Dựa trên công nghệ máy học, nhóm nghiên cứu tại Đại học Sài Gòn đã thiết kế thành công giải pháp phân tách hoàn toàn tự động ảnh não chụp cộng hưởng từ, qua đó giúp bác sỹ có thể nhanh chóng chuẩn đoán và đưa ra phương án điều trị cho bệnh nhân.
Ảnh y khoa là các hình ảnh kỹ thuật tiếp cận trực quan đến cấu trúc phức tạp bên trong cơ thể, để bác sĩ có thể đánh giá các chức năng của chúng mà không cần xâm nhập, qua đó hỗ trợ việc chẩn đoán và điều trị bệnh nhân một cách chính xác.
Trong đó, chụp cộng hưởng từ (MR) là phương pháp tiên tiến và được sử dụng rộng rãi bởi ưu điểm về độ tương phản rõ rệt giữa các loại mô như mô mềm, dịch trong tổn thương, có giá trị trong chẩn đoán các tổn thương của phần mềm, hệ thống mạch máu, hệ thống thần kinh.
Hiện nay, các nhà nghiên cứu đang tập trung phát triển các công cụ hỗ trợ về phân đoạn ảnh não và trích xuất các vùng trong ảnh não MR 3D tự động để có thể hỗ trợ chẩn đoán nhanh một số bệnh về não. Tuy nhiên, các công cụ này cũng gặp nhiều khó khăn trong việc trích xuất các vùng trong não do ảnh hưởng bởi nhiễu, các thành phần khác trong não.
Ảnh minh hoạ tách hộp sọ sử dụng các phương pháp học sâu phổ biến.
Hiểu được những thách thức từ những công cụ hiện có, cũng như đáp ứng mong muốn cải thiện chất lượng trong xử lý ảnh MRI bằng công nghệ máy học, nhóm nghiên cứu thuộc Đại học Sài Gòn đã tiến hành nghiên cứu và hoàn thành nhiệm vụ khoa học công nghệ “Trích xuất tự động vùng chất xám, vùng chất trắng và vùng dịch não từ ảnh não MRI”.
Cụ thể hơn, mục tiêu của đề tài là nghiên cứu việc phân đoạn não, sau đó trích xuất các vùng bên trong não như vùng chất trắng, vùng chất xám và vùng dịch tủy não để hỗ trợ chẩn đoán bệnh Alzheimer.
Sau quá trình nghiên cứu, nhóm đã hoàn thiện và xây dựng thành công giải pháp ứng dụng máy học dựa trên nền tảng UNET 3D với kết quả tốt hơn, đồng thời đề xuất các thuật toán phân vùng não và các chất trong não từ ảnh MR não ba chiều để hỗ trợ chẩn đoán bệnh.
Bên cạnh đó, nhóm nghiên cứu còn cung cấp phần mềm hỗ trợ trích xuất 3 vùng WM, GM và CSF với đầu vào là ảnh MR 3D não, và cho kết quả đầu ra là ảnh các vùng trong não. Bằng cách này, giải pháp có thời gian trích xuất các thành phần tối đa chỉ 120 giây/bệnh nhân, qua đó giúp bác sỹ trong việc phân tích, theo dõi và điều trị các bệnh liên quan đến não.
Phân tích não từng lát cắt 2D để “dạy” AI
Theo PGS. TS Phạm Thế Bảo, chủ nhiệm triển khai đề tài, Trong ảnh MR não có nhiều vùng quan trọng, cần thiết cho công việc chẩn đoán các bệnh liên quan đến não như vùng Trắng (White Matter - WM), vùng Xám (Gray Matter – GM), dịch não tuỷ (Cerebrospinal Fluid), vùng Đồi thị (Thalamus), hạch Hạnh nhân (Amygdala)…
Trong đó, nhóm nghiên cứu tập trung vào phân vùng 3 chất quan trọng là WM , GM và CSF từ ảnh cộng hưởng từ ba chiều (MRI 3D), bởi đây là các vùng có mối liên hệ mật thiết khi chẩn đoán bệnh Alzheimer, mất trí, bệnh lú lẫn... Bên cạnh đó, cũng theo lời đại diện nhóm nghiên cứu, ngày nay có rất nhiều bệnh nhân bị tử vong vì các bệnh liên quan đến hệ thần kinh như u não, bệnh Alzheimer, bệnh Dementia…
"Theo tổ chức Alzheimer’s Disease International, có gần 44 triệu người bị mắc bệnh Alzheimer, bệnh dementia trên thế giới. Và mỗi ngày có gần 700 người bị chẩn đoán u não", PGS. TS Phạm Thế Bảo nhấn mạnh, "Do đó nếu được phát hiện sớm sẽ giúp việc hỗ trợ phòng ngừa và điều trị bệnh nhân được hiện quả hơn".
Ảnh cắt lát và ba thành phần bên trong ảnh não sau khi tách hộp sọ.
Thông qua tìm hiểu kiến thức chuyên sâu về các công cụ hỗ trợ đã có, nhóm nghiên cứu đã đề xuất nhiều giải pháp khác nhau nhằm có thể phân tích tối đa phân vùng các chất trong ảnh MRI 3D, đồng thời phát triển một phương pháp riêng dựa trên công nghệ học sâu UNET.
Tổng quan về phương pháp đề xuất phân vùng ba đối tượng trong não từ ảnh não trên MRI
“Với những ưu điểm của mô hình UNET, chúng tôi tiếp tục phát triển và cải tiến phương pháp khảo sát, phân tích để tăng độ chính xác khi phân tách các thành phần trong não”, PGS. TS. Phạm Thế Bảo cho biết.
Cụ thể, trong phân vùng các chất trong não, nhóm nghiên cứu hoàn thiện đầu vào của mô hình phân vùng, bao gồm sự kết hợp của hình ảnh gốc và các đặc trưng từ mô hình 3D CNN (Convolutional Neural Network) thu nhỏ. Mô hình 3D CNN thu nhỏ này có chứa mối quan hệ giữa các lát cắt. Bên cạnh đó, nhóm cũng sử dụng một mô-đun có chức năng tìm ra vùng có xác suất dự đoán thấp, từ đó tiếp tục phân vùng để cải thiện kết quả.
Ảnh minh hoạ mô hình tăng cường dữ liệu ảnh
Từ mô hình 3D CNN, nhóm áp dụng UNET làm mô hình ban đầu. Sau khi áp dụng mặt nạ tách hộp sọ tương ứng có trong cơ sở dữ liệu, các lát cắt 2D được sử dụng làm đầu vào cho CNN và ba mô não, mô WM, GM và CSF, được phân vùng thành đầu ra của CNN.
Ngày nay, các phương pháp dựa trên máy học không chỉ phổ biến trong cộng đồng nghiên cứu, mà còn trong nhiều ứng dụng trong thế giới thực. Điều này thúc đẩy máy học trở thành một xu hướng chính trong công nghệ xử lý hình ảnh hiện nay. Các phương pháp dựa trên máy học sử dụng thuật toán, dữ liệu lớn và sức mạnh của các đơn vị xử lý đồ họa để phân đoạn hình ảnh với độ chính xác cao ví dụ như các nghiên cứu đã ứng dụng máy học để trích xuất 3 vùng WM, GM và CSF thông qua máy học kết hợp Gaussian Mixture Model (GMM). Trong nghiên cứu này, nhóm tác giả đã đề xuất một phương pháp hiệu quả để hỗ trợ các bác sĩ chẩn đoán bệnh Alzheimer thông qua phương pháp học sâu UNET.
Về cơ bản, UNET là phương pháp dựa trên mô hình Deep Convolutional Encoder-Decoder Neural Networks. Mô hình này có 2 thành phần chính là encoder và decoder. Trong phần decoder ngoài việc upsample, mô hình còn thực hiện kết nối đối xứng với các layer phần encoder vì nếu như upsample ngay từ layer cuối cùng ở phần encoder thì thông tin của bức ảnh ban đầu bị mất đi rất nhiều. Do đó việc kết nối đối xứng với phần encoder sẽ giúp ta phục hồi lại thông tin đã mất tại các lớp pooling.
|
Kết quả cho thấy, đối với phân đoạn WM, độ chính xác của phương pháp của nhóm và U-Net là như nhau (0,92) do đặc trưng trên lát cắt 2D và 2 lát cắt liền nhau khi sử dụng phương pháp này vẫn không đủ để tăng cường độ chính xác
Đối với phân đoạn GM, kết quả cho phương pháp của nhóm (mức 0,92) tốt hơn so với kết quả phân đoạn của các phương pháp khác (mức 0,91). Kết quả này là do thành phần phát hiện biên và phát hiện đối tượng nhỏ phát hiện chính xác hầu hết điểm ảnh sai, nằm trên đường biên giữa các mô GM và CSF. Do đó, độ chính xác của phân đoạn CSF của phương pháp đề xuất cũng tốt hơn cho so với các phương pháp khác.
Đại diện nhóm nghiên cứu cho biết, kết quả nghiên cứu của nhóm cho các số liệu tốt hơn so với các phương pháp khác nhờ vào hình ảnh gốc kết hợp với dự đoán từ mô hình 3D thu nhỏ là đầu vào cho mô hình CNN thứ hai để phân vùng. Cách thức này cho phép mô hình tiếp nhận nhiều đặc trưng hơn.
“Ưu điểm của mô hình của chúng tôi là có sử dụng mối quan hệ giữa các lát cắt để phân vùng và có nhiều dữ liệu để huấn luyện hơn so với mô hình 3D ban đầu, không sử dụng augmentation để tăng thêm dữ liệu”, PGS. TS Phạm Thế Bảo cho biết.
Từ nghiên cứu trên, nhóm tiếp tục xây dựng phần mềm hỗ trợ trích xuất 3 vùng WM, GM và CSF từ ảnh MRI. Qua đó, từ các thành phần đã trích xuất, bác sĩ có thể sử dụng để xem trực tiếp và chẩn đoán bệnh Alzheimer một cách trực quan.
Giao diện trang chủ ứng dụng nền tảng web.
Theo đó, khi truy cập ứng dụng, người dùng nhập dữ liệu đầu vào là ảnh MRI 3D, sau đó có thể chọn chức năng tách hộp sọ để có kết quả là MRI chỉ chứa vùng não. Với ảnh sau khi phân vùng não, ứng dụng có thể trích xuất 3 vùng WM, GM và CSF.
"Ứng dụng cũng hiện minh họa một số lát cắt ở giữa theo trục axial. Để xem toàn ảnh MRI, người dùng có thể tải hình ảnh về máy", báo cáo được nhóm nghiên cứu trình bày tại hội đồng tư vấn nghiệm thu nhiệm vụ nêu rõ.
Có thể khẳng định rằng, kết quả của nhiệm vụ khoa học công nghệ do nhóm chuyên gia tại Đại học Sài Gòn thực hiện và được Sở KH&CN TP.HCM nghiệm thu trong năm 2021 đã mở ra một hướng tiếp cận hoàn toàn mới, hiệu quả cho công tác thăm khám, chẩn đoán và điều trị nhiều chứng bệnh liên quan đến não, đặc biệt là chứng Alzheimer. Được biết, cùng với nhiệm vụ khoa học công nghệ nói trên, nhóm tác giả đã công bố 3 bài báo khoa học quốc tế và đào tạo 1 thạc sỹ chuyên ngành khoa học máy tính với luận văn tốt nghiệp "Phân đoạn vùng chất trắng, chất xám và vùng dịch não bằng phương pháp học sâu".