MPI, chụp nằm úp được sử dụng để
cải thiện khuyết điểm này. Phương pháp kết hợp ảnh chụp CT để hiệu
chỉnh suy giảm mới được phát triển gần đây, đã tăng độ chính xác
chuẩn đốn hơn so với các phương pháp hiệu chỉnh trên. Tuy nhiên,
số lượng máy sử dụng phương pháp hiệu chỉnh bằng CT cịn hạn chế
vì giá thành đắt lên nhiều, yêu cầu cao hơn cho phòng chụp và bảo
đảm an toàn bức xạ.
Nguyên nhân thứ hai đề cập ở đây chính là sai sót chủ quan của
bác sĩ đọc kết quả. Nguyên nhân này bắt nguồn bởi nhiều yếu tố như
độ phức tạp của hình ảnh, trình độ của bác sĩ, số lượng bệnh nhân
đông, khả năng tập trung, tâm trạng ...dẫn đến bỏ sót tổn thương, thay

đổi chiến lược điều trị sai, gây hậu quả nghiêm trọng.
Với hai yếu tố gây ra sai sót trong chẩn đốn SPECT MPI trình
bày ở trên, việc nghiên cứu xử lý hình ảnh giảm nhiễu suy giảm và hỗ
trợ giảm sai sót chủ quan của bác sĩ là những yêu cầu cấp thiết.
1.3. Giải pháp xử lý ảnh SPECT tim trong hỗ trợ chẩn đoán
bệnh động mạch vành.


Trong những năm gần đây, cộng đồng trí tuệ nhân tạo ở Việt Nam
đã có những bước phát triển lớn. Các nghiên cứu về học máy nói chung
và deep learning đang ngày càng nhiều, đi vào các lĩnh vực trong đó
có xử lý ảnh y tế. Tuy nhiên, các nghiên cứu mơ hình học máy trong
xử lý ảnh SPECT tim thì chưa nhiều. Ngun nhân ban đầu có thể chỉ
ra là cơ sở dữ liệu về lĩnh vực này còn rất hạn chế, khó truy cập.
Theo PubMed, số nghiên cứu trong lĩnh vực tim mạch hạt nhân
năm 2018 tăng gấp đơi so với tổng hai năm trước đó cho thấy sự quan
tâm ngày càng tăng trong học máy. Với góc nhìn hiện tại, theo tác giả
thì các nghiên cứu trước đây cịn tồn tại một số điểm:
Chưa có nghiên cứu nào về hiệu chỉnh nhiễu suy giảm bằng mơ
hình học máy trên một tập dữ liệu lớn. Hầu hết những phương pháp
hiệu chỉnh nhiễu suy giảm hiện tại đều bằng các biện pháp kỹ thuật
thực hành y học, xử lý bằng phần cứng và thuật tốn khơng liên quan
tới trí tuệ nhân tạo. Về ứng dụng học sâu trong hiệu chỉnh nhiễu suy
giảm thì có một nghiên cứu nhưng bộ dữ liệu quá ít với 65 mẫu.
Dữ liệu đầu vào là ảnh cực. Ảnh cực là kết quả của một phép biến
đổi theo hướng dẫn của hội tim mạch hạt nhân Hoa Kỳ và Châu Âu từ
các ảnh lát cắt tim thành một ảnh tổng hợp duy nhất. Tuy nhiên, phép
biến đổi này có nguy cơ làm mất thơng tin trong quá trình biến đổi.
Nếu chỉ đưa ảnh cực vào thì độ chính xác của mơ hình sẽ giảm xuống.
Phương pháp thống kê định lượng như TPD, SRS, SSS, SDS dựa

trên cơ sở dữ liệu bệnh nhân chuẩn của nước chế tạo máy SPECT,
thông thường là Hoa Kỳ. Về đặc điểm sinh học của từng chủng người
là khác nhau nên cơ sở dữ liệu chuẩn cũng khác nhau theo từng nước.
Do vậy, mơ hình chẩn đốn so sánh với TPD, SRS, SSS, SDS cũng
nên áp dụng với từng đối tượng cụ thể.
Thuật toán học máy LogitBoot là một thuật toán học máy cơ bản.
Các thuật tốn hiện nay có hiệu suất cao hơn đã được phát triển.
Mơ hình thuật tốn Deep Learning áp dụng cịn đơn giản, góp
phần dẫn đến kết quả còn chưa cao.
1.4. Kết luận chương 1
Từ những điểm hạn chế trên kết hợp với những điều kiện và yêu
cầu hiện tại, tác giả đề xuất hướng nghiên cứu sau:
Nghiên cứu xây dựng bộ dữ liệu chuẩn SPECT MPI của người
Việt Nam với số mẫu lớn theo tiêu chuẩn bộ dữ liệu chuẩn ImageNet.
Nghiên cứu xây dựng mô hình lọc nhiễu suy giảm cho máy
SPECT thơng thường.


Nghiên cứu xây dựng mơ hình phát hiện tổn thương, hỗ trợ chẩn
đoán.
CHƯƠNG 2. XÂY DỰNG BỘ CƠ SỞ DỮ LIỆU SPECT TIM
2.1. Vấn đề nghiên cứu
Hỗ trợ chẩn đoán bằng máy tính CADx (Computer-aided
diagnosis) được nghiên cứu với mục đích hỗ trợ các bác sĩ trong đọc
kết quả chẩn đốn SPECT MPI, hạn chế các sai sót do chủ quan, kinh
nghiệm lâm sàng và sự phức tạp của hình ảnh… Mặc dù, CADx mang
lại những kết quả nghiên cứu khả quan nhưng nó vẫn chưa được chấp
thuận trong y tế. Một trong những lý do có thể kể đến là chưa có một
cơ sở dữ liệu chuẩn để đánh giá những hệ thống hỗ trợ chẩn đoán.
Hiện nay, hầu hết các nguồn dữ liệu SPECT MPI đều có số lượng

