Đề tài nghiên cứu khoa học: Phân tích cấu trúc ảnh cho phân loại bệnh da người

Chia sẻ: Kiều Lan | Ngày: | Loại File: PDF | Số trang:91

Thêm vào BST

Báo xấu

17
lượt xem 8
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục tiêu nghiên cứu đề tài "Phân tích cấu trúc ảnh cho phân loại bệnh da người" nhằm thiết kế hệ thống nhận biết bệnh da người sử dụng phương pháp phân tích cấu trúc hay thuật toán mạng học sâu, trong đó tập dữ liệu với những bệnh phổ biến để đánh giá kết quả của thuật toán kiến nghị.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Đề tài nghiên cứu khoa học: Phân tích cấu trúc ảnh cho phân loại bệnh da người

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CÔNG TRÌNH NCKH CẤP TRƯỜNG TRỌNG ĐIỂM PHÂN TÍCH CẤU TRÚC ẢNH CHO PHÂN LOẠI BỆNH DA NGƯỜI S K C 0 0 3 9 5 9 MÃ SỐ: T2020-29TĐ S KC 0 0 7 3 0 9 Tp. Hồ Chí Minh, tháng 4/2021
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM PHÂN TÍCH CẤU TRÚC ẢNH CHO PHÂN LOẠI BỆNH DA NGƯỜI Mã số: T2020-29TĐ Chủ nhiệm đề tài: PGS.TS. Nguyễn Thanh Hải TP. HCM, 04/2021
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM PHÂN TÍCH CẤU TRÚC ẢNH CHO PHÂN LOẠI BỆNH DA NGƯỜI Mã số: T2020-29TĐ Chủ nhiệm đề tài: PGS.TS. Nguyễn Thanh Hải Thành viên đề tài: ThS. Ngô Bá Việt ThS. Nguyễn Thanh Nghĩa ThS. Võ Đức Dũng TP. HCM, 04/2021
DANH SÁCH CÁN BỘ THAM GIA THỰC HIỆN ĐỀ TÀI Đơn vị công STT MSCB Họ và tên Nội dung công việc tác BM ĐTCN - Y - Viết thuyết minh sinh , Khoa - Viết báo cáo 1 4721 PGS.TS. Nguyễn Thanh Hải Điện-Điện Tử, - Viết bài báo ĐH SPKT, - Phương pháp tiền Tp.HCM, xử lý ảnh - Phân tích cấu trúc BM ĐTCN - Y của bệnh dựa vào ảnh sinh , Khoa - Nhân dạng ảnh 2 4695 ThS. Ngô Bá Việt Điện-Điện Tử, dùng mạng học sâu ĐH SPKT, - Chạy mô phỏng và Tp.HCM, đánh giá hiệu quả - Viết code - Thu thập dữ liệu BM ĐTCN - Y - Trích đặc trưng sinh , Khoa 3 5996 dùng phương pháp ThS. Nguyễn Thanh Nghĩa Điện-Điện Tử, phân tích thành phần ĐH SPKT, chính Tp.HCM, - Viết code BM ĐTCN - Y sinh , Khoa - Thư ký 4 9602 ThS. Võ Đức Dũng Điện-Điện Tử, - Chạy mô phỏng và ĐH SPKT, kiểm tra hiệu chỉnh Tp.HCM,
MỤC LỤC DANH SÁCH HÌNH ............................................................................................................ iii DANH SÁCH BẢNG ............................................................................................................ v DANH SÁCH TỪ VIẾT TẮT .............................................................................................. vi THÔNG TIN KẾT QUẢ NGHIÊN CỨU ........................................................................... vii Chương 1 .............................................................................................................................. 1 TỔNG QUAN ........................................................................................................................ 1 1.1. Tổng quan về lĩnh vực nghiên cứu, các kết quả nghiên cứu trong và ngoài nước đã công bố................................................................................................................................... 1 1.2. Tính cấp thiết .................................................................................................................. 4 1.3. Mục tiêu đề tài ................................................................................................................ 4 1.4. Cách tiếp cận, phương pháp nghiên cứu, phạm vi nghiên cứu ....................................... 5 Chương 2: ............................................................................................................................. 6 CƠ SỞ LÝ THUYẾT ............................................................................................................ 6 2.1. Các loại bệnh da thường gặp ở người ............................................................................. 6 2.2. Phương pháp phân loại bệnh da người ........................................................................... 8 2.2.1. Phân loại bệnh da dựa vào phương pháp truyền thống ................................................ 8 2.2.2. Phân loại bệnh da dựa vào mạng học sâu .................................................................... 9 2.3. Phương pháp trích đặc trưng......................................................................................... 11 2.3.1. Phương pháp phân tích GLCM ................................................................................... 11 2.3.2. Phương pháp phân tích đặc trưng về màu sắc ............................................................ 11 2.3.3. Phương pháp phân tích LBP ....................................................................................... 12 Chương 3 ............................................................................................................................ 13 PHƯƠNG PHÁP TRÍCH ĐẶC TRƯNG GLCM CHO ẢNH BỆNH DA ......................... 13 3.1. Contrast ......................................................................................................................... 13 3.2. Energy ........................................................................................................................... 14 3.3. Homogeneity................................................................................................................. 15 3.4. Entropy ......................................................................................................................... 15 3.5. Mean ............................................................................................................................. 16 3.6. Standard Deviation ....................................................................................................... 16 Chương 4 ............................................................................................................................ 18 PHÂN LOẠI BỆNH DA DÙNG MẠNG NƠ RON NHIỀU LỚP VÀ ĐẶC TRƯNG GLCM 18 4.1. Phương pháp tách vùng da bệnh ................................................................................... 18 4.1.1. Tập dữ liệu bệnh da ................................................................................................... 18 4.1.2. Tiền xử lý ảnh ............................................................................................................ 19 4.1.3. Phân đoạn ảnh trích ROI............................................................................................ 20 4.2. Lựa chọn các đặc trưng cho quá trình huấn luyện phân loại bệnh da........................... 22 4.3. Mô hình mạng Nơ ron .................................................................................................. 26 4.4. Kết quả thực nghiệm ..................................................................................................... 27 4.4.1. Dữ liệu ảnh bệnh da ................................................................................................... 27 4.4.2. Kết quả tách ROI ....................................................................................................... 28 4.4.4. Kết quả phân loại sử dụng MLNNs ........................................................................... 30 i
4.4.5. Thí nghiệm với số lượng bệnh da khác nhau ............................................................. 33 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ........................................................................... 35 5.1. Kết luận ......................................................................................................................... 35 5.2. Hướng phát triển ........................................................................................................... 35 TÀI LIỆU THAM KHẢO ................................................................................................... 36 PHỤ LỤC ............................................................................................................................ 40 ii
