Báo cáo Nghiên cứu khoa học - Xử lý ảnh X – quang phổi sử dụng mạng Nơ – Ron

............... 2 1.1. Phát biểu bài toán ........................................................................................ 2 1.2. Tính cấp thiết ............................................................................................... 3 1.3. Tổng quan về xử lý ảnh trong y khoa ........................................................... 3 Chương 2. MẠNG NƠ-RON NHÂN TẠO .................................................... 10 2.1. Giới thiệu chung ........................................................................................ 10 2.1.1. Thế nào là mạng nơ-ron sinh học .................................................... 10 2.1.2. Thế nào là mạng nơ-ron nhân tạo .................................................... 11 2.1.3. Lịch sử phát triển mạng nơ-ron nhân tạo ......................................... 14 2.2. Xử lý ảnh y khoa ứng dụng mạng nơ-ron................................................... 18 2.3. Mạng nơ-ron truyền thẳng ......................................................................... 20 2.3.1. Khái niệm ....................................................................................... 20 2.3.2. Thuật toán lan truyền ngược ........................................................... 21 Chương 3. KỸ THUẬT ĐA PHÂN GIẢI ............................................... 25 3.1. Khái niệm về kỹ thuật đa phân giải ............................................................ 25 3.2. Phân tích đa phân giải xử dụng phép biến đổi Pyramid .............................. 25 Chương 4. GIẢM ĐỘ CHE XƯƠNG TRONG ẢNH X-QUANG ..... 28 4.1. Tách vùng phổi tự động ............................................................................. 28 4.2. Xác định khung xương sử dụng máy học ................................................... 30 4.3. Giảm độ che của xương sử dụng ạng nơ-ron .............................................. 34 Chương 5. THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ .................. 38 5.1. Thực nghiệm ............................................................................................. 38 5.2. Đánh giá kết quả ........................................................................................ 46 KẾT LUẬN VÀ KHUYẾN NGHỊ ................................................................. 48 1. Kết luận ........................................................................................................ 48 2. Khuyến nghị ................................................................................................. 48 TÀI LIỆU THAM KHẢO ......................................................................... 49 TÓM TẮT ĐỀ TÀI Kỹ thuật sử dụng mạng nơ-ron huấn luyện để tạo ra ảnh xương tương ứng thay vì kỹ thuật cũ phải chụp ảnh X-quang cường độ cao gây ảnh hưởng đến sức khỏe, sau đó sẽ thực hiện việc loại bỏ xương sườn từ ảnh xương tương ứng giúp cho các hạch bệnh bị chồng lấn bởi xương dễ dàng nhận thấy hơn. DANH MỤC KÍ HIỆU STT Từ viết tắt Tên đầy đủ 1 ANN Artificial neural network: mạng nơ-ron nhân tạo Computer-aided diagnosis: chẩn đoán với sự trợ giúp 2 CAD máy tính Linear discriminant analysis: phân tích biệt thức tuyến 3 LDA tính Massive training artifical neural network: huấn luyện 4 MTANN lớn mạng nơ-ron nhân tạo 5 NN Neural network: mạng nơ-ron Picture archiving and communication systems: lưu trữ 6 PACS hình ảnh và hệ thống thông tin Radiological Society of North America: hiệp hội 7 RSNA phóng xạ khu vực Bắc Mỹ DANH MỤC BẢNG Bảng 1.1. Số lượng các bài CAD liên quan đến 7 bộ phận cơ thể khác nhau ....... 