Sử dụng Deep Learning trong hỗ trợ chẩn đoán bệnh nha khoa

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Thêm vào BST

Báo xấu

15
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Sử dụng Deep Learning trong hỗ trợ chẩn đoán bệnh nha khoa áp dụng phương pháp Deep learning cho bài toán hỗ trợ chẩn đoán nha khoa. Phương pháp này được đánh giá bằng thực nghiệm trên bộ dữ liệu ảnh X-Quang nha khoa thu thập.

Chủ đề:

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

Lưu

Nội dung Text: Sử dụng Deep Learning trong hỗ trợ chẩn đoán bệnh nha khoa

Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8 SỬ DỤNG DEEP LEARNING TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH NHA KHOA Trần Mạnh Tuấn1, Trần Thị Ngân1 1 Trường Đại học Thủy lợi, email: tmtuan@tlu.edu.vn 1. GIỚI THIỆU Trong bài báo này, chúng tôi ứng dụng mô Tại Việt Nam, hơn 90% bệnh nhân khám hình Deep Learning trong hỗ trợ chẩn đoán nha khoa được chẩn đoán mắc bệnh răng nha khoa với bệnh răng khôn mọc lệch và miệng trong đó 50% mắc bệnh sâu răng, 90% viêm quanh cuống tại Việt Nam. Bộ dữ liệu mắc bệnh viêm lợi [10]. Năm bệnh thường thu thập từ các bác sỹ tại Viện đào tạo răng mắc phải bệnh răng miệng là bệnh sâu răng, hàm mặt, Trường ĐH Y Hà Nội. bệnh viêm lợi, bệnh lý răng khôn mọc lệch, Trong các phần tiếp theo chúng tôi cấu bệnh lý bất thường men răng, tổn thương trúc như sau: phần 2 trình bày chi tiết về quanh chóp chân răng. Việc mắc các bệnh phương pháp Deep Learning và mô hình nêu trên có thể gây ra những hậu quả nghiêm R-CNN, phần 3 trình bày về các kết quả thực trọng cho người bệnh, giảm thẩm mỹ, giảm nghiệm, phần 4 là kết luận. chức năng ăn nhai, tăng chi phí cho chữa trị sau này. 2. HỌC SÂU VÀ MÔ HÌNH R-CNN Trong thời gian gần đây trí tuệ nhân tạo Deep learning (học sâu) [1]: là một nhánh đang dần ảnh hưởng đến hầu hết các lĩnh vực của học máy dựa trên một tập hợp các thuật khoa học và ứng dụng khác trong đó có lĩnh toán để mô hình dữ liệu trừu tượng hóa ở vực y tế. Các phương pháp học máy với mức cao bằng cách sử dụng nhiều lớp xử lý nhiều ứng dụng trong hỗ trợ chẩn đoán bệnh với cấu trúc phức tạp, hoặc bằng cách khác đang ngày càng được cải thiện giúp các bác bao gồm nhiều biến đổi phi tuyến. Một hình sỹ có được một công cụ tư vấn mới dựa trên ảnh có thể được biểu diễn bằng nhiều cách dữ liệu về bệnh nhân đã được điều trị, giúp như một vector của các giá trị cường độ cho các bác sỹ khoanh vùng bệnh một cách nhanh mỗi điểm ảnh, hoặc một cách trừu tượng hơn chóng và đưa ra chẩn đoán chính xác. Các hệ như là một tập hợp các cạnh, các khu vực hỗ trợ chẩn đoán y học cũng được nghiên cứu hình dạng cụ thể... và hoàn thiện. Học sâu đề cập đến một lớp khá rộng các Với bài toán hỗ trợ chẩn đoán nha khoa kỹ thuật và kiến trúc học máy, với đặc điểm trong thời gian gần đây tác giả và các cộng sự là sử dụng nhiều lớp xử lý thông tin phi tuyến đã có một số nghiên cứu liên quan như: sử có tính phân cấp. dụng mờ phức trong hỗ trợ chẩn đoán bệnh Một trong những mạng nơ ron được sử