Tài liệu Nghiên cứu xử lý ảnh spect tim trong hỗ trợ chẩn đoán bệnh động mạch vành tt

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Nguyễn Thành Trung NGHIÊN CỨU XỬ LÝ ẢNH SPECT TIM TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH ĐỘNG MẠCH VÀNH Ngành: Kỹ thuật điện tử Mã số: 9520203 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội – 2021 Công trình được hoàn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: TS. Nguyễn Thái Hà GS. TS. Nguyễn Đức Thuận Phản biện 1: Phản biện 2: Phản biện 3: Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp tại Trường Đại học Bách khoa Hà Nội Vào hồi …….. giờ, ngày ….. tháng ….. năm ……… Có thể tìm hiểu luận án tại thư viện: 1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội 2. Thư viện Quốc gia Việt Nam MỞ ĐẦU Lý do chọn đề tài, mục đích nghiên cứu Bệnh động mạch vành là bệnh lý tim mạch hay gặp nhất, là nguyên nhân gây tử vong hàng đầu trên thế giới. Tổ chức y tế thế giới ước tính có tới 3,8 triệu đàn ông và 3,4 triệu phụ nữ chết vì bệnh động mạch vành mỗi năm. Tại các nước ở Bắc Mỹ và Tây Âu, tỉ lệ chết vì bệnh này đã giảm nhưng tại các nước đang phát triển, trong đó có Việt Nam, tỉ lệ này đang tăng nhanh với ước tính chỉ ra rằng khoảng 82% tỉ lệ chết vì bệnh động mạch vành trong tương lai. Xạ hình tưới máu cơ tim (Myocardial Perfusion Imaging) là phương pháp chẩn đoán bệnh thiếu máu cơ tim cục bộ không chảy máu có độ nhạy và độ đặc hiệu cao. Kỹ thuật này được thực hiện rộng rãi tại các nước phát triển bởi những giá trị chẩn đoán nó mang lại. Tuy nhiên, kỹ thuật xạ hình tưới máu cơ tim là một kỹ thuật khó, trải qua nhiều bước thực hiện từ dược chất phóng xạ, ghi hình, xử lý hình ảnh và đọc kết quả. Độ chuẩn xác của các bước này ảnh hưởng tới độ chính xác của chẩn đoán. Trong các yếu tố làm giảm độ chính xác của chẩn đoán thì nhiễu suy giảm trong khi ghi hình và sai sót chủ quan của bác sĩ đọc kết quả là những yếu tố quan trọng gây ảnh hưởng tới chất lượng chẩn đoán. Một, nhiễu suy giảm là hiện tượng suy giảm photon khi đi qua các tổ chức mô có tỉ trọng khác nhau, làm cho các photon không đến được các đầu dò của máy chụp cắt lớp phát xạ vi tính đơn photon (SPECT), dẫn đến phân bố phóng xạ ở cơ tim ghi bởi máy SPECT không chính xác. Để giải quyết vấn đề này, nhiều giải pháp đã được đưa ra như chụp nằm sấp, cải tiến thuật toán tái tạo và hiệu quả nhất bây giờ là gắn thêm một máy chụp cắt lớp vi tính (CT) vào cùng máy SPECT. Tuy nhiên, giá thành máy SPECT sẽ tăng lên đáng kể, kèm theo đó là các chi phí về phòng ốc và làm tăng nguy cơ mất an toàn bức xạ…Thêm vào đó, theo thống kê, số lượng máy SPECT đơn thuần đang chiếm khoảng 80 % trên thế giới nên giải quyết được nhiễu suy giảm mà vẫn tận dụng được những máy này có ý nghĩa quan trọng. Hai, sai sót chủ quan của bác sĩ bắt nguồn trình độ chuyên môn, độ phức tạp của hình ảnh, số lượng bệnh nhân lớn, khả năng tập trung, tâm trạng, sức khỏe…Theo thống kê ở Hoa Kỳ, sai sót chẩn đoán chung ước tính vào khoảng 10 đến 15% và trong tim mạch hạt nhân là 30 %. Giải pháp hỗ trợ phân loại bệnh nhân có tổn thương và không có tổn thương được phát triển nhằm giúp bác sĩ ra quyết định trên ảnh SPECT tim. Về cơ bản giải pháp hộ trợ này giống như người đọc thứ 2 có nhiệm vụ xác định tổn thương trên hình ảnh SPECT tim. Vì