4 Bảng 2.1. Các hàm kích hoạt ............................................................................. 13 Bảng 2.2. Các mạng nơ-ron chính được sử dụng trong ảnh y tế ......................... 18 Bảng 2.3. Các mạng nơ-ron tiêu biểu được sử dụng cho tiền xử lý ảnh y tế ....... 19 Bảng 5.1. Mô hình huấn luyện MTANN ........................................................... 42 Bảng 5.2. Lỗi trung bình huấn luyện của các MTANN ...................................... 44 DANH MỤC HÌNH Hình 1.1. Ảnh X-quang phối chụp ngang và trước-sau ....................................... 6 Hình 1.2. Ảnh X-quang ngực bên ....................................................................... 6 Hình 1.3. Ảnh MRA nội sọ................................................................................. 7 Hình 1.4. Ảnh quét xương toàn thân liên tiếp ..................................................... 8 Hình 2.1. Sơ đồ đơn giản của hai tế bào thần kinh sinh học .............................. 11 Hình 2.2. Mô hình nơ-ron cơ bản ..................................................................... 12 Hình 2.3. Mạng nơ-ron truyền thẳng nhiều lớp ................................................. 21 Hình 2.4. Mô hình mạng nơ-ron truyền thẳng 3 lớp. ......................................... 22 Hình 3.1. Minh họa kỹ thuật đa phân giải - phân rã .......................................... 26 Hình 3.2. Minh họa kỹ thuật đa phân giải - hợp thành ...................................... 27 Hình 4.1. Kiến trúc huấn luyện của một MTANN ............................................ 31 Hình 4.2. Minh họa kiến trúc và huấn luyện của một MTANN. ....................... 36 Hình 5.1. Các chức năng đa phân giải............................................................... 38 Hình 5.2. Các chức năng điểm đặc trưng .......................................................... 39 Hình 5.3. Các chức năng huấn luyện MTANN ................................................. 39 Hình 5.4. Các chức năng tạo ảnh xương ........................................................... 40 Hình 5.5. Các chức năng loại bỏ xương ............................................................ 40 Hình 5.6. Ảnh phục vụ huấn luyện ................................................................... 41 Hình 5.7. Ảnh phục vụ huấn luyện ................................................................... 42 Hình 5.8 Ảnh huấn luyện HighPass cấp 1 của ảnh phổi và ảnh xương tương ứng ......................................................................................................................... 43 Hình 5.9. Ảnh huấn luyện HighPass cấp 2 của ảnh phổi và ảnh xương tương ứng ......................................................................................................................... 43 Hình 5.10. Ảnh huấn luyện LowPass cấp 2 của ảnh phổi và ảnh xương tương ứng ......................................................................................................................... 44 Hình 5.11. Ảnh kết quả huấn luyện .................................................................. 45 Hình 5.12. Ảnh kết quả sau khi thực hiện làm giảm độ che xương sườn ........... 46 1 MỞ ĐẦU Ngày nay, bệnh ung thư phổi là một căn bệnh vô cùng nguy hiểm, số người mắc bệnh ngày càng trẻ hóa và là một trong các bệnh có tỉ lệ tử vong cao nhất. Một trong các tiếp cận khá phổ biến hiện nay để giúp phát hiện và chẩn đoán sớm bệnh ung thư phổi là dựa vào X-quang. Chụp X-quang thường cho kết quả nhanh với chi phí thấp so với các kỹ thuật khác như CT hay MRI. Tuy nhiên, vùng phổi trong ảnh chụp X-quang bị che khuất bởi xương sường và xương đòn. Từ đó ảnh hưởng đến kết quả phát hiện và chẩn đoán các hạch bệnh phổi. Tác giả trình bài một phương pháp làm giảm độ che xương sườn và xương đòn trong ảnh X-quang phổi giúp cách hạch bệnh bị chồng lấn dễ nhận biết hơn. Thay vì sử dụng kỹ thuật chụp Dual-energy (cường độ cao) gây ảnh hưởng xấu tới sức khỏe, ảnh “giống xương” sẽ được tạo ra từ ảnh X-quang phổi thông qua việc sử dụng mạng nơ-ron truyền thẳng đã được huấn luyện. Điều này sẽ tốt cho sức khỏe và giảm chi phí người bệnh. 2 Chương 1. TỔNG QUAN VỀ ĐỀ TÀI Tổng quan về ý nghĩa và tính cấp thiết của việc xử lý ảnh áp dụng trong y khoa. 1.1. Phát biểu bài toán Hiện nay, ung thư phổi là một trong những bệnh ung thư phổ biến nhất trên thế giới và là loại ung thư chiếm tỷ lệ cao trong các bệnh ung thư ở nước ta, với số lượng bệnh nhân tăng lên rất nhanh và ngày càng trẻ hóa trong những năm gần đây. Bệnh gây ra các biến chứng nguy hiểm và có thể dẫn đến tử vong. Vì vậy, việc phát hiện sớm đóng vai trò quan trọng trong công tác chữa trị. Một trong những biện pháp để phát hiện bệnh sớm là dựa vào ảnh X-quang phổi, vì X-quang phổi cho kết quả nhanh với chi phí thấp. Để nâng cao hiệu quả cho quá trình chẩn đoán của bác sĩ, một số chương trình CAD (Computer-aided diagnosis) đã được phát triển. Một thách thức lớn trong chương trình CAD hiện nay để nhận diện hạch trên X-quang phổi là phát hiện các hạch chồng chéo với các xương sườn, giao cắt giữa xương sườn và xương đòn, vì đa số các trường hợp bị bỏ sót gây ra bởi những cấu trúc này, làm ảnh hưởng đến hiệu quả của chương trình CAD, gây khó khăn cho việc phát hiện bệnh. Do đó, việc làm giảm độ che của xương sườn và xương đòn trên X-quang phổi sẽ giúp ích cho việc cải thiện độ chính xác để nhận diện hạch trong hệ thống CAD. Một cách tiếp cận làm giảm độ che xương sườn sử dụng kỹ thuật Dual- energy. Bằng cách thực hiện chụp ảnh 2 lần, ảnh thứ nhất là ảnh chụp phổi bình thường, ảnh thứ 2 là ảnh chụp phổi với cường độ cao chỉ thấy xương. Tuy nhiên kỹ thuật này sẽ gây ảnh hưởng đến sức khỏe người bệnh. 3 Mục đích của tác giả trong nghiên cứu này là để phát triển một kỹ thuật xử lý ảnh làm giảm độ che của xương sườn trên X-quang phổi bằng cách tiếp cận máy học. Cách tiếp cận này khắc phục được các nhược điểm của kỹ thuật Dual-energy, giúp giảm chi phí và giảm ảnh hưởng đến sức khỏe của người bệnh. 1.2. Tính cấp thiết Mỗi năm, hơn 9 triệu người trên thế giới chết vì các bệnh liên quan đến phổi, trong đó ung thư phổi gây tử vong 945.000 người, và là nguyên nhân hàng đầu gây tử vong ung thư trên thế [6, tr.1269–1276]. Để có những giải pháp điều trị thuận lợi và kịp thời, việc phát hiện sớm ung thư phổi đóng vai trò hết sức quan trọng. Một trong những phương pháp để phát hiện sớm ung thư phổi hiện nay là sử dụng kỹ thuật X-quang vì nó cho kết quả nhanh với chi phí thấp (so với chụp CT hoặc MRI). Tuy nhiên, việc chẩn đoán dựa trên ảnh X-quang còn nhiều hạn chế. Một số báo cáo chỉ ra rằng có từ 12% - 90% các trường hợp trong đó hạch phổi rất khó được phát hiện thậm chí là bỏ sót [36 , tr.994-999]. 1.3. Tổng quan về xử lý ảnh trong y khoa Ảnh y tế là kỹ thuật và quá trình tạo ảnh đại diện của các cấu trúc bên trong cơ thể để phân tích lâm sàng và can thiệp y tế, cũng như đại diện trực quan các chức năng của một số cơ quan hoặc mô (sinh lý). Ảnh y tế tìm cách tiết lộ cấu trúc bên trong ẩn bởi da và xương, cũng như để chẩn đoán và điều trị bệnh. Ảnh y tế cũng thiết lập một cơ sở dữ liệu về giải phẫu học và sinh lý học bình thường từ đó có thể để xác định những bất thường [35]. Hầu hết các hình ảnh y tế có chất lượng kém và bị nhiễu dẫn đến tỷ lệ tín hiệu kém so với những ảnh chụp bởi một