Tổng quan một số nghiên cứu xây dựng các thuật toán học sâu áp dụng trong phân tích ảnh y tế

Bài viết này sẽ giới tổng quan về các nghiên cứu xây dựng các thuật toán học sâu được sử dụng cho phân tích ảnh y tế và giới thiệu một số các nghiên cứu áp dụng trên một số lĩnh vực cụ thể như phân tích ảnh chụp cộng hưởng từ não, phân tích ảnh X vùng ngực, ảnh huỳnh quang chụp đáy mắt, ảnh nội soi tiêu hóa.
Nội dung trích xuất từ tài liệu:
Tổng quan một số nghiên cứu xây dựng các thuật toán học sâu áp dụng trong phân tích ảnh y tếCông nghệ thông tin TỔNG QUAN MỘT SỐ NGHIÊN CỨU XÂY DỰNG CÁC THUẬT TOÁN HỌC SÂU ÁP DỤNG TRONG PHÂN TÍCH ẢNH Y TẾ Lê Thị Thu Hồng*, Nguyễn Chí Thành , Phạm Thu Hương Tóm tắt: Hiện nay các thuật toán học sâu (deep learning) đặc biệt là các mạng nơ ron tích chập (CNN- Convolutional neural networks) là phương pháp được nhiều nhà nghiên cứu lựa chọn để giải quyết bài toán tự động phân tích ảnh y tế. Bài báo này sẽ giới tổng quan về các nghiên cứu xây dựng các thuật toán học sâu được sử dụng cho phân tích ảnh y tế và giới thiệu một số các nghiên cứu áp dụng trên một số lĩnh vực cụ thể như phân tích ảnh chụp cộng hưởng từ não, phân tích ảnh X vùng ngực, ảnh huỳnh quang chụp đáy mắt, ảnh nội soi tiêu hóa.Từ khóa: Học sâu; Mạng nơ-ron tích chập; Phân tích ảnh y tế. 1. ĐẶT VẤN ĐỀ Kể từ khi các ảnh y tế có thể quét để lưu trữ trên máy tính các nhà nghiên cứuđã xây dựng các hệ thống để tự động phân tích ảnh y tế. Bắt đầu từ những năm1970 tới những năm 1990 các hệ thống tự động phân tích ảnh y tế ứng dụng xử lýảnh và áp dụng các mô hình toán học được xây dựng dựa vào hệ thống tập luật đểgiải quyết một tác vụ cụ thể nào đó, các hệ thống này còn được gọi là các hệchuyên gia. Sau đó các phương pháp học máy trở nên thông dụng trong các hệthống phân tích ảnh y tế vào những năm 2000, có sự dịch chuyển từ hệ thống xâydựng dựa trên các tập luật do chuyên gia con người đưa ra sang hệ thống đượchuấn luyện dựa trên dữ liệu, tuy nhiên việc trích xuất các đặc trưng của ảnh đều docon người can thiệp dựa trên các quan sát về đặc tính riêng của ảnh, các hệ thốngnày được gọi là các hệ thống trích rút đặc trưng thủ công. Trong những năm gần đây các thuật toán học sâu được chú ý nhiều vì đã đạt đượccác kết quả rất tốt trong một số các lĩnh vực ứng dụng như nhận dạng khuôn mặt,nhận dạng ký tự viết tay, phân loại ảnh, phát hiện đối tượng và phân vùng các đốitượng trên ảnh. Các hệ thống này được xây dựng dựa trên việc máy tính tự học cácđặc trưng bằng thuật toán học sâu. Các thuật toán học sâu mở hướng phát triển rấttiềm năng cho các ứng dụng phân tích ảnh y tế. Các nghiên cứu xây dựng các thuậttoán học sâu áp dụng cho phân tích ảnh y tế những năm gần đây được đưa ra tại cáchội thảo khoa học và công bố trên các tạp chí khoa học với số lượng tăng khá nhanh.Hiện tại chủ đề này được nhiều nhóm nghiên cứu trong và ngoài nước tập trungnghiên cứu và đã đạt được một số kết quả khả quan, tuy nhiên các kết quả đạt đượccòn chưa cao do nghiên cứu áp dụng học sâu vào phân tích ảnh y tế là một lĩnh vựcnghiên cứu đa ngành, nó đòi hỏi sự kết hợp chặt chẽ của các nhà nghiên cứu về trítuệ nhân tạo và các chuyên gia phân tích chuyển đoán hình ảnh y tế. Bài báo này sẽ giới thiệu tổng quan các nghiên cứu xây dựng các thuật toán họcsâu sử dụng trong phân tích ảnh y tế. Bài báo được trình bày theo thứ tự sau: Phần2 giới thiệu các lý thuyết của mạng nơ-ron và các mô hình học sâu. Phần 3 giớithiệu các nghiên cứu sử dụng các thuật toán học sâu cho các bài toán phân tích ảnhy tế. Phần 4 giới thiệu các ứng dụng sử dụng học sâu để phân tích ảnh y tế trên cáclĩnh vực ứng dụng cụ thể. Phần 5 tổng kết các khả năng áp dụng, những khó khănvà hướng phát triển của các nghiên cứu xây dựng các thuật toán học sâu dùng chophân tích ảnh y tế.196 L. T. T. Hồng, N. C. Thành, P. T. Hương, “Tổng quan một số nghiên cứu … ảnh y tế.”Thông tin khoa học công nghệ 2. TỔNG QUAN VỀ CÁC THUẬT TOÁN HỌC SÂU2.1. Mạng nơ-ron (Artificial Neural Network) và học sâu (deep learning) Mạng nơ-ron (Artificial Neural Network- ANN) là một thuật toán học được môphỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm số lượnglớn các nơ-ron được gắn kết để xử lý thông tin. ANN giống như bộ não con người,được học bởi kinh nghiệm, có khả năng lưu giữ những kinh nghiệm, tri thức và sửdụng những tri thức đó trong việc dự đoán các dữ liệu chưa biết. Một mạng nơ-ronbao gồm các nơ-ron hay còn gọi là các đơn vị tính toán (unit), một hàm kích hoạt(activation) a=σ( )và tập các tham số Ѳ={Ⱳ, B} trong đó W được gọi làtập các trọng số (weight) của mạng. Mạng nơ-ron gồm nhiều lớp được gọi là MLP(Multi Layered Peceptrons). Một hạn chế của các kiến trúc MLP nói chung là hàmmất mát không phải là một hàm lồi, việc tìm nghiệm tối ưu toàn cục cho bài toántối ưu hàm mất mát rất khó. Một vấn đề khác là việc huấn luyện MLP không hiệuquả khi số lượng các lớp ẩn lớn,vấn đề này được gọi là “vanishing gradient”. Đểgiúp phần nào tránh được vanishing gradient người ta đưa ra ý tưởng tiền huấnluyện không giám sát (unsupervised pretraining) trong đó các ma trận trọng số ởnhững lớp ẩn đầu tiên được tiền huấn luyện (pretrained). Các trọng số được tiềnhuấn luyện này có thể coi là giá trị khởi tạo tốt cho các lớp ẩn phía đầ ...