mẫu nhỏ và không được công bố rộng rãi. Điều này khiến cho việc
kiểm chứng và ứng dụng các kết quả nghiên cứu này trở nên rất khó
khăn. Một số bộ dữ liệu có số mẫu lớn nhưng khơng được cơng bố
rộng rãi, mang tính chất cá nhân, tiếp cận khó khăn. Bên cạnh đó,
nhiều nghiên cứu lâm sàng chỉ ra mỗi chủng người khác nhau có đặc
điểm hình ảnh khác nhau. Nghiên cứu xử lý ảnh SPECT tim để hỗ trợ
chẩn đốn cho người Việt Nam thì cần thiết cần có bộ dữ liệu SPECT
tim mang đặc điểm người Việt Nam.
Với những vấn đề trên, để thực hiện nghiên cứu xử lý ảnh SPECT
tim trong hỗ trợ chẩn đoán bệnh động mạch vành, tác giả đã tiến hành
xây dựng một bộ dữ liệu chuẩn có kích thước lớn phục vụ các nghiên
cứu hỗ trợ chẩn đoán SPECT tim. Bộ dữ liệu này được xây dựng từ
những nguồn dữ liệu uy tín nhất hiện tại tại Việt Nam cũng như trong
khu vực. Bộ dữ liệu được xây dựng dựa trên các tiêu chuẩn của bộ dữ
liệu chuẩn ImageNet. Dự kiến bộ dữ liệu SPECT tim có số mẫu 2000,
đủ lớn để đưa vào thử nghiệm các mơ hình học sâu thì mới bảo đảm
độ tin cậy của các kết quả thống kê.
2.2. Quy trình thu thập dữ liệu
Dữ liệu được thu thập tại khoa Y học hạt nhân - Bệnh viện TƯQĐ
108, là đơn vị đầu ngành của cả nước về kỹ thuật xạ hình tưới máu cơ
tim bằng máy SPECT. Khoa có các hệ thống máy SPECT hiện đại như
SPECT/CT OPTIMA, SPECT INFINIA, SPECT VENTRI, chuyên
dụng trong chụp SPECT tim. Đội ngũ đọc kết quả xạ hình tưới máu
cơ tim bao gồm 3 bác sĩ có ít nhất 10 năm kinh nghiệm, được đào tạo
ở các nước có ngành Y học Hạt nhân phát triển như Mỹ, Nhật, Hàn
Quốc, Úc... Thời gian lấy số liệu là từ năm 2015 tới nay trên 3 hệ


thống chụp xạ hình tim là Infinia, Ventri và SPECT/CT Optima. Riêng
dữ liệu từ máy SPECT/CT Optima được sử dụng để thực hiện thử

nghiệm các mơ hình hiệu chỉnh nhiễu suy giảm.
Các quy trình trong thực hành lâm sàng được thực hiện nghiêm
ngặt, có kiểm tra chéo giữa các bước bảo đảm các khâu chuẩn bị thực
hành kỹ thuật không có sai sót. Quy trình chụp hình là quy trình chụp
2 ngày pha nghỉ và pha gắng sức, theo hướng dẫn của hội tim mạch
hạt nhân Hoa Kỳ ACC/AHA/ ASNC (American College of
Cardiology/American Heart Association Task Force on Practice
Guidelines). Tiêu chuẩn loại trừ là các mẫu chỉ chụp một pha (nghỉ
hoặc gắng sức), khơng bảo đảm chất lượng hình ảnh, thiếu thơng tin
lâm sàng, khơng có kết quả.
Bộ dữ liệu nghiên cứu bao gồm 2348 ca chụp SPECT tim từ năm
2015 tới 2020 được thống kê theo bảng 2.1. Dữ liệu này là kết quả sau
hội chẩn của nhiều bác sĩ và đã là cơ sở để điều trị cho bệnh nhân.
Nghiên cứu này được thực hiện với sự cho phép của khoa Y học Hạt
nhân - Bệnh viện TƯQĐ 108.
Bảng 2.1: Dữ liệu nghiên cứu

2.3. Quy trình xử lý, chuẩn hố dữ liệu
Xử lý hình ảnh được thực hiện bởi kỹ thuật viên chụp và được
kiểm tra bởi kỹ thuật viên trưởng với 15 năm kinh nghiệm theo hướng
dẫn của hội tim mạch hạt nhân Hoa Kỳ ASNC. Bác sĩ đọc kết quả có
thể hiệu chỉnh lại vị trí vùng quan tâm chứa tâm thất trái và mặt phẳng
van tim (Valve plane position) nếu cần thiết. Từ những thiết lập này,
ảnh lát cắt và ảnh cực được tạo ra phục vụ đọc kết quả xạ hình như
hình 2.1.
Trên màn hình chẩn đốn, các lát cắt và ảnh bản đồ cực được trình
bày lặp lại nhiều lần, tại các vị trí khác nhau, khơng hiện thị hết các
ảnh lát cắt. Các thơng tin bệnh nhân như tuổi, giới tính, tên… kèm các
ước lượng thống kê được trình bày. Nếu đưa tất cả vào mơ hình học
máy sẽ chiếm rất nhiều tài nguyên. Do vậy, cần thiết lập protocol

chuyên lấy ảnh phục vụ học máy. Tác giả kết hợp với chuyên gia từ


hãng GE cùng với các bác sĩ đã thiết lập protocol chuyên dùng để lấy
ảnh, chỉ hiện thị các ảnh lát cắt và ảnh bản đồ cực (hình 2.2).

Hình 2.1 Ảnh lát cắt, ảnh cực được trình bày theo protocol chẩn đốn

Hình 2.2 Protocol chun lấy ảnh cho học máy
Các thông tin không cần thiết trên ảnh sẽ được loại bỏ, chỉ có các
lát ảnh theo các trục và ảnh cực được giữ lại để giảm khối lượng tính
tốn như so đồ hình 2.3. Tập dữ liệu 2D gồm các panel kích thước
90x90x3x28 (90x90 là kích thước ảnh, 3 là 3 màu RBG, 28 là số lát
cắt mỗi ca) và ảnh cực 352x352x3 (352x352 pixel là kích thước ảnh
cực, 3 là 3 màu RBG). Đối với những bệnh nhân không đủ số lát cát
là 28, tác giả sẽ thêm các ma trận 0 có kích thước tương đồng vào tập
ảnh. Từ các bước như trên, tác giả thu được tập dữ liệu cắt lát 2D, 3D
và ảnh cực.

Hình 2.3 Sơ đồ chuẩn hóa dữ liệu
Bên cạnh hình ảnh, các thơng tin lâm sàng của bệnh nhân như
tuổi, giới tính, các xét nghiệm trước, biện hiện lâm sàng đều được thu
thập. Các thông tin cá nhân của bệnh nhân được loại bỏ để bảo đảm
tính riêng tư. Phần thơng tin lâm sàng là các hệ số nguy cơ, là dữ liệu
đầu vào bổ xung, kết hợp với dữ liệu ảnh để học máy đưa ra dự đốn
chính xác. Do đó, thơng tin lâm sàng sẽ được mã hóa theo dạng có
hoặc khơng có biểu hiện, tương ứng với mã 1 và 0. Các thông tin này
sẽ được đưa vào 1 file text có thứ tự mã hóa như bảng dưới (bảng 2.2).

Bảng 2.2. Bảng mã hóa hệ số nguy cơ

2.4. Gắn nhãn dữ liệu
Bộ dữ liệu sau khi thu thập, được gán nhãn khơng có tổn thương
hay có tổn thương. Q trình này, dựa trên việc phân tích kết luận chẩn
đốn của bác sỹ đối với từng ca chụp. Tuy nhiên do thuật ngữ y khoa
trong kết luận của bác sĩ khơng phải lúc nào cũng trực tiếp chỉ ra tình
trạng tổn thương của bệnh nhân, việc gán nhãn được dựa trên thang
đo 5 bậc (0-bình thường, 1- có lẽ bình thường, 2- không rõ ràng, 3- bất
thường, 4- chắc chắn bất thường). Trong đó, 0-1 được xác định khơng
có tổn thương, 2-4 có khả năng tổn thương. Cách xác định này cũng
đã được thực hiện bởi nghiên cứu trước. Ba bác sĩ tham gia nghiên cứu
sẽ tiến hành gắn nhãn tổn thương hoặc khơng có tổn thương cho từng
mẫu. Kết quả gắn nhãn được kiểm tra chéo giữa các bác sĩ, kiểm tra
chéo với các xét nghiệm điện tim, siêu âm tim để đạt được sự đồng
thuận trên tất cả các mẫu.
Bảng 2.3 Bảng phân loại nhãn
Khơng có tổn thương
Chưa phát hiện hình ảnh thiếu máu cơ tim trên xạ hình

Có tổn thương
Có khuyết xạ tại một vùng cơ tim nhưng khơng khẳng
định bị thiếu máu cơ tim.

Chưa rõ hình ảnh thiếu máu cơ tim trên xạ hình

Có khuyết xạ tại vùng cơ tim, nghi ngờ thiếu máu cơ
tim

Có khuyết xạ thuộc vùng chi phối của một hay nhiều

Thiếu máu cơ tim cục bộ

mạch, nghi ngờ artifact.
Khẳng định tổn thương cơ tim (sẹo cơ tim, nhồi máu,
có hồi phục)

Phần mềm hỗ trợ gắn nhãn dữ liệu được tạo ra với giao diện giống
với phần mềm đọc tim chuyên dụng của hãng GE. Các bác sĩ sẽ xác
định bệnh nhân có tổn thương hay khơng tổn thương, có tổn thương
thì thuộc nhánh nào trong các nhánh RCA, LAD, LCX (hình 2.4).

Hình 2.4 Phần mềm gắn nhãn dữ liệu bệnh nhân


2.5. Xây dựng các tính năng của bộ cơ sở dữ liệu
Trong lĩnh vực trí tuệ nhân tạo nói chung, việc thử nghiệm các
mơ hình học máy địi hỏi rất nhiều thời gian và cơng sức. Các mơ hình
thiết kế không tốt sẽ tốn tài nguyên máy và thời gian huấn luyện rất
lâu. Do vậy, phương pháp tiếp cận vấn đề nghiên cứu rất quan trọng,
làm giảm thời gian nghiên cứu và đạt hiệu quả cao. Tuy nhiên, để có
phương phương tiếp cận tốt cần có những thơng tin từ cơ sở dữ liệu
được trính xuất ra, phục vụ cho việc định hướng, thiết kế mơ hình tốt
hơn.
Trong bộ cơ sở dữ liệu SPECT tim, tác giả xây dựng các phương
thức trích xuất số liệu theo thơng tin u cầu đưa vào ví dụ như tuổi,
nam, nữ, theo một hay nhiều hệ số nguy cơ… Bảng 2.4 dưới ví dụ về
các đặc trưng bộ dữ liệu SPECT tim.
Bảng 2.7. Bảng thống kê thơng tin của bộ dữ liệu
Tuổi trung bình

Nam
Tăng huyết áp
Đau ngực trái
Đái tháo đường
Đã đặt stent
Số lượng tổng

Đặc trưng
64.48
1837 (78,23%)
1425 (60.7%)
1864 (79.4%)
164 (19.76%)
256 (10.9%)
2348

2.6. Nhận xét, đánh giá, so sánh bộ cơ sở dữ liệu
Từ những tiêu chuẩn của bộ dữ liệu chuẩn ImageNET, tác giả đã
xây dựng bộ dữ liệu SPECT tim. Bộ dữ liệu SPECT tim có một số đặc
điểm sau:
Về kích thước, bộ dữ liệu SPECT tim trong luận án có 2348 mẫu
đáp ứng yêu cầu về số mẫu để đưa vào mơ hình học máy. So sánh với
các bộ dữ liệu hiện có về SPECT tim của tác giả Bentacur và Arsanjan
tương ứng với 1638 và 1181 mẫu thì bộ dữ liệu của luận án có số mẫu
lớn hơn.
Về độ cân bằng giữa các nhãn, bộ dữ liệu được xây dựng gồm 02
nhãn chính (có tổn thương và khơng có tổn thương). Trong đó, tỷ lệ
của 02 nhãn này đạt xấp xỉ 50/50, nghĩa là tỉ lệ tương đối đồng đều
giữa các nhãn. Trong điều kiện cần cân bằng hóa, tác giả có thể cắt đi
một số lượng nhỏ để bộ dữ liệu đạt cân bằng hoàn toàn.

Về chất lượng ảnh, bộ dữ liệu trong luận án được thu thập tại đơn
vị y học hạt nhân uy tín, các bác sĩ lâu năm kinh nghiệm, hệ thống
SPECT hiện đại, chất lượng ảnh phân giải cao. Theo quy trình chụp


SPECT, các lát cắt đều được chuẩn hóa về chính giữa ảnh và luôn
được thể hiện ở dạng đầy đủ, do đó dữ liệu khơng có hiện tượng ảnh
bị khuyết một phần, bị che chắn, bị biến dạng như các dữ liệu ảnh
khác.
Về tính đa dạng, tác giả thu thập dữ liệu trên cả 3 máy SPECT
thông dụng nhất hiện nay của hãng GE healthcare là Ventri, Infinia và
Optima trong thời gian dài từ 2015 tới nay. Việc thu thập ở cả 3 máy
và thu thập trong một thời gian dài bảo đảm cho hình ảnh thu được
mang nhiều đặc trưng phổ quát.
Về tiêu chuẩn gắn nhãn, tập dữ liệu ảnh SPECT tim được gắn
nhãn thủ công bởi 3 bác sĩ Y học Hạt nhân, bệnh viện Trung ương
Quân đội 108. Các bác sĩ đều có ít nhất 10 năm kinh nghiệm trong
thực hiện kỹ thuật xạ hình tưới máu cơ tim bằng máy SPECT. Đồng
thời, dữ liệu được kiểm tra chéo giữa các bác sĩ để tránh sai sót. Những
trường hợp khơng có sự thống nhất giữa các bác sĩ đều được bàn bạc
và đi đến quyết định chung. Gán nhãn dữ liệu cho ảnh SPECT tim, bác
sĩ cũng dựa trên các xét nghiệm khác làm cơ sở đối chứng như siêu
âm tim và điện tim. Những ca bệnh có biểu hiện lâm sáng ở siêu âm
và điện tim trùng với tổn thương trên hình ảnh cơ tim thì được lấy vào
nghiên cứu.
2.7. Kết luận chương 2
Trong chương này, tác giả đã xây dựng một tập dữ liệu số lượng
lớn tới 2348 mẫu, đáng tin cậy, được công bố rộng rãi, mang các đặc
điểm lâm sàng của người Việt Nam, đủ cho các thuật toán học sâu,
theo các tiêu chuẩn như bộ dữ liệu chuẩn ImageNet. Bộ dữ liệu này sẽ

là cơ sở để thử nghiệm và đánh giá các mơ hình học sâu trong hiệu
chỉnh nhiễu suy giảm và hỗ trợ chẩn đoán được thực hiện trong chương
3 và chương 4 của luận án.
Bên cạnh đó, bộ dữ liệu cịn có thể hỗ trợ các vấn đề khác như
định lượng tổn thương cơ tim, dự đoán tái tưới máu, dự đốn tử vong
vì bệnh tim, dự đốn biến cố tim bất lợi, tự động định vị mặt phẳng
van tim...
Kết quả của nghiên cứu này được trình bày trong bài báo “Về một
bộ dữ liệu xạ hình tưới máu cơ tim phục vụ việc xây dựng, đánh giá
các mô hình học máy dị tìm tổn thương cơ tim” trên tạp chí Nghiên
cứu khoa học và cơng nghệ qn sự tháng 6 năm 2020. Trong tương
lai gần, bộ cơ sở dữ liệu xạ hình tưới máu cơ tim bằng máy SPECT sẽ
được cập nhật, tăng số lượng mẫu từ số lượng bệnh nhân không chỉ ở


khoa Y học Hạt nhân, bệnh viện Trung ương Quân đội 108 mà còn ở
bệnh viện Tim Hà Nội, bệnh viện Đa khoa Quảng Ninh. Điều này là
cơ sở để tăng tính đa dạng, phong phú của bộ dữ liệu và nâng cao độ
chính xác của mơ hình lọc nhiễu và hỗ trợ chẩn đoán.
CHƯƠNG 3. XÂY DỰNG BỘ LỌC NHIỄU SUY GIẢM SỬ
DỤNG MẠNG DEEP LEARNING.
3.1. Vấn đề nghiên cứu
Trong chẩn đốn bệnh động mạch vành, chất lượng hình ảnh MPI
đóng vai trị là vơ cùng quan trọng. Tuy nhiên, nhiễu suy giảm do thay
đổi mật độ mô mềm là nguyên nhân hàng đầu làm giảm chất lượng
hình ảnh và độ chính xác trong chẩn đốn SPECT MPI. Nhiễu suy
giảm thường xảy ra ở nam giới trong suy giảm cơ hoành, ở phụ nữ ở
vú và ở những bệnh nhân có chỉ số khối cơ thể lớn (BMI).
Cho đến nay, phương pháp hiệu quả nhất để khắc phục nhiễu suy
giảm là kết hợp máy quét CT vào hệ thống SPECT. Tuy nhiên, việc

bổ sung thiết bị CT dẫn đến giá đắt hơn nhiều, yêu cầu cao hơn cho
phòng và đảm bảo an tồn bức xạ, thu tín hiệu phức tạp và dễ bị lỗi
trong quá trình ghép hình ảnh CT và SPECT do chuyển động của bệnh
nhân. Bên cạnh đó, số máy SPECT thơng thường chiếm tới 80% trên
thế giới.
Trước vấn đề đó, tác giả đề xuất giải pháp tạo ảnh hiệu chỉnh suy
giảm AC từ ảnh ban đầu NC bằng thuật tốn nội suy dựa trên mơ hình
học máy 3D Convolutional Auto-Encoder (3D-CAE) và 3DUnetGAN.
3.2. Xây dựng mô hình lọc nhiễu suy giảm cho ảnh 3D SPECT
MPI
3.2.1. Các mơ hình CAE, GAN, U-net
Mơ hình tự mã hóa (auto-encoder) có kiến trúc như một mạng
deep-learning cơ bản, gồm 3 loại lớp chính là đầu vào, các lớp ẩn và
đầu ra. Một điểm khác duy nhất là đầu vào của mơ hình cũng chính là
đầu ra. Ví dụ một mạng tự mã hóa như hình 3.1 dưới.

Hình
3.1. CAE trong lọc nhiễu
Hình 3.12 Mạng CAE trong lọc nhiễu
Các lớp ẩn gồm: Lớp nén dữ liệu (Encoder), vector h và Lớp giải
nén dữ liệu (Decoder). Một trong những ứng dụng nổi bật của mạng


tự mã hóa là khả năng lọc nhiễu. Khả năng này có được trong q trình
chuyển đổi số chiều dữ liệu, từ lớp nén dữ liệu hạ chiều đến lớp giải
nén dữ liệu phục hồi số chiều dữ liệu. Trong q trình hạ chiều dữ liệu,
hiện tượng mất mát thơng tin sẽ xảy ra. Tuy nhiên, chỉ từ thông tin về
số chiều dữ liệu được giữ lại (vector h), muốn khơi phục bức ảnh ban
đầu thì mạng nén dữ liệu bắt buộc phải lựa chọn nhưng đặc trưng tốt
nhất lưu giữ lại trong vector h, cịn những thơng tin khơng quan trọng

sẽ loại bỏ. Đây chính ý tưởng để lọc nhiễu ảnh.
Mạng U-net do Olaf Ronneberger và cộng sự phát triển với mục
đích ứng dụng để phân lớp trong ảnh y học (hình 3.2). Kiến trúc của
mạng này gồm 2 phần: nén dữ liệu (encoder) (phần bên trái) và giải
nén dữ liệu (decoder) (phần bên phải).

Hình 3.2 Mơ hình mạng U-net
Phần nén dữ liệu bản chất là mạng nơron tích chập CNN bình
thường, nhưng bỏ đi những lớp FC cuối cùng, gồm các lớp tích chập
và lớp gộp lấy giá trị lớn nhất (max pool) với các quy tắc đơn giản.
Các lớp phía sau có chiều rộng và cao giảm dần còn chiều sâu tăng
lên. Phần giải nén dữ liệu khơi phục lại kích thước ảnh gốc với lớp
transposed convolution. Các đường màu xám nối liền các lớp trước và
lớp sau với mục đích tránh hiện tượng biến mất đạo hàm (vanishing
gradient) và truyền tải các thông tin cần thiết từ lớp trước tới lớp sau.
Mạng Gan (Generative Adversarial Networks) sinh ra dữ liệu mới
sau quá trình học (hình 3.3). Về cấu trúc, GAN gồm 2 phần: generator
(G) - trình tạo và discriminator (D) - trình so sánh. Về hoạt động, trình
tạo sinh ra các dữ liệu giống như thật thì trình so sánh cố gắng phân
biệt đâu là dữ liệu được sinh ra từ trình tạo và đâu là dữ liệu thật có.
Khi cả trình tạo và trình so sánh đạt tới trạng thái cân bằng Nash thì
GAN hội tụ.


Hình 3.3 Sơ đồ mạng GAN
3.2.2 Đề xuất mơ hình 3D Convolutional Auto-Encoder (3D-CAE)
trong hiệu chỉnh nhiễu suy giảm
Trong nghiên cứu này, tác giả đề xuất mơ hình 3D-CAE để áp
dụng cho vấn đề dự đốn hình ảnh AC từ NC. Kiến trúc mơ hình bao
gồm ba lớp chập và ba lớp gộp ở phía bộ mã hóa và cấu trúc đảo ngược

tương tự ở phía bộ giải mã. Kiến trúc của phương pháp 3D-CAE được
hiển thị trong hình 3.4, kích thước của mỗi lớp được hiển thị trong
bảng 3.1.

Hình 3.4 Kiến trúc 3D-CAE đề xuất
Trong các thử nghiệm, tác giả đã sử dụng mơ hình 2D-CAE (có
cùng số lớp CNN) làm đường cơ sở. Tác giả huấn luyện cả hai mơ
hình với 3 cấu hình khác nhau về kích thước kernel CNN (3x3, 5x5,
7x7 cho 2D-CAE và 3x3x3, 5x5x5, 7x7x7 cho 3D-CAE). Các mơ
hình được huấn luyện với tập Train cho đến khi hàm mục tiêu trên
tập hợp con Validation khơng thể cải thiện hơn nữa. Trọng số có hiệu
suất tốt nhất trên tập Validation được lưu lại.
Bảng 3.1 Kích thước của từng lớp 3D-CAE

Các thử nghiệm định tính chỉ ra rằng 3D-CAE với kích thước
kernel 5x5x5 đã đạt kết quả tốt nhất trên tất cả các phép đo. Điều này
được giải thích là do 3D-CAE đã tận dụng thông tin 3D từ các lát cắt


liên tiếp để dự đốn hình ảnh AC. Ngồi ra, giá trị NMAE chỉ ra rằng
phép nội suy AC có độ lệch trung bình rất thấp so với AC thực (4.2%
mỗi pixel). Giá trị PCC và SSIM ≥ 0,9 cho thấy sự tương đồng giữa
hình ảnh được tạo và hình ảnh thật rất gần nhau (bảng 3.2).
Hàm mục tiêu:
𝑛

𝑀𝑆𝐸𝑙𝑜𝑠𝑠 =

1
∑(𝑦′𝑖 − 𝑦𝑖 )2

𝑛
𝑖=1

Bảng 3.2 Đánh giá trên các phép đo khác nhau

3.2.3 Đề xuất mơ hình 3DUnet-GAN hiệu chỉnh nhiễu suy giảm
Từ cơ sở lớp mạng 3D CNN và ý tưởng của mạng Unet, tác giả
đã xây dựng mơ hình mạng 3D GAN sử dụng 3D Unet làm trình tạo
ảnh. Kiến trúc của mơ hình được mơ tả trong hình 3.5. Trong mơ hình
này, các lớp tích chập có kích thước kernel là 3x3x3 và sử dụng hàm
kích hoạt ReLU. Việc sử dụng 3D CNN sẽ cho phép lấy được các đặc
trưng có mối liên hệ khơng gian giữa các lát cắt, cái mà bị mất nếu sử
dụng 2D CNN.

Hình 3.5 Kiến trúc 3DUnet-GAN
Trình so sánh Discriminator được thiết kế để xác định cặp ảnh
NC và AC là thật và cặp NC và hình ảnh AC (gen AC) tạo bởi mơ
hình là dữ liệu giả. Do đó, hình ảnh NC được kết nối với AC hoặc
genAC tương ứng làm đầu vào cho trình so sánh Discriminator. Trình
so sánh gồm 6 lớp 3D CNN với kích thước kernel là (2 x 2 x 2), strides
2 (trừ 2 lớp cuối strides 1), lớp chuẩn hóa và kích hoạt Leaky ReLU
(thay vì ReLU) thêm vào giữa.


Trong các thử nghiệm, tác giả so sánh hiệu suất của mơ hình đề
xuất 3DUnet-GAN với các kiến trúc dựa trên CAE và GAN. Đối với
kiến trúc dựa trên CAE, tác giả chọn 2D-Unet và 3D-Unet (2 kiến trúc
này có cùng lớp CNN với kiến trúc 3DUnet-GAN đề xuất). Về kiến
trúc dựa trên 2D GAN, tác giả sử dụng mô hình pix2pix làm cơ sở.
Các mơ hình được huấn luyện lần lượt trên tập dữ liệu Train cho đến

khi giá trị của hàm mục tiêu trên tập xác thực là nhỏ nhất. Sau đó, các
mơ hình đã được huấn luyện được đánh giá trên tập dữ liệu Test.
Hàm mục tiêu:

L
Hiện tại, chưa có phép đo hiệu xuất mơ hình nào là tốt nhất cho
các mơ hình sinh ảnh nên mơ hình đề xuất 3DUnet-GAN được đánh
giá trên một số các phép đo sau: Mean Square Error (MSE),
Normalized Mean Absolute Error (NMAE), Pearson's Correlation
Coefficient (PCC), Structural Similarity Index (SSIM), and Peak
signal-to-noise ratio (PSNR).
Để so sánh định tính, tác giả trình bày đầu vào, ảnh chuyển đổi,
ảnh thực như hình dưới.

Hình 3.20 Ảnh đầu vào, ảnh dự đoán và ảnh thật
Các thử nghiệm định tính chỉ ra rằng 3DUnet-GAN đạt được kết
quả tốt nhất trên tất cả các phép đo. Đầu tiên, có thể thấy rằng các mơ
hình 3D cho kết quả tốt hơn so với mơ hình 2D. Điều này được giải
thích bởi thực tế là mơ hình 3D tận dụng lợi thế của thông tin chia sẻ
giữa các lát cắt liên tiếp. Thứ hai, thực tế là 3D UNet GAN hoạt động
tốt hơn 3D Unet chỉ ra rằng mơ hình dựa trên GAN cung cấp hiệu suất
tạo ảnh tốt hơn kiến trúc dựa trên CAE. Điều này thể hiện ở so sánh
các phép đo giữa 3D Unet-GAN và 3D CAE trên bảng 3.3.


Bảng 3.3 Đánh giá hiệu suất (chữ in đậm cho giá trị đo tốt nhất)
NMAE

PCC

SSIM

3D-CAE 5x5x5

0.042

0.959

0.900

3DUnet-GAN

0.034

0.971

0.946

3.3. Kết luận
Trong chương này, tác giả đã xây dựng mơ hình hồn chỉnh để
chuyển đổi ảnh khơng có hiệu chỉnh suy giảm NC sang ảnh có hiệu
chỉnh suy giảm AC có độ chính xác rất cao tới 97,1%, loại bỏ các
nhiễu trong khi vẫn giữ được các đặc trung hình ảnh SPECT-MPI,
tương đương với ảnh hiệu chỉnh sử dụng máy quét CT tạo ra. Kết quả
nghiên cứu đã được công bố tại hai hội nghị IEEE ICCE 2020 và IEEE
SIGTELCOM.
CHƯƠNG 4. PHÁT TRIỂN GIẢI PHÁP HỖ TRỢ CHẨN ĐOÁN
BỆNH MẠCH VÀNH.
4.1. Vấn đề nghiên cứu
Học sâu đang nổi lên như một công cụ học máy mạnh mẽ trong