máy ảnh kỹ thuật số, dẫn đến độ phân giải không gian kỳ vọng thấp hơn và làm cho sự tương phản giữa các cấu trúc giải phẫu 4 khác biệt quá thấp để tin cậy. Ví dụ, trong trường hợp của ảnh siêu âm, các đốm nhiễu, gây ra bởi sự tán xạ của chùm tia siêu âm từ mô nhỏ đồng nhất, có xu hướng che khuất sự hiện diện của các tổn thương có độ tương phản thấp và làm giảm khả năng nhận biết tổn thương đó bởi người quan sát đọc kết quả [18, tr.659-675]. Vì những lý do này, các kỹ thuật tiền xử lý ảnh được sử dụng để làm giảm nhiễu và làm mờ ảnh y tế là không thể thiếu. Việc thay đổi nội dung hình ảnh phải được thực hiện một cách có kiểm soát cao và đáng tin cậy mà không làm ảnh hưởng đến quyết định lâm sàng. Để hạn chế vấn đề này, một số tiếp cận CAD để phát hiện hạch trên ảnh X-quang phổi đã được đầu tư nghiên cứu. CAD là một kỹ thuật liên ngành kết hợp yếu tố của trí thông minh nhân tạo và thị giác máy tính trong xử lý ảnh X-quang. Một ứng dụng điển hình là phát hiện khối u. Ví dụ, một số bệnh viện sử dụng CAD để hỗ trợ phòng ngừa, kiểm tra sức khỏe trong ảnh nhũ (mammography) chẩn đoán ung thư nhũ, phát hiện khối u ở đại tràng và ung thư phổi [36]. Số lượng các bài báo liên quan đến nghiên cứu CAD trình bày tại cuộc họp RSNA (Radiological Society of North America) từ năm 2000 - 2005 được liệt kê trong Bảng 1.1 Đa số các bài đã được thuyết trình quan tâm với ba cơ quan - ngực, nhũ và ruột kết. Bên cạnh đó, các cơ quan khác như não, gan, và hệ thống xương và mạch máu cũng là những đối tượng chịu nghiên cứu CAD Bảng 1.1. Số lượng các bài CAD liên quan đến 7 bộ phận cơ thể khác nhau Năm 2000 2001 2002 2003 2004 2005 Ngực 22 37 53 94 70 48 Nhũ 23 28 32 37 48 49 Phổi 4 10 21 17 15 30 5 Não - 4 2 10 9 15 Gan3 3 - 5 9 9 9 Xương 2 7 7 9 8 5 Các mạch máu 5 - 12 15 2 7 Tổng 59 86 134 191 161 163 Một số lượng lớn các kiểm tra cho kết quả bình thường, và phát hiện chỉ có một số nhỏ các tổn thương nghi ngờ của bác sĩ X-quang được cân nhắc là rất khó và tốn thời gian. Do đó, dường như giai đoạn đầu của CAD là thiết thực và hợp lý trong các tình huống lâm sàng với một loạt các nghiên cứu điển hình. Phát hiện hạch trên ảnh X-quang phổi: hình 1.1 minh họa của một hạch phổi tương đối lớn, nhưng rất khó nhận thấy (vòng tròn chấm) nằm trong khu vực trung thất bên phải được đánh dấu một cách chính xác bởi CAD (hình tam giác) ở mặt bên, nhưng đã không được đánh dấu bởi CAD đối với ảnh trước sau. - Phát hiện gãy xương cột sống trên X-quang ngực ngang: hình 1.2 minh hoạ phát hiện chính xác (đầu mũi tên) của máy tính phát hiện một đốt sống bị gãy (vòng tròn chấm) dưới cơ hoành trên X-quang ngực ngang, có thể được sử dụng như là một ý kiến thứ hai. Như vậy, tính chính xác phát hiện gãy xương cột sống của bác sĩ X-quang có thể được cải thiện cũng như trong việc chẩn đoán sớm bệnh loãng xương. 6 Hình 1.1. Ảnh X-quang phối chụp ngang và trước-sau Hình 1.2. Ảnh X-quang ngực bên 7 - Phát hiện của chứng phình động mạch nội sọ ở MRA: hình 1.3 minh họa ảnh 3D MRA đẳng hướng trong hình 1.3(a) đã được xử lý bằng cách sử dụng multi-scale enhancement filter có chọn lọc để phát hiện chứng phình mạch nội sọ (vòng tròn chấm), như minh họa trong hình ảnh chấm tăng cường trong hình 1.3 (b). - Phát hiện những thay đổi trong khoảng thời gian quét xương toàn thân liên tiếp: hình 1.4 minh hoạ hình ảnh trừ tạm thời thu được từ các hình ảnh quét xương trước đây và hiện tại. Một tổn thương lạnh (chấm tròn trắng) và hai tổn thương nóng (chấm tròn đen) trên hình ảnh trừ đã được đánh dấu một cách chính xác bởi máy tính. Hình 1.3. Ảnh MRA nội sọ 8 Hình 1.4. Ảnh quét xương toàn thân liên tiếp Vì vậy, chẩn đoán bằng máy tính - CAD đã trở thành một phần trong việc chẩn đoán lâm sàng để phát hiện những tổn thương tiềm năng từ ảnh y khoa, cũng như khả năng ứng dụng cho nhiều loại khác nhau của các thương tổn thu được với các phương thức khác nhau. CAD là một khái niệm dựa trên vai trò độc lập của 9 bác sĩ và máy tính, và do đó khác biệt từ chẩn đoán máy tính tự động. Trong tương lai, khả năng là chương trình CAD sẽ được tích hợp vào PACS (Picture archiving and communication systems), và sẽ được tích hợp như một gói để phát hiện các tổn thương và cũng cho chẩn đoán phân biệt. CAD sẽ được sử dụng như một công cụ hữu ích trong việc kiểm tra chẩn đoán lâm sàng hàng ngày. 10 Chương 2. MẠNG NƠ-RON NHÂN TẠO Giới thiệu về mạng nơ-ron sinh học và mạng nơ-ron nhân tạo, lịch sử phát triển của mạng nơ-ron nhân tạo. Tổng quan về xử lý ảnh sử dụng mạng nơ-ron. Giới thiệu về mô hình mạng nơ-ron truyền thẳng và thuật toán lan truyền ngược trong huấn luyện. 2.1. Giới thiệu chung 2.1.1. Thế nào là mạng nơ-ron sinh học Mạng nơ-ron nhân tạo đã và đang được ứng dụng rất phổ biến trong nhiều lĩnh vực khác nhau với nhiều kiến trúc mạng đã và đang được nghiên cứu, phát triển dựa trên cấu tạo và cách hoạt động não bộ của con người. Não người bao gồm một số lượng lớn (khoảng 1011) các phần tử kết nối với nhau (khoảng 104 kết nối cho mỗi phần tử) được gọi là tế bào thần kinh. Cấu tạo của các tế bào thần kinh có ba thành phần chính: nhánh, thân tế bào và sợi thần kinh. Hình 2.1. mô tả sơ đồ đơn giản của hai tế bào thần kinh sinh học [26, tr.1-8]. Các nhánh là các mạng lưới tiếp nhận giống như các sợi thần kinh truyền tín hiệu điện vào thân tế bào. Các sợi thần kinh là một sợi đơn dài mang tín hiệu từ thân tế bào ra tế bào thần kinh khác. Các điểm tiếp xúc giữa sợi trục của một tế bào và một nhánh của một tế bào được gọi là một khớp thần kinh. Nó là sự sắp xếp của các tế bào thần kinh và sức mạnh của các khớp thần kinh được xác định bởi một quá trình hóa học phức tạp, thiết lập các chức năng của mạng lưới thần kinh [26, tr.1-8]. Một số cấu trúc thần kinh được xác định khi chúng ta được sanh ra. Các bộ phận khác được phát triển thông qua học tập, như các kết nối mới được tạo ra và những kết nối cũ mất đi. Sự phát triển này là nổi bật nhất trong giai đoạn đầu của cuộc đời. 11 Hình 2.1. Sơ đồ đơn giản của hai tế bào thần kinh sinh học Cấu trúc thần kinh tiếp tục thay đổi trong suốt cuộc đời. Những thay đổi sau đó có khuynh hướng chủ yếu bao gồm tăng cường hoặc suy yếu của các mối nối khớp thần kinh. Ví dụ, người ta tin rằng những ký ức mới được hình thành bằng sự thay đổi sức mạnh của khớp thần kinh. Ví dụ, quá trình học tập khuôn mặt của một người bạn mới bao gồm thay đổi các khớp thần kinh khác nhau. Các nhà khoa học chỉ mới bắt đầu hiểu cách hoạt động của mạng nơ-ron sinh học. Nó thường được hiểu rằng tất cả các chức năng thần kinh sinh học, bao gồm trí nhớ, được lưu trữ trong các tế bào thần kinh (nơ-ron) và trong các kết nối giữ chúng. Quá trình học tập được xem như thành lập các kết nối mới giữa các tế bào thần kinh hoặc sửa đổi các liên kết hiện tại. 2.1.2. Thế nào là mạng nơ-ron nhân tạo Các tế bào thần kinh mà chúng ta nhắc đến ở đây không phải là sinh học. Nó là những khái niệm trừu tượng vô cùng đơn giản của tế bào thần kinh sinh học, thực hiện như các phần của một chương trình hoặc như một mạch điện làm bằng 12 silicon. Mạng nơ-ron nhân tạo sẽ không có được sức mạnh của bộ não con người, nhưng chúng có thể được huấn luyện để thực hiện các chức năng hữu ích. Mạng nơ-ron nhân tạo không tiếp cận sự phức tạp của bộ não. Tuy nhiên, có hai điểm tương đồng chính giữa mạng nơ-ron sinh học và nhân tạo. Đầu