DANH SÁCH HÌNH HÌNH TRANG Hình 2.1. Một số loại da bị bệnh ............................................................................................ 6 Hình 2.2. Các loại bệnh da ung thư thường gặp ở người ....................................................... 7 Hình 2.3. Sơ đồ khối các bước phân loại bệnh da dùng phương pháp truyền thống ............. 8 Hình 2.4. Sơ đồ khối các bước phân loại ảnh bệnh da dựa vào phương pháp CNN ........... 10 Hình 2.5. Phân tích GLCM cho ảnh..................................................................................... 11 Hình 2.6. Phân tích LBP cho một pixel ............................................................................... 12 Hình 3.1. Đặc trưng Contrast ............................................................................................... 13 Hình 3.2. Đặc trưng Energy ................................................................................................. 14 Hình 3.3. Đặc trưng Homogeneity ....................................................................................... 15 Hình 3.4. Đặc trưng Entropy ................................................................................................ 16 Hình 3.5. Đặc trưng Mean ................................................................................................... 16 Hình 3.6. Đặc trưng Standard Deviation .............................................................................. 17 Hình 4.1. Sơ đồ khối của hệ thống phân loại bệnh da ......................................................... 18 Hình 4.2. Hình ảnh bệnh da sử dụng trong đề tài ................................................................ 19 Hình 4.3. Ảnh trước và sau khi định kích cỡ ....................................................................... 19 Hình 4.4. Mối quan hệ của các tham số đặc trưng ............................................................... 23 Hình 4.5. Biểu diễn những thống kê của 6 đặc trưng tiêu biểu của 5 tập ảnh bệnh da, mỗi tập 100 ảnh ........................................................................................................................... 26 Hình 4.6. Mô hình mạng nơ-ron nhiều lớp cho phân loại bệnh da ...................................... 27 Hình 4.7. Ảnh được định kích cỡ 512x512 .......................................................................... 28 Hình 4.8. Ảnh sau khi tăng cường ....................................................................................... 28 Hình 4.9. Ảnh sau khi lọc dùng bộ lọc Butterworth ............................................................ 28 Hình 4.10. Ảnh nhị phân ...................................................................................................... 28 Hình 4.11. Ảnh sau khi lọc trung vị ..................................................................................... 29 Hình 4.12. Ảnh sau khi loại bỏ lông .................................................................................... 29 Hình 4.13. Ảnh sau khi giãn nở ........................................................................................... 29 Hình 4.14. Ảnh sau khi tách biên ......................................................................................... 29 Hình 4.15. Ảnh biên được giãn nở ....................................................................................... 29 Hình 4.16. Ảnh với các đối tượng được lấp đầy .................................................................. 29 Hình 4.17. Ảnh với đối tượng lớn nhất ................................................................................ 29 Hình 4.18. Ảnh sau khi tách ROI ......................................................................................... 29 Hình 4.19. Ảnh ROI được trích sau khi thực hiện các phương pháp xử lý ảnh ................... 30 iii
Hình 4.20. Kết quả huấn luyện ............................................................................................ 30 Hình 4.21. Ma trận nhầm lẫn khi test 20 ảnh / loại .............................................................. 31 Hình 4.22. Kết quả huấn luyện và kiểm tra tập ba loại bệnh da .......................................... 33 Hình 4.23. Kết quả huấn luyện và kiểm tra tập bốn loại bệnh da ........................................ 34 Hình 4.24. Kết quả huấn luyện và kiểm tra tập năm loại bệnh da ....................................... 34 iv
DANH SÁCH BẢNG BẢNG TRANG Bảng 4.1. Đặc trưng GLCM của các bệnh da khác nhau ..................................................... 23 Bảng 4.2. Đặc trưng GLCM của các bệnh da khác nhau ..................................................... 24 Bảng 4.3. Thống kê 5 loại bệnh da ....................................................................................... 28 Bảng 4.4. So sánh độ chính xác khi phân loại 5 bệnh sử dụng các đặc trưng khác nhau .... 31 Bảng 4.5. So sánh độ chính xác của mô hình đề xuất với các mô hình khác ....................... 32 v
DANH SÁCH TỪ VIẾT TẮT GLCM Gray Level Co-occurrence Matrix SIFT Scale-Invariant Feature Transform SVM Support Vector Machine HIS Hue - Saturation - Intensity HSV Hue – Saturation - Value RGB Red – Green - Blue LBP Local Binary Patterns BHPF Butterworth Highpass Filter ROI Region of Interest MLNNs Multilayer Neural Networks MSE Mean Squared Error CNN Convolutional Neural Network FRCNN Faster Region-based Convolutional Neural Networks vi
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM THÀNH PHỐ HỒ CHÍ MINH Độc lập - Tự do - Hạnh phúc KHOA ĐIỆN - ĐIỆN TỬ Tp. HCM, Ngày tháng năm 2021 THÔNG TIN KẾT QUẢ NGHIÊN CỨU 1. Thông tin chung: - Tên đề tài: PHÂN TÍCH CẤU TRÚC ẢNH CHO PHÂN LOẠI BỆNH DA NGƯỜI - Mã số: T2020-29TĐ - Chủ nhiệm: PGS.TS. Nguyễn Thanh Hải - Cơ quan chủ trì: Đại Học Sư Phạm Kỹ Thuật TP. HCM - Thời gian thực hiện: 12 tháng 2. Mục tiêu: Thiết kế hệ thống nhận biết bệnh da người sử dụng phương pháp phân tích cấu trúc hay thuật toán mạng học sâu, trong đó tập dữ liệu với những bệnh phổ biến để đánh giá kết quả của thuật toán kiến nghị. 3. Tính mới và sáng tạo: Các bệnh ngoài da gây ảnh hưởng nghiêm trọng đến cuộc sống và sức khỏe của con người. Nghiên cứu này nhằm mục đích trình bày độ chính xác của phân loại bệnh ngoài da để hỗ trợ các bác sĩ đưa ra quyết định điều trị sớm cho bệnh nhân. Trong nghiên cứu này, 100 ảnh bệnh da trong mỗi của năm loại bệnh da từ cơ sở dữ liệu ISIC được sử dụng cho mục đích cân bằng liên quan đến độ chính xác của phân loại. Ngoài ra, nghiên cứu này còn tập trung vào việc xử lý hình ảnh để trích xuất sáu loại đặc trưng tối ưu trong số mười một đặc trưng của ảnh bệnh da để có hiệu suất phân loại cao hơn. Hơn nữa, việc tập trung xử lý ảnh nhiều này sẽ giúp giảm thời gian hơn cho việc huấn luyện dùng mạng MLNN. Cụ thể, ảnh bệnh da được lọc và phân đoạn để tách vùng đặc trưng (ROI) trước khi trích xuất các đặc trưng tối ưu. Đầu tiên, ảnh bệnh da được xử lý bằng cách chuẩn hóa kích thước, loại bỏ nhiễu, phân đoạn để tách vùng ROI tại khu vực có dấu hiệu bệnh da. Tiếp theo, phương pháp ma trận đồng xuất hiện mức xám (GLCM) được áp dụng để phân tích kết cấu để rút ra 11 đặc trưng. Với sáu tối ưu được chọn, độ chính xác phân loại của các bệnh về da được đánh giá cao, khoảng 92% sử dụng ma trận nhầm lẫn. Kết quả cho thấy hiệu quả của phương pháp đề xuất. Hơn nữa, phương pháp này có thể được phát triển cho các bộ dữ liệu ảnh y tế khác để hỗ trợ trong chẩn đoán bệnh. 4. Kết quả nghiên cứu: 01 bài báo khoa học đăng trên tạp chí uy tín Q3: ROI-based Features for Classification of Skin Diseases Using a Multi-Layer Neural Network. 5. Sản phẩm: 5.1. Sản phẩm khoa học: Thanh-Hai Nguyen, Ba-Viet Ngo, “ROI-based Features for Classification of Skin Diseases Using a Multi-Layer Neural Network”, Indonesian Journal of Electrical Engineering and Computer Science, ACCEPTED, 2021 vii