tim mạch hạt nhân, với các tiềm năng đột phá trong cải thiện chất
lượng hình ảnh, hỗ trợ bác sĩ trong phát hiện và phân loại bệnh. Đầu
tiên là hỗ trợ ra quyết định chẩn đoán. Trong phương pháp xạ hình
tưới máu cơ tim bằng máy SPECT, chẩn đoán CAD sử dụng ảnh bản
đồ cực pha gắng sức bằng mơ hình DL với tổng thâm hụt tưới máu
(TPD) đã được thực hiện. Độ chính xác của mơ hình DL là 82,3%.
Điều đáng chú ý là hình ảnh bản đồ cực được tổng hợp từ hình ảnh lát
cắt bằng thuật toán dựa trên phân đoạn cơ tim. Việc tổng hợp này có
thể khơng bảo tồn tất cả các đặc trưng của hình ảnh lát cắt.
Thứ hai, vấn đề nhiễu ảnh SPECT tim suy giảm nổi lên như một
thách thức. Hiện nay, thách thức này đã được giải quyết bằng cách lắp
thêm hệ thống máy chụp cắt lớp CT vào hệ thống máy SPECT thông
thường, tạo thành hệ thống SPECT/CT để hiệu chỉnh nhiễu suy giảm.
Tuy nhiên, phương pháp này tồn tại nhiều điểm hạn chế như giá thiết
bị cao, đòi hỏi phòng ốc yêu cầu cao, nguy cơ tăng liều chiếu xạ cho
bệnh nhân…Thêm vào đó, số liệu thống kê cho thấy tới 80% là số
lượng máy SPECT thơng thường, khơng có chức năng hiệu chỉnh suy
giảm bằng CT. Do vậy, hiệu chỉnh suy giảm bằng học sâu là xu thế.
Hiện nay, số lượng nghiên cứu về hiệu chỉnh nhiễu suy giảm trên ảnh
SPECT chưa nhiều, mới chỉ có 1 nghiên cứu. Tuy nhiên, nghiên cứu


này gặp phải một số điểm tồn tại và điểm hạn chế lớn nhất là số lượng
mẫu chưa nhiều, và chưa kiểm chứng bằng thực nghiệm lâm sàng.
Trước những vấn đề nêu trên, trong chương 4 luận án, tác giả sẽ
nghiên cứu, thực nghiệm và đề xuất giải pháp hỗ trợ chẩn đốn trong
nâng cao chất lượng hình ảnh SPECT tim cho máy SPECT thông
thường, giải pháp hỗ trợ ra quyết định chẩn đoán.
4.2. Đề xuất giải pháp hỗ trợ chẩn đốn nâng cao chất lượng hình
ảnh cho các máy SPECT thông thường

4.2.1. Dữ liệu thực nghiệm
Bộ dữ liệu nghiên cứu được thu thập ở Khoa Y học hạt nhân Bệnh viện TƯQĐ 108, bao gồm 88 ca chụp SPECT tim được chọn
ngẫu nhiên trong tập dữ liệu của máy SPECT/CT OPTIMA, có thống
kê tổn thương cơ tim như bảng 4.1.
Bảng 4.2. Bảng thống kê tổn thương cơ tim
Không tổn thương
Có tổn thương
Tổn thương LAD
Tổn thương LCX
Tổn thương RCA
Số lượng tổng

Số lượng
59
29
23
9
13
88

Mỗi bệnh nhân sẽ gồm ảnh chưa hiệu chỉnh suy giảm NC, ảnh có
hiệu chỉnh suy giảm AC. Ảnh chưa hiệu chỉnh suy giảm đưa qua mơ
hình học sâu để dự đốn ảnh có hiệu chỉnh suy giảm GenAC. Như vậy
mỗi bệnh nhân sẽ có 3 loại ảnh là NC, AC và GenAC. Sắp sếp 3 loại
ảnh này thì mỗi bệnh nhân sẽ có 3 tập ảnh như bảng 4.2. Theo đó, 88
bệnh nhân sẽ có 264 mẫu.
Bảng 4.3. Bảng chia mẫu ảnh
Tập ảnh
Tập A
Tập B

Tập C

Loại ảnh
NC + AC
NC + GenAC
NC

4.2.2. Hiệu chỉnh nhiễu suy giảm bằng mô hình 3D Unet GAN
Luận án sử dụng mơ hình 3D Unet GAN để dự đoán ảnh suy giảm
GenAC từ ảnh khơng có hiệu chỉnh suy giảm NC.


Hình 4.1. Ảnh dự đốn hiệu chỉnh suy giảm GenAC từ mơ
hình 3D Unet GAN và ảnh chưa hiệu chỉnh suy giảm NC.
4.2.3. Phương pháp thực nghiệm
Hai bác sĩ Y học Hạt nhân có số năm kinh nghiệm là 10 năm và
7 năm tham gia thử nghiệm. Nhiệm vụ của 2 bác sĩ là xác định trong
264 mẫu ở trên, mẫu nào có tổn thương, có tổn thương thì thuộc nhánh
nào trong các nhánh LAD, RCA, LCX. Các bác sĩ đều không biết ảnh
nào là ảnh hiệu chỉnh bằng mô hình học sâu, ảnh nào là ảnh hiệu chỉnh
suy giảm bằng CT. Các thông tin của bệnh nhân đều được loại bỏ và
được gắn mã định danh khác nhau cho từng mẫu.
Để thuận lợi trong quá trình đánh giá, phần mềm đánh giá được
tạo ra có giao diện tương tự với phần mềm trả lời kết quả xạ hình
SPECT tim (hình 4.1). Trong đó, phần mềm chỉ hiện thị ảnh hiệu chỉnh
mà không phân biệt nguồn gốc ảnh. Bác sĩ được định danh là bác sĩ 1
và bác sĩ 2.