tiên, các khối xây dựng của cả hai mạng là những thiết bị tính toán đơn giản (mặc dù tế bào thần kinh nhân tạo là đơn giản hơn nhiều so với tế bào thần kinh sinh học) kết nối với nhau. Thứ hai, sự kết nối giữa các tế bào thần kinh xác định chức năng của mạng. Điều đáng chú ý là mặc dù tế bào thần kinh sinh học là rất chậm so với các mạch điện (10-3 s so với 10-10 s), não bộ có thể thực hiện nhiều nhiệm vụ nhanh hơn nhiều so với bất kỳ máy tính thông thường. Vì một phần cấu trúc ồ ạt song song của mạng nơ-ron, tất cả các tế bào thần kinh đang hoạt động cùng một lúc. Mạng nơ-ron nhân tạo chia sẻ cấu trúc song song này [26, tr.1-9]. Hình 2.2. Mô hình nơ-ron cơ bản Hình 2.2 mô tả mô hình nơ-ron nhân tạo cơ bản với 1 dữ liệu đầu vào p và 1 nơ-ron đầu ra. Trong đó, đầu vào p nhân với trọng số w thành wp. Một đầu vào khác là 1, nhân với bias b. Sau đó wp và b được chuyển vào hàm tổng có giá trị là 13 n. Hàm tổng n thường được gọi là mạng đầu vào (net input), thông qua hàm chuyển f (hay còn gọi là hàm kích hoạt), tạo ra nơ-ron đầu ra a. Nếu chúng ta liên hệ mô hình đơn giản này với nơ-ron sinh học mà ta đã thảo luận, trọng lượng w tương ứng với sức mạnh của một khớp thần kinh, các thân tế bào được đại diện bởi mạng đầu vào n và hàm kích hoạt f, đầu ra a là đại diện cho các tín hiệu trên sợi thần kinh. Đầu ra thực tế sẽ phụ thuộc vào hàm kích hoạt được chọn. Bias giống như một trọng số, ngoại trừ việc nó có một đầu vào không đổi là 1. Lưu ý rằng w và b là hai tham số vô hướng có thể điều chỉnh của nơ-ron. Thông thường các hàm kích hoạt được lựa chọn bởi các nhà thiết kế sau đó các trọng số w và b sẽ được điều chỉnh bởi một số nguyên tắc huấn luyện sao cho mối liên hệ giữa nơ-ron đáp ứng một số mục tiêu cụ thể. Chúng ta có các hàm kích hoạt khác nhau cho các mục đích khác nhau. Bảng 2.1 mô tả một số hàm kích hoạt được sử dụng [26, tr.2-6]. Bảng 2.1. Các hàm kích hoạt Tên hàm Quan hệ đầu vào/đầu ra Mô hình a = 0 n < 0 Hard Limit a = 1 n ≥ 0 a = -1 n < 0 Symmetrical Hard Limit a = +1 n ≥ 0 Linear a = n a = 0 n < 0 Saturating Linear a = n 0 ≤ n ≤ 1 14 a = 1 n > 1 a = -1 n < -1 Symmetric Saturating Linear a = n -1 ≤ n ≤ 1 a = 1 n > 1 1 Log-Sigmoid 푎 = 1 + 푒−푛 푒푛 − 푒−푛 Hyperbolic Tangent Sigmoid 푎 = 푒푛 + 푒−푛 a = 0 n < 0 Positive Linear a = n 0 ≤ n a = 1 nơ-ron với tối đa n Competitive a = 0 tất cả các nơ-ron khác 2.1.3. Lịch sử phát triển mạng nơ-ron nhân tạo Lịch sử phát triển mạng nơ-ron nhân tạo rất phong phú và nhiều màu sắc, cá nhân sáng tạo từ nhiều lĩnh vực, nhiều người trong số họ phải vật lộn trong nhiều thập kỷ để phát triển các khái niệm mà bây giờ chúng ta xem là hiển nhiên. Lịch sử này đã được ghi nhận bởi các tác giả khác nhau. Ít nhất hai thành phần xem là cần thiết cho sự tiến bộ của công nghệ: khái niệm và hiện thực. Đầu tiên, người ta phải có một khái niệm, cách suy nghĩ về một vấn đề, một số quan điểm của nó mang lại sự sáng tỏ mà thực tế chưa tồn tại. Điều này có thể liên quan đến một ý tưởng đơn giản, hoặc nó có thể được cụ thể hơn bao gồm một mô tả toán học. Để minh họa, chúng ta hãy xem xét lịch sử nghiên cứu của trái tim con người. Vào những thời kỳ khác nhau, nó được xem là trung tâm của linh hồn. Trong thế kỷ 17, các học viên y tế cuối cùng đã bắt đầu xem trái tim như một máy bơm, và họ thiết kế các thí nghiệm để nghiên cứu hoạt động bơm 15 của nó. Những thí nghiệm này đã tạo nên một cuộc cách mạng trong hiểu biết của chúng ta về hệ thống tuần hoàn. Nếu không có các khái niệm máy bơm, sự hiểu biết về trái tim của con người đã không thể vượt ngoài hiểu biết hiện tại. Một số nghiên cứu đầu tiên trong lĩnh vực mạng nơ-ron nhân tạo bắt đầu vào những năm cuối thế kỷ 19, đầu thế kỷ 20. Bao gồm các nghiên cứu liên ngành về vật lý, tâm lý học và thần kinh học của các nhà khoa học như Hermann von Helmholtz, Ernst Mach và Ivan Pavlov. Các nghiên cứu này nhấn mạnh lý thuyết chung về việc học, thị giác, điều hòa, không bao gồm mô hình toán học cụ thể của hoạt động tế bào thần kinh. Quan điểm hiện đại của mạng nơ-ron bắt đầu vào những năm 1940 với các nghiên cứu của Warren McCulloch and Walter Pitts, ông cho thấy rằng các mạng nơ-ron nhân tạo về nguyên tắc có thể tính toán bất kỳ phép tính số học hoặc hàm logic. Các nghiên cứu của họ thường được công nhận là nguồn gốc của mạng nơ- ron. Các ứng dụng thực tế đầu tiên của mạng nơ-ron nhân tạo đến cuối những năm 1950, với sự phát minh của mạng perceptron và quy tắc học liên quan bởi Frank Rosenblatt [10, tr.386-408] Rosenblatt và đồng nghiệp của ông đã xây dựng một mạng perceptron và chứng tỏ khả năng của nó thực hiện nhận dạng mẫu. thành công ban đầu này đã tạo ra rất nhiều sự quan tâm trong nghiên cứu mạng nơ-ron. Tuy nhiên sau đó, nó được chỉ ra rằng các mạng perceptron cơ bản có thể giải quyết những vấn đề hạn chế chỉ có một lớp. Tại cùng một thời điểm, Bernard Widrow và Ted Hoff giới thiệu một thuật toán học mới và sử dụng nó để huấn luyện mạng nơ-ron tuyến tính thích nghi, tương tự như trong cấu trúc và khả năng perceptron của Rosenblatt. Các quy tắc học Widrow-Hoff vẫn đang được sử dụng ngày nay. 16 Thật không may, cả hai mạng của Widrow của Rosenblatt bị hạn chế vốn có như nhau, đã được công bố rộng rãi trong một cuốn sách của Marvin Minsky và Seymour Papert [25]. Rosenblatt và Widrow đã nhận thức được những hạn chế và đề xuất các mạng mới sẽ vượt qua chúng. Tuy nhiên, họ đã không thể thay đổi thành công trong thuật toán học của họ để đào tạo các mạng phức tạp hơn. Nhiều người, chịu ảnh hưởng của Minsky và Papert, tin rằng nghiên cứu thêm về mạng nơ-ron là bế tắc. Điều này, kết hợp với thực tế rằng không có máy tính kỹ thuật số mạnh mẽ dựa vào đó để thử nghiệm, khiến nhiều nhà nghiên cứu phải bỏ cuộc. Suốt một thập kỷ, nghiên cứu mạng nơron phần lớn đã bị treo lửng. Tuy nhiên, một số nghiên cứu quan trọng đã tiếp tục trong những năm 1970. Năm 1972 Teuvo Kohonen [32, tr.353-359] và James Anderson [16, tr.197-220] phát triển mạng nơ-ron mới có thể hoạt động như những ký ức. Stephen Grossberg cũng đã rất tích cực trong giai đoạn này trong việc nghiên cứu các mạng tự tổ chức. Việc nghiên cứu đã bị chùn bước trong thời gian cuối năm 1960 vì thiếu các ý tưởng mới và máy tính mạnh để thử nghiệm. Trong những năm 1980 cả hai trở ngại được khắc phục, và những nghiên cứu về mạng nơ-ron nhân tạo tăng lên đáng kể. Máy tính cá nhân được phổ biến rộng rãi. Ngoài ra, các khái niệm quan trọng mới được giới thiệu. Hai khái niệm mới là nguyên nhân chính cho sự tái sinh của mạng nơ-ron. Thứ nhất là việc sử dụng của thống kê cơ học để giải thích sự hoạt động của một lớp nhất định của mạng tái phát, có thể được sử dụng như một bộ nhớ liên kết. Điều này đã được mô tả trong một bài báo chuyên đề của nhà vật lý John Hopfield [17, tr.2554-2558]. 17 Sự phát triển quan trọng thứ hai vào năm 1980 là thuật toán lan truyền ngược cho các mạng perceptron huấn luyện nhiều lớp, được phát hiện độc lập bởi các nhà nghiên cứu khác nhau. Các ấn phẩm có ảnh hưởng nhất của thuật toán lan truyền ngược là David Rumelhart và James McClelland [7]. Thuật toán này là câu trả lời cho những chỉ trích Minsky và Papert đã thực hiện trong năm 1960. Những phát triển mới hồi sinh các lĩnh vực của mạng nơ-ron. Từ những năm 1980, hàng ngàn bài báo đã được viết, mạng nơ-ron đã phát hiện ra vô số các ứng dụng, và các lĩnh vực với công trình lý thuyết và thực tiễn mới. Một bài báo mô tả việc sử dụng các mạng nơ-ron trong nghiên cứu văn học của Đại học Aston. Nó nói rằng "mạng có thể được huấn luyện để nhận ra phong cách viết cá nhân, và các nhà nghiên cứu đã sử dụng nó để so sánh tác phẩm do Shakespeare và tác giả cùng thời với ông". Một chương trình truyền hình khoa học phổ biến tài liệu sử dụng các mạng nơ-ron của một viện nghiên cứu Ý để kiểm tra độ tinh khiết của dầu ô liu. Google sử dụng mạng nơ-ron cho việc gắn thẻ ảnh (tự động xác định một hình ảnh và gán từ khóa), và Microsoft đã phát triển mạng lưới nơ-ron có thể giúp chuyển đổi các bài phát biểu nói tiếng Anh thành nói ngôn ngữ Trung Quốc. Các nhà nghiên cứu tại Đại học Lund và Bệnh viện Đại học Skane ở Thụy Điển đã sử dụng mạng nơ-ron để cải thiện tỷ lệ sống sót lâu dài cho người nhận ghép tim bằng cách xác định người nhận và các người hiến tặng tối ưu. Những ví dụ này là đại diện của hàng loạt các ứng dụng có thể được tìm thấy bởi mạng nơ-ron. Các ứng dụng được mở rộng vì mạng nơ-ron được xem là tốt để giải quyết vấn đề, không chỉ trong kỹ thuật, khoa học và toán học, cũng như trong y học, kinh doanh, tài chính và văn học. Ứng dụng cho một loạt các vấn đề trong nhiều lĩnh vực làm cho chúng rất hấp dẫn. Ngoài ra, máy tính nhanh hơn và tối ưu 18 các thuật toán đã làm cho nó có thể sử dụng mạng nơ-ron để giải quyết vấn đề công nghiệp phức tạp mà trước đây cần quá nhiều tính toán. 2.2. Xử lý ảnh y khoa ứng dụng mạng nơ-ron Với việc ảnh y tế đóng một vai trò ngày càng nổi bật trong chẩn đoán bệnh, lợi ích trong xử lý ảnh y tế đã tăng đáng kể trong những thập kỷ qua [24, tr.198- 211]. Đặc biệt là phương pháp dựa trên các ANN (Artificial neural network) đã thu hút sự chú ý nhiều hơn. Năm 1992, một cuộc khảo sát toàn diện về NN (Neural network) trong xử lý hình ảnh đã được xuất bản bởi Miller [27]. Trong bài báo của mình, Miller dự đoán rằng các ANN sẽ được sử dụng rộng rãi trong xử lý ảnh y tế và điều này đã trở thành sự thật. Trong những năm gần đây, các kỹ thuật xử lý hình ảnh giữ một vai trò quan trọng trong việc phân tích các hình ảnh y tế với loạt các phương pháp. Mạng nơ-ron được biết đến với hiệu suất cao trong việc phân loại và hàm xấp xỉ, đã được sử dụng thành công trong xử lý ảnh y tế trong những năm qua, đặc biệt là trong trường hợp của tiền xử lý, phân đoạn, và nhận dạng. Bảng 2.2 [34] đưa ra một cái nhìn tổng quan về các loại chính của mạng nơ-ron được sử dụng trong lĩnh vực này. Bảng 2.2. Các mạng nơ-ron chính được sử dụng trong ảnh y tế Tiền xử lý Phân đoạn Nhận dạng Feed forward NN √ √ √ Radial basis function NN - - √ Hopfield NN √ √ √ Self organizing feature NN √ √ 19 Adaptive resonance theory - - √ NN Cellylar NN √ - - Convolution NN - - √ Probabilistic NN - √ √ Fuzzy NN √ √ √ Neural ensemble √ √ Massive training NN √ - √ Hình ảnh tiền xử lý với các mạng nơ-ron thường rơi vào một trong hai loại sau: cải tạo hình ảnh và khôi phục hình ảnh (bao gồm giảm nhiễu và tăng cường). Các mạng nơ-ron được sử dụng cho hai hoạt động xử lý ảnh y tế được tóm tắt trong bảng 2.3 [34, tr.89]. Bảng 2.3. Các mạng nơ-ron tiêu biểu được sử dụng cho tiền xử lý ảnh y tế Mạng nơ-ron Tái tạo ảnh Phục hồi ảnh Hopfield NN √ √ Feed forward NN √ √ Self organizing feature NN √ - Fuzzy NN - √ Cellylar NN - √ Trong đó, mạng nơ-ron truyền thẳng (Feed forward NN) [9, tr.1049-1058] - [3 , tr. 2940-2943] và mạng nơron tự tổ chức Kohonen [5, tr. 783-789] – [4, tr. 594-600] có lợi thế hơn để xây dựng lại hình ảnh y tế so với các kỹ thuật khác do nó có thể tính toán một xấp xỉ tuyến tính của vấn đề nghịch đảo trực tiếp từ mô phỏng