gan [8], sử dụng mờ trực cảm trong hỗ trợ dụng nhiều trong phát hiện bệnh dựa trên chẩn đoán nha khoa [7], sử dụng phân cụm ảnh hoặc video là Region based bán giám sát mờ trong hỗ trợ chẩn đoán nha Convolutional Neural Network (R-CNN). khoa từ ảnh X-quang [6], sử dụng toán tử mờ R-CNN được ứng dụng trong các nghiên trong hỗ trợ chẩn đoán bệnh nha khoa từ ảnh cứu nhằm phát hiện bệnh viêm cầu thận [4] X-quang [9]. dựa trên ảnh bệnh nhân, trong phát hiện 195
Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8 polyp qua video nội soi [5] hoặc phát hiện Với bệnh răng 8 mọc lệch được chia ra đối tượng trên ảnh sốt rét [2]. làm 3 cấp độ: 1, 2, 3 với 6 tiêu chí xác định Mạng R-CNN (Region with CNN features) [3]: tiêu chí 1: tương quan khoảng rộng được sử dụng chủ yếu trong nhận dạng đối xương hàm từ mặt xa răng số 7 đến cành cao tượng. Trong đó, CNN hoạt động như một bộ xương hàm dưới và bề rộng của răng số 8; trích chọn đặc trưng và lớp dày đặc đầu ra tiêu chí 2: Vị trí độ sâu; tiêu chí 3: trục răng; bao gồm các đặc trưng được trích xuất từ tiêu chí 4: chân răng; tiêu chí 5: mật độ hình ảnh. Các đặc trưng này được đưa vào xương; tiêu chí 6: độ rộng khoảng sáng dây một bộ phân lớp SVM để phân loại sự hiện chằng quanh răng. Với bệnh viêm quang diện của đối tượng. cuống được chia thành 3 cấp độ: 1, 2, 3 [3]. Trong bài báo này, mạng R-CNN được sử Kết quả thực nghiệm về hỗ trợ chẩn đoán dụng trong hỗ trợ chẩn đoán bệnh nha khoa về bệnh răng 8 mọc lệch (được thể hiện ở dựa trên các ảnh X-quang. hình 1b, ảnh gốc ở hình 1a), về bệnh viêm quanh cuống (được thể hiện ở hình 1d, ảnh 3. KẾT QUẢ THỰC NGHIỆM gốc ở hình 1c). Ảnh hỗ trợ có khoanh vùng Trong thực nghiệm với bộ dữ liệu ảnh X- và đánh dấu vị trí có khả năng bị bệnh để bác Quang nha khoa thu thập từ 2018 đến nay sĩ tập trung vào việc chẩn đoán bệnh với của trường Đại học Y Hà Nội. Số lượng ảnh: độ chính xác cao hơn so với việc quan sát từ 1435 ảnh mắc 2 bệnh răng 8 mọc lệch và ảnh gốc. bệnh viêm quanh cuống. Trong đó chúng Bảng 1 trình bày kết quả chẩn đoán sau khi bệnh răng 8 mọc lệch là 955 ảnh, bệnh viêm có sự hỗ trợ của R-CNN. Trong đó 100 ảnh quanh cuống là 480 ảnh. Trong quá trình thực không mắc bệnh chúng tôi chỉ test trên bệnh nghiệm chúng tôi dùng 1100 ảnh để training, răng 8 mọc lệch. và 335 ảnh để testing, đồng thời có sử dụng bổ sung 100 ảnh X-Quang nha khoa không Bảng 1. Kết quả chẩn đoán mắc bệnh này để testing (tổng số ảnh để Số ảnh testing là 435 ảnh). Bệnh Accuracy chẩn đoán Răng 8 mọc lệch 200 98 Viêm quanh cuống 135 82 Không mắc bệnh 100 97 a. Ảnh gốc về răng 8 b. Ảnh hỗ trợ Kết quả thực nghiệm cũng so sánh với mọc lệch chẩn đoán răng 8 phương pháp DDS (Dental Diagnosis mọc lệch System) [6] của nhóm Lê Hoàng Sơn và cộng sự dựa trên độ đo Accuracy. Phương pháp DDS đã sử dụng phân đoạn ảnh X-quang nha khoa dựa trên phân cụm bán giám sát mờ với các thông tin bổ trợ từ các chuyên gia, sau đó xác định các vùng có khả năng mắc bệnh từ đó tổng hợp và đưa ra quyết định hỗ trợ c. Ảnh gốc về bệnh d. Ảnh hỗ trợ chẩn chẩn đoán. viêm quanh cuống đoán về bệnh viêm Khi đó với bệnh răng 8 mọc lệch thì quanh cuống R-CNN có kết quả tốt hơn, còn DDS tốt hơn với bệnh viêm quanh cuống (kết quả Hình 1. Kết quả thực hiện hỗ trợ chẩn đoán Bảng 2). 196
Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8 Bảng 2. Kết quả so sánh giữa DDS với [5] Mo, X., Tao, K., Wang, Q., & Wang, G. R-CNN dựa trên độ đo Accuracy (2018, August). An Efficient Approach for Polyps Detection in Endoscopic Videos Bệnh DDS R-CNN Based on Faster R-CNN. In 2018 24th Răng 8 mọc lệch 87 98 International Conference on Pattern Viêm quanh cuống 85 82 Recognition (ICPR) (pp. 3929-3934). IEEE. [6] Le Hoang Son, Tran Manh Tuan, Hamido Không mắc bệnh 84 97 Fujita, Nilanjan Dey, Amira S. Ashour, Vo Truong Nhu Ngoc, Le Quynh Anh, Chu Dinh 4. KẾT LUẬN Toi, (2018), “Dental Diagnosis from X-Ray Images: An Expert System based on Fuzzy Trong bài báo này, chúng tôi đã áp dụng Computing”, Biomedical Signal Processing phương pháp Deep learning cho bài toán hỗ and Control, 39, 64-73. trợ chẩn đoán nha khoa. Phương pháp này [7] Roan Thi Ngan, Bui Cong Cuong, Tran Manh được đánh giá bằng thực nghiệm trên bộ dữ Tuan, Le Hoang Son (2018), “Medical liệu ảnh X-Quang nha khoa thu thập. Diagnosis from Images with Intuitionistic Các kết quả thực nghiệm độ chính xác về Fuzzy Distance Measures”, Proceeding of the bệnh răng 8 mọc lệch là 98%, còn bệnh viêm 2018 International Joint Conference on quanh cuống là 82%. Để cải thiện độ chính Rough Sets (IJCRS-2018), 20-24 August, xác, chúng tôi đang tiếp tục xác định các đặc 2018, Quy Nhon, Vietnam, pp. 479 – 490. trưng của từng bệnh nhằm hỗ trợ tốt hơn khi [8] Tran Thi Ngan, Luong Thi Hong Lan, thực hiện mô hình. Mumtaz Ali, Dan Tamir, Le Hoang Son, Tran Manh Tuan, Naphtali Rishe, Abe Kandel 5. TÀI LIỆU THAM KHẢO (2018), “Logic Connectives of Complex Fuzzy Sets”, Romanian Journal of [1] Deng, L., & Yu, D. (2014). Deep learning: Information Science and Technology, 21(4), methods and applications. Foundations and pp. 344-358. Trends in Signal Processing, 7(3–4), 197-387. [9] Tran Thi Ngan, Tran Manh Tuan, Le Hoang [2] Hung, J., & Carpenter, A. (2017). Applying Son, Nguyen Hai Minh, Nilanjan Dey faster R-CNN for object detection on malaria (2016), “Decision makinh based on fuzzy images. In Proceedings of the IEEE aggregation operators for medical diagnosis Conference on Computer Vision and Pattern from dental X-ray images”, Journal of Recognition Workshops (pp. 56-61). Medical Systems, 40(12), 280: pp 1-7. [3] Hoàng Tử Hùng (2012), Giải phẫu răng, Nhà [10] Trương Mạnh Dũng, Vũ Mạnh Tuấn (2011). xuất bản Y học. Thực trạng bệnh răng miệng và một số yếu [4] Kawazoe, Y., Shimamoto, K., Yamaguchi, tố liên quan ở trẻ 4-8 tuổi tại 5 tỉnh thành R., Shintani-Domoto, Y., Uozaki, H., của Việt Nam năm 2010. Y học thực hành. Fukayama, M., & Ohe, K. (2018). Faster R- Số 12/2011 (797), 56-59. CNN-Based Glomerular Detection in Multistained Human Whole Slide Images. Journal of Imaging, 4(7), 91. 197