Hình 4.2. Phần mềm hỗ trợ đọc kết quả thực nghiệm
4.2.4. Kết quả thực nghiệm

Hình 4.3. Độ chính xác chẩn đốn


Độ chính xác chẩn đốn được cải thiện rõ rệt khi sử dụng ảnh
GenAC tạo bởi mơ hình học sâu, tăng tới 8% nếu tính trên số lượng
mẫu, 8% tính trên động mạch vành trái, 5% tính trên động mạch vành
phải như hình 4.3. Với bác sĩ 7 năm kinh nghiệm, ảnh GenAC cịn cải
thiện tới 18% độ chính xác trên động mạch vành phải.
Về độ nhạy và độ đặc hiệu, thực nghiệm đã chỉ ra chẩn đoán sử
dụng ảnh GenAC (biểu đồ màu vàng) hiệu chỉnh suy giảm bằng mơ
hình học máy cho kết quả tốt hơn nhiều so với chẩn đốn chỉ bằng ảnh
khơng có hiệu chỉnh suy giảm NC tới 18 % về độ đặc hiệu và 3 % về
độ nhạy. Kết quả này tính trung bình cho cả 2 bác sĩ (hình 4.4a và
4.4b).
Về tỉ lệ phát hiện bệnh nhân không tổn thương, sử dụng ảnh
GenAC sinh ra bởi mơ hình học sâu đã giúp bác sĩ phát hiện thêm
trung bình 9,1% và với bác sĩ 7 năm kinh nghiệm thì tới 13.1% (hình
4.4c)

a

b

c

Hình 4.4. So sánh độ nhạy, độ đặc hiệu, tỉ lệ phát hiện bệnh nhân
không tổn thương khi dùng GenAC
Qua kết quả thực nghiệm, tác giả đề xuất giải pháp hỗ trợ chẩn
đoán bệnh động mạch vành bằng cách nâng cao chất lượng hình ảnh

SPECT tim qua mơ hình hiệu chỉnh nhiễu suy giảm 3D Unet GAN.
Với kết quả nghiên cứu này, tác giả đang gửi bài tới tạp chí Khoa học
Kỹ thuật, học viện Kỹ thuật Quân sự.
4.3. Đề xuất giải pháp hỗ trợ ra quyết định chẩn đoán
4.3.1. Cơ sở dữ liệu
Bộ dữ liệu bao gồm 1413 hình ảnh SPECT tim được chụp từ năm
2015 đến 2018, có đặc điểm như bảng 4.4.


Bảng 1. Số lượng mẫu

4.3.2. Mơ hình chẩn đốn
Dựa trên kiến trúc VGG 16 lớp CNN, tác giả xây dựng mạng học
gồm 8 lớp CNN với bộ lọc có kích thước 3x3 (hình 4.5). Mỗi lớp CNN
được theo sau bởi một lớp chuẩn hóa (Batch Normalization layer) để
chuẩn hóa dữ liệu. Sau đó, hàm kích hoạt ReLU (Rectified Linear
Unit) được sử dụng và lớp Max Pooling để giảm kích thước dữ liệu
với bước nhẩy là 2. Các mạng CNN này được sử dụng để trích xuất
các đặc trưng chính trong ảnh. Đầu ra của mạng CNN đi qua lớp
GlobalAverage Pool để tạo ra vector đặc trưng.

Hình 4.5. Kiến trúc mạng deep-learning sử dụng để chẩn đoán CAD
4.3.3. Thử nghiệm và kết quả
Nghiên cứu này bao gồm hai thử nghiệm để kiểm tra độ chính
xác chẩn đốn của cùng một mơ hình học sâu, được huấn luyện lần
lượt với hình ảnh SPECT MPI cắt lát và hình ảnh cực. So sánh hai độ
chính xác chẩn đốn này sẽ cho thấy loại hình ảnh đầu vào nào bảo
tồn các đặc trưng tổn thương tốt hơn. Từ đó, nghiên cứu cho thấy loại
hình ảnh phù hợp được đưa vào trong mơ hình học sâu.
Tác giả đánh giá độ chính xác của mơ hình mạng bằng cách sử

dụng phương pháp kiểm tra chéo 5 đoạn (k-fold cross validation, với
k = 5). Tác giả lặp lại quá trình huấn luyện và kiểm tra, mỗi lần thử
đều dùng các tập kiểm tra khác nhau (hình 4.6). Độ chính xác của tập
con được kiểm tra trong mỗi lần được tính tốn và ghi lại. Độ chính
xác là giá trị trung bình của 5 giá trị được ghi.


Hình 4.6. Kiểm tra chéo 5 đoạn (5-fold cross validation)
Hình 4.7 cho thấy độ chính xác trung bình của mạng học sâu được
đề xuất bằng cách sử dụng hình ảnh cắt lát MPI (86,14% ± 2,14%) và
hình ảnh bản đồ cực (82,57% ± 2,33%).

Hình 4.7. Độ chính xác trung
bình của 2 mơ hình sử dụng ảnh
cắt lát MPI và ảnh bản đồ cực.

Hình 4.8. ROC của 2 mơ
hình sử dụng ảnh cắt lát
MPI và ảnh bản đồ cực

Bên cạnh đó, tác giả cũng phân tích đường cong ROC (receiver
operating characteristic) để minh họa khả năng chẩn đốn. Hình 4.8
cho thấy ROC của mơ hình huấn luyện trên ảnh cắt lát MPI cao hơn
mơ hình huấn luyện trên ảnh bản đồ cực. Điều này chỉ ra rằng mơ hình
sử dụng hình ảnh MPI cắt lát có khả năng chẩn đốn cao hơn mơ hình
sử dụng hình ảnh bản đồ cực
4.5. Kết luận
Trong chương 4, tác giả đã tiến hành 2 thử nghiệm và đưa ra 2 đề
xuất:
Một, tác giả đề xuất giải pháp hỗ trợ chẩn đoán bệnh động mạch

vành sử dụng mơ hình học sâu 3D Unet GAN trên ảnh SPECT tim cho
các máy SPECT khơng có chức năng hiệu chỉnh suy giảm bằng CT.
Phương pháp này giúp các bác sĩ tăng thêm độ chính xác 8 %, độ nhạy
3%, độ đặc hiệu 18%. Thêm vào đó, điều này giúp các bác sĩ phát hiện
ra nhiều bệnh nhân khơng có tổn thương cơ tim trung bình là 9,1%,