5.2. Sản phẩm đào tạo (cao học): 01 học viên cao học đã tốt nghiệp. 5.3. Sản phẩm ứng dụng: Phần mềm mô phỏng có thể giảng dạy phương pháp nhận dạng dùng thuật toán nhận dạng ảnh. 5.4. Các sản phẩm khác: Các tập dữ liệu ảnh, phần mềm mô phỏng, báo cáo nghiệm thu 6. Hiệu quả, phương thức chuyển giao kết quả nghiên cứu và khả năng áp dụng: Chuyển giao cho phòng thí nghiệm Xử lý tín hiệu và hình ảnh để cập nhật cho sinh viên, học viên tham khảo, cái tiến và phát triển. Hơn nữa, nghiên cứu này có thể làm tài liệu tham khảo trong đào tạo đại học và cao học. Trưởng Đơn vị Chủ nhiệm đề tài (ký, họ và tên) (ký, họ và tên) viii
INFORMATION ON RESEARCH RESULTS 1. General information: Project title: ANALYSIS OF HUMAN SKIN IMAGE STRUCURE FOR SKINH DISEASE CLASSIFICATION Code number: T2020 – 29TĐ Coordinator: Assoc. Prof. Nguyen Thanh Hai Implementing institution: HCMC Univerisy of Technology and Education Duration: 12 months 2. Objective(s): Design of a user skin disease classification system using structural analysis and neural network model, in which data sets with skin diseases are used to evaluate the results of the proposed algorithm. 3. Creativeness and innovativeness: Skin diseases have a serious impact on human life and health. This research aims to represent the classification accuracy of skin diseases for supporting the physicians’ correct decision on patients for early treatment. In particular, 100 images in each type of five skin diseases from ISIC database are used for balanced datasets related to the classification accuracy. In addition, this research focuses on processing images for extracting six optimal types of eleven features of skin disease image for higher classification performance and also this takes less time for training. Therefore, skin disease images are filtered and segmented for separating Region of Interests (ROIs) before extracting optimal features. First, the skin disease images are processed by normalizing sizes, removing noises, segmenting to separate Region of Interests (ROIs) showing skin disease signs. Next, a Gray-Level Co-occurrence Matrix (GLCM) method is applied for texture analysis to extract eleven features. With the optimal six features chosen, the high classification accuracy of skin diseases is about 92% evaluated using a matrix confusion. The result showed to illustrate the effectiveness of the proposed method. Furthermore, this method can be developed for other medical datasets for supporting in disease diagnosis. ix
4. Research results: 01 journal paper: ROI-based Features for Classification of Skin Diseases Using a Multi-Layer Neural Network”, Indonesian Journal of Electrical Engineering and Computer Science. 5. Products: 5.1. Scientific product: Thanh-Hai Nguyen, Ba-Viet Ngo, “ROI-based Features for Classification of Skin Diseases Using a Multi-Layer Neural Network”, Indonesian Journal of Electrical Engineering and Computer Science, ACCEPTED, 2021 5.2. Master student: 01 master student graduated. 5.3. Application product: 01 program for processing and classifying human skin diseases. 5.4. Other products: Skin disease datasets; 01 simulation program, 01 project report completed. 6. Effects, transfer alternatives of reserach results and applicability: Transfer to Signal Processing and Image Laboratories for references in undergraduate and masters training. x
1. Tổng quan Chương 1 TỔNG QUAN 1.1. Tổng quan về lĩnh vực nghiên cứu, các kết quả nghiên cứu trong và ngoài nước đã công bố Bệnh ngoài da là một trong những bệnh thường gặp ở người, có thể ảnh hưởng đến mọi lứa tuổi và giới tính. Hiện nay, trên thế giới có rất nhiều bệnh nhân mắc các bệnh về da khác nhau và rất nhiều trường hợp tử vong. Hơn nữa, bệnh ngoài da là một vấn đề toàn cầu, đứng thứ 18 trong bảng xếp hạng gánh nặng sức khỏe toàn cầu. Trong một thống kê toàn cầu năm 2017, bệnh ngoài da chiếm khoảng 1,79% so với các bệnh khác [1], trong đó các bệnh ngoài da bao gồm viêm da (dị ứng, tiếp xúc, bã nhờn), mụn trứng cá, mày đay, vẩy nến, bệnh da do virus, bệnh nấm da, bệnh ghẻ, u ác tính, viêm tuyến thượng bì, viêm mô tế bào, ung thư biểu mô, loét do ung thư. Trong những năm gần đây, việc tăng cường hình ảnh y tế trước khi phân đoạn để nhận dạng hoặc phân loại hình ảnh đã được áp dụng [2]. Trong xác định bệnh da, tất cả các hình ảnh bệnh da được phân đoạn bằng cách sử dụng tang cường theo cấp độ [3, 4]. Ma trận đồng xuất hiện mức xám (GLCM) đã được áp dụng cho các hình ảnh được phân đoạn này để trích xuất các đặc trưng được sử dụng cho bộ phân loại dùng mạng thần kinh nhân tạo. Hình ảnh y tế thường được lọc nhiễu để phân đoạn ROI, trong đó việc tăng cường hình ảnh để tăng độ chính xác phân loại là rất quan trọng. Hình ảnh được chụp từ các nguồn khác nhau và luôn tồn tại những loại nhiễu khác nhau. Thực tế, có nhiều loại bộ lọc để loại bỏ nhiễu trong ảnh. Để loại bỏ nhiễu không mong muốn trong một ảnh và làm sắc nét nó, bộ lọc thông cao kết hợp Gaussian và Butterworth đã được áp dụng [5, 6] trong miền tần số. Trong [7-9], hình ảnh của các tổn thương da được phân đoạn bằng cách sử dụng phương pháp phát triển vùng, trong đó thuật toán tự động khởi tạo các điểm hạt giống được sử dụng. Kết quả của phân đoạn để trích xuất các vùng tổn thương trong hình ảnh được sử dụng trong sự kết hợp của phương pháp SVM và K-NN để phân loại với độ chính xác 61%. Trong nghiên cứu của chúng tôi, bộ lọc thông cao Butterworth sẽ được sử dụng để làm sắc nét các vùng da bị bệnh trước khi phân đoạn. Trong xử lý ảnh, thuật toán phân đoạn ảnh [10] thường được 1
1. Tổng quan áp dụng để tách đối tượng ra khỏi ảnh để phân tích hoặc nhận dạng. Phương pháp Otsu là một trong những phương pháp phân ngưỡng thường được sử dụng cho phân đoạn [11]. Hơn nữa, phương pháp phân đoạn Otsu được sử dụng để xác định ngưỡng phát hiện vùng bệnh để phân loại [12]. Trong một ứng dụng, các tác giả đã áp dụng để tìm các điểm pixel chính, được coi là điểm mầm của da bị bệnh. Do đó, các đặc trưng tương ứng với các điểm chính được trích xuất sau khi phân đoạn đã được áp dụng để trở thành đầu vào của bộ phân loại [13]. Trong đề tài này, phương pháp Otsu được áp dụng để phân đoạn các vùng da tổn thương, được gọi là ROI. Trong thực tế, có nhiều phương pháp lọc khác nhau để nâng cao chất lượng hình ảnh như bộ lọc trung bình và Bottom Hat, thường được áp dụng để khử nhiễu trong hình ảnh y tế. Các tác giả đã đề xuất một cách tiếp cận mới để phát hiện các đặc trưng, trong đó bộ lọc Bottom Hat được sử dụng để làm mịn hình ảnh [4, 14]. Hơn nữa, bộ lọc trung vị thường được sử dụng để loại bỏ muối và nhiễu trong hình ảnh y tế. Trong nghiên cứu này, chúng tôi sẽ áp dụng các bộ lọc trung vị và Bottom Hat để loại bỏ nhiễu và làm mờ các vùng bệnh ngoài da. Để phân đoạn hiệu quả nhằm tách ROI trong ảnh, cần phát hiện cạnh của các đối tượng trong ảnh. Trong [15], các tác giả đã đề xuất bộ dò cạnh Canny với bộ lọc trung vị lặp lại (IMF) để phát hiện đường viền tổn thương da, trong đó thuật toán phân đoạn lặp lại được cải tiến để phát hiện đường viền của các tổn thương da thật đã cho thấy sự hiệu quả. Hiệu suất của thuật toán này tốt hơn so với thuật toán phân đoạn truyền thống. Trong bài báo của chúng tôi, phương pháp Canny được áp dụng để phát hiện các cạnh của vùng bệnh da trong hình ảnh để tách ROI. Phép toán hình thái học [16, 17] được sử dụng trong việc xử lý hình ảnh MRI có tần số T1, trong đó sự giãn nở là để nâng cao phương pháp ước lượng thể tích. Rõ ràng là phương pháp này tốt hơn so với phương pháp Stereology vì ít lát cắt MRI hơn và ít điểm kiểm tra hơn. Trong phương pháp học sâu để phân loại tổn thương da, các yếu tố hình thái chính là một mô-đun trong hệ thống phát hiện tự động. Kết quả của phân loại này là độ chính xác 76,00% cho 5 lớp của các thành phần hình thái chính và độ chính xác 81,67% cho 3 lớp [18]. Trong nghiên cứu của chúng tôi, sự giãn nở và xói mòn theo phương pháp hình thái học được áp dụng để loại bỏ các mụn nhỏ không mong muốn và kết nối các đường chấm ở các vùng da bị bệnh. 2
1. Tổng quan Trong hình ảnh y tế, việc tách ROI để trích xuất đặc điểm là rất cần thiết. Có thể áp dụng một cách tiếp cận đơn giản và đáng tin cậy để phân đoạn vùng da nhằm tạo ROI. Trong một nghiên cứu, một phương pháp phân đoạn các vùng da mà không tạo ra nhiều vùng da nhỏ đã được đề xuất trong [19]. ROI có thể được phân tách dựa trên phân tích các chi tiết hình học của ảnh tổn thương da. Kết quả là hiệu suất trung bình của phương pháp này tốt hơn các kỹ thuật hiện đại nhất mà không cần huấn luyện [20]. Rõ ràng là đã có nhiều phương pháp khác nhau để tách ROI trong ảnh. Trong nghiên cứu của chúng tôi, sau khi tiền xử lý ảnh, phát hiện cạnh Canny sẽ được áp dụng để tách ROI nhằm trích xuất các đặc trưng tối ưu bằng phương pháp GLCM. Đối với phân loại bệnh da, trích xuất đặc trưng của ảnh bằng phương pháp GLCM đóng một vai trò quan trọng vì nó có thể chứa thông tin của vùng da bị bệnh [21-24]. Hiện nay, nhiều phương pháp đã được áp dụng để phân loại tổn thương da [25, 26]. Do đó, các thành phần đặc trưng này đã được sử dụng để làm đầu vào của bộ phân loại. Với nhiều bệnh ngoài da khác nhau của con người, việc phân loại và tìm ra bệnh tự động là rất quan trọng vì nó giúp bác sĩ chẩn đoán sớm bệnh và người bệnh có thể điều trị sớm và hiệu quả. Trong những năm gần đây, việc phân loại bằng phương pháp Trí tuệ nhân tạo (AI) đã rất phổ biến và hiệu quả [27, 28]. Đặc biệt, các tác giả đã đề xuất một mạng nơ ron tích chập (CNN) để phân loại các bệnh da bị tổn thương [27]. Với phương pháp được đề xuất này, mạng học sâu đã được sử dụng để thử nghiệm hơn 900 hình ảnh bệnh về da và nó đã cho kết quả tương đối tốt. Các thuật toán trí tuệ nhân tạo đã được đề xuất để phân loại các bệnh ngoài da [29, 30]. Đặc biệt, mô hình CNN [31] hoặc mô hình phân loại dựa trên học tập sâu nhỏ gọn với mạng nơ-ron tích chập có thể phân tách [32], DNN hiện đại [33] đã được sử dụng. Trong một nghiên cứu, các tác giả đã đề xuất mạng CNN dựa trên vùng (FRCNN) để huấn luyện ảnh lâm sàng của tổn thương da sắc tố, trong đó có hình ảnh khối u ác tính [34]. Trong nghiên cứu [35], CNN đã được áp dụng trong phân loại bệnh da Vảy nến với tỷ lệ chính xác lần lượt là 82,9% và 72,4% đối với bệnh da Vảy nến và Guttate. Rõ ràng là các mô hình phân loại sử dụng phương pháp AI cho các tập hình ảnh y tế lớn là rất quan trọng. Trong đề tài này, chúng tôi đã đề xuất một phương pháp phân loại tự động, trong đó sáu đặc trưng nổi bật được trích xuất từ ảnh năm loại bệnh da và sau đó thông qua 3
1. Tổng quan mạng nơ ron nhiều lớp (MLNNs) [36, 37] để phân loại. Tất cả những hình ảnh này đều được tiền xử lý để loại bỏ các thành phần không cần thiết, cũng như tăng cường chất lượng trước khi lọc để tách ROI và trích xuất các đặc trưng bằng GLCM. Các đặc trưng được trích xuất này được sử dụng để làm đầu vào của bộ phân loại MLNNs. Độ chính xác trung bình của bộ phân loại được đánh giá bằng cách sử dụng ma trận nhầm lẫn. 1.2. Tính cấp thiết Bệnh da người là bệnh xuất hiện bên ngoài da và có rất nhiều bệnh khác nhau. Hơn nữa, có một số bệnh da rất nguy hiểm từ việc ảnh hưởng đến sức khỏe cuộc sống sinh hoạt hằng ngày đến việc bị ung thư da và làm cho người bị tật đến chết người. Hầu như bệnh ngoài da khi chậm chữa trị có thể để lại rất nhiều tổn thương cho bệnh nhân và nhiều khó khăn cho gia đình và xã hội. Việc chẩn đoán sớm và nhanh có thể kịp chữa trị và con người có thể hoàn toàn bớt bệnh và phục hồi trở lại bình thường. Với công nghệ máy tính phát triển và những phương pháp xử lý ảnh hiện đại sẽ hỗ trợ cho việc nhận biết chính xác và nhanh dùng phương pháp phân tích cấu trúc ảnh hay thông minh nhân tạo. Điều này sẽ hỗ trợ rất nhiều cho Bác sỹ trong việc chẩn đoán ra bệnh sớm và giúp bệnh nhân có cơ hội chữa trị sớm để trở lại cuộc sống bình thường. Bên cạnh việc tạo ra những kết quả chẩn đoán nhanh dùng phương pháp phân tích cấu trúc hay công nghệ nhận dạng để hổ trợ Bác sỹ thì việc nghiên cứu với những phương pháp hiện đại sẽ hỗ trợ trong giáo dục như giảng dạy Đại học, Cao học hay NCS. Cụ thể, đề tài sẽ giúp các học viên, nghiên cứu sinh sẽ có cơ hội tiếp cận những thuật toán, phương pháp mới để phát triển việc học. Hơn nữa, nó có thể phát triển để cho ra những sản phẩm có thể ứng dụng vào thực tế tại các phòng khám và bệnh viện. 1.3. Mục tiêu đề tài Thiết kế hệ thống nhận biết bệnh da người sử dụng phương pháp phân tích cấu trúc hay thuật toán mạng học sâu, trong đó tập dữ liệu với những bệnh phổ biến để đánh giá kết quả của thuật toán kiến nghị. 4
1. Tổng quan 1.4. Cách tiếp cận, phương pháp nghiên cứu, phạm vi nghiên cứu  Cách tiếp cận - Đọc các tài liệu (bài báo, đề tài và luận văn tốt nghệp trong và ngoài nước) để tìm hiểu bệnh ngoài da, các phương pháp xử lý ảnh và nhận dạng - Liên hệ và hợp tác với bệnh viện cho đánh giá kết quả  Phương pháp nghiên cứu - Tiền xử lý ảnh dùng xử lý ảnh - Phương pháp mạng học sâu cho nhận dạng loại bệnh  Phạm vi nghiên cứu - Tập ảnh có sẵn trên mạng và 1 số ảnh bệnh da người được thu từ bệnh viện nếu có điều kiện - Mô phỏng để nhận biết bệnh  Nội dung nghiên cứu - Thu thập tập ảnh bệnh da với tối thiểu 3 bệnh tiêu biểu - Dùng các phương pháp xử lý ảnh như tiền xử lý để loại bỏ những phần không cần thiết trên ảnh - Phân tích cấu trúc ảnh của mỗi loại bệnh da dựa vào ảnh sử dụng ma trận đồng dạng - Trích đặc trưng ảnh dùng phương pháp phân tích thành phần chính hay màu da bệnh - Nhận dạng ảnh dùng phương pháp mạng học sâu hay máy vector hỗ trợ - Phương pháp đánh giá sự hiệu quả của bộ nhận dạng - Viết code mô phỏng - Chạy chương trình, kiểm tra, hiệu chỉnh và đánh giá kết quả - Viết bài báo - Viết báo cáo - Hoàn thiện các hồ sơ. 5
2. Cơ sở lý thuyết Chương 2: CƠ SỞ LÝ THUYẾT 2.1. Các loại bệnh da thường gặp ở người Tại Việt Nam, theo nhiều thống kê về bệnh ngoài da có tỷ lệ mắc bệnh khác nhau. Trong tháng 5 và tháng 6 năm 2018, có khoảng 9000 ca đến khám bệnh da tại Da Liễu Trung ương. Các bệnh bao gồm trứng cá bọc, trứng cá đầu đen, trứng cá mủ; 8000 ca bị viêm da cơ địa gồm viêm da tiếp xúc dị ứng, nhiễm nấm da, mụn cơm, vảy nến [39]. Theo một thống kê khác liên quan đến bệnh phong, hàng năm trên thế giới có khoảng 210.000 người mắc bệnh phong và theo Tổ chức y tế thế giới (WHO) thì còn hàng triệu người đang sống chưa được chẩn đoán [40]. Trong một thống kê toàn cầu năm 2017, bệnh da chiếm khoảng 1,79% so với các loại bệnh khác [1], trong đó bệnh da gồm viêm da (dị ứng, tiếp xúc, bã nhờn), mụn trứng cá, nổi mề đay, bệnh vẩy nến, bệnh da do virus, bệnh nấm da, bệnh ghẻ, u hắc tố, viêm da mủ, viêm mô tế bào, ung thư biểu mô tế bào, viêm loét do ung thư. (a) Da bình thường (b) Da mắc bệnh chàm (c) Da mắc bệnh nấm (d) Da mắc bệnh hắc lào Hình 2.1. Một số loại da bị bệnh Ung thư da là loại ung thư phổ biến nhất hiện nay và thường phát triển ở vùng da tiếp xúc trực tiếp với ánh nắng mặt trời. Tỷ lệ mắc bệnh cao nhất là người lao động ngoài trời, vận động viên, những người hay đi tắm nắng. Ung thư da hay gặp ở người da trắng chủ yếu ở người già, nam nhiều hơn nữ, bệnh thường xuất hiện ở vùng da hở với tỷ lệ 90% ở vùng đầu, mặt, cổ [41]. Sau nhiều năm khi chụp X-quang hoặc tiếp xúc 6