vậy, mục đích chính của luận án là đề xuất một giải pháp loại bỏ nhiễu suy giảm mà không dùng đến máy CT, tận dụng được những máy SPECT thông thường và giải pháp hỗ trợ bác sĩ ra quyết định trên ảnh SPECT tim. Tuy nhiên, để giải quyết được hai vấn đề trên, việc xây dựng cơ sở dữ liệu nhằm thử nghiệm các thuật toán là rất cần thiết. Đối tượng và phạm vi nghiên cứu của luận án Đối tượng nghiên cứu của luận án đặc trưng hình ảnh SPECT tim, mô hình trong lọc nhiễu và phân lớp. Phạm vi nghiên cứu của luận án là dữ liệu tại khoa Y học Hạt nhân, Bệnh viện Trung ương Quân đội 108 từ năm 2015 tới nay, các mô hình học máy được áp dụng trong lĩnh vực thị giác máy tính trong những năm gần đây, đặc biệt là các mô hình trong lọc nhiễu trong chụp cắt lớp CT. Ý nghĩa khoa học và thực tiễn của luận án Về ý nghĩa khoa học: Có được một bộ dữ liệu SPECT tim có số lượng lớn, độ chính xác cao, xây dựng tại cơ sở y học hạt nhân có uy tín được công bố rộng rãi. Bộ dữ liệu này được xây dựng với các đặc trưng hình ảnh SPECT tim của người Việt Nam. Đây không chỉ phục vụ cho nghiên cứu của tác giả mà còn phục vụ các nghiên cứu khác trong xử lý ảnh, hỗ trợ chẩn đoán bệnh động mạch vành trên ảnh SPECT tim sau này. Vấn đề xử lý nhiễu suy giảm trên ảnh SPECT tim bằng deep learning được nghiên cứu tổng thể, có hệ thống trên một cơ sở dữ liệu lớn, độ chính xác cao, thực hiện tại một cơ sở y học hạt nhân tin cậy. Mô hình lọc nhiễu được đề xuất có độ chính xác tương đương việc lắp thêm một máy chụp cắt lát CT cùng thuật toán phức tạp vào máy SPECT thông thường. Vấn đề hỗ trợ bác sĩ trong trả lời kết quả xạ hình tưới máu cơ tim được nghiên cứu tổng thể. Điều đó được thể hiện thông phương pháp phân loại tổn thương hay không tổn thương được đề xuất. Về ý nghĩa thực tiễn: Tập dữ liệu SPECT tim được công bố rộng rãi là động lực để phát triển các thuật toán học máy của các nghiên cứu xử lý nhiễu suy giảm, hỗ trợ chẩn đoán sau này. Giải pháp hiệu chỉnh nhiễu suy giảm bằng mô hình deep learning mang lại nhiều ý nghĩa thực tiễn như giảm liều chiếu xạ cho bệnh nhân, giảm chi phí mua sắm thiết bị, chi phí xây dựng phòng ốc bảo đảm an toàn bức xạ, tận dụng và phát huy được những máy SPECT đơn thuần sẵn có, là cảm hứng để phát triển các thế hệ máy SPECT tiếp theo trong tương lai, mở rộng áp dụng để hiệu chỉnh suy giảm cho ảnh PET/CT ảnh PET/MR… Giải pháp hỗ trợ chẩn đoán sẽ phân loại có tổn thương hay không có tổn thương cơ tim trên ảnh SPECT tim. Các bác sĩ sẽ tập trung phân tích nhiều hơn vào các trường hợp nghi ngờ, giảm sai sót, tăng độ chính xác chẩn đoán. Cấu trúc luận án Luận án bao gồm 4 chương, chương 1 trình bày tổng quan về bệnh động mạch vành, các phương pháp chẩn đoán, phương pháp xạ hình tưới máu cơ tim bằng máy SPECT, các hạn chế và phương pháp hỗ trợ. Chương 2 của luận án trình bày xây dựng bộ cơ sở dữ liệu SPECT tim làm cơ sở để thử nghiệm và đánh giá các thuật toán học máy. Tiếp theo, chương 3 đề xuất mô hình lọc nhiễu suy giảm cho các máy SPECT không có chức năng hiệu chỉnh này bằng CT. Chương 4 đề xuất 2 giải pháp hỗ trợ chẩn đoán trên hình ảnh SPECT tim là nâng cao chất lượng hình ảnh cho máy SPECT thông thường và mô hình hỗ trợ ra quyết định nhằm nâng cao độ chính xác chẩn đoán. Phần cuối cùng của luận án là kết luận và hướng phát triển của đề tài. CHƯƠNG 1. TỔNG QUAN VỀ PHƯƠNG PHÁP XẠ HÌNH TƯỚI MÁU CƠ TIM BẰNG MÁY SPECT 1.1. Bệnh lý động mạch vành Ở hầu hết các nước trên thế giới, trong đó có Việt Nam, bệnh động mạch vành CAD (coronary artery disease) là vấn đề quan tâm hàng đầu của y học hiện đại vì tỷ lệ mắc ngày càng cao và là một trong những nguyên nhân chính gây tử vong, mất sức lao động. Với bệnh nhân bị bệnh động mạch vành, chi phí điều trị rất lớn, đặc biệt là dành cho việc điều trị khi bệnh ở mức độ nặng hoặc biến chứng. Xơ vữa động mạch là nguyên nhân chính của bệnh động mạch vành. Xơ vữa động mạch làm dày thành động mạch, xâm lấn dần vào trong lòng mạch gây hẹp khẩu kính, dẫn đến giảm lưu lượng dòng chảy gây triệu chứng thiếu máu cục bộ cơ tim. Thêm nữa, mảng xơ vữa cũng có thể bị rách, vỡ tạo điều kiện hình thành huyết khối gây bít tắc lòng mạch, dẫn đến biến chứng nặng nề là nhồi máu cơ tim cấp (hình 1.1). Hình 1.1 Bệnh động mạch vành Có nhiều phương pháp để chẩn đoán bệnh động mạch vành, từ bệnh sử của cơn đau thắt ngực, đến các xét nghiệm chẩn đoán không xâm lấn như điện tâm đồ, siêu âm, chụp cộng hưởng từ, xét nghiệm chẩn đoán xâm lấn như chụp mạch cản quang qua da, xạ hình tưới máu cơ tim...Mỗi xét nghiệm đều có những ưu, nhược điểm riêng. Tuy nhiên, phương pháp xạ hình tưới máu cơ tim MPI được sử dụng phổ biến hơn cả trong các trường hợp nguy cơ trung bình và cao vì những giá trị trong chẩn đoán nó mang lại. 1.2. Xạ hình tưới máu cơ tim bằng máy SPECT Xạ hình tưới máu cơ tim MPI (myocardial perfusion imaging) bằng máy chụp cắt lớp phát xạ đơn photon SPECT (single photon emission computed tomography) là kỹ thuật dùng để đánh giá lượng máu nuôi tim có đầy đủ hay không trong lúc nghỉ ngơi và vận động (hình 1.2). Kỹ thuật này thường được chỉ định để tìm nguyên nhân đau ngực cũng như sau nhồi máu cơ tim để kiểm tra vùng nào của tim không nhận đủ máu hoặc đánh giá độ rộng tổn thương cơ tim. Bên cạnh đó, kỹ thuật SPECT MPI còn được dùng để xác định xem động mạch vành có bị hẹp hay không và hẹp ở mức độ nào. Hình 1.2 Quy trình xạ hình tưới máu cơ tim Ngày nay, xạ hình tưới máu cơ tim đã được chấp nhận, sử dụng rộng rãi, được coi là phương pháp chẩn đoán không chảy máu có vai trò quyết định trong lâm sàng. Các nghiên cứu lâm sàng đã đưa ra nhiều bằng chứng khoa học thuyết phục về sự chính xác tiên lượng, định hướng điều trị và theo dõi bệnh động mạch vành của phương pháp xạ hình tưới máu cơ tim (bảng 1.1). Bảng 1.1. Độ nhậy, đặc hiệu của SPECT MPI trong chẩn đoán bệnh động mạch vành STT Tác giả Dược chất phóng xạ Độ Đặc hiệu nhạy 1 Elhendy 2 Azzarelli 3 San Roman Tetrofosmin 4 Budoff 5 Sestamibi / 76 73 95 77 87 70 Tetrofosmin 75 71 Iskandrian Sestamibi 87 69 6 Candell- Riera Tl - 201 93 94 7 Berman Sestamibi 96 82 8 Kiat Sestamibi / Tl - 201 94 80 9 Mahmanrian Sestamibi 87 87 10 Bệnh Tl - 201 82 - 86 74 - 78 108 viện Tetrofosmin TƯQĐ Tetrofosmin / Sestamibi Các yếu tố ảnh hưởng tới độ chính xác chẩn đoán như liều lượng thuốc, kỹ thuật tiêm, kỹ thuật chụp, kỹ thuật xử lý hình ảnh, chuyên môn bác sĩ, các nhiễu phát sinh...Trong phạm vi nghiên cứu, tác giả xin trình bầy hai yếu tố cơ bản góp phần lớn vào sai sót là nhiễu do hiệu ứng suy giảm và yếu tố chủ quan của người đọc kết quả. Nhiễu ảnh hiệu ứng suy giảm do biến đổi tỉ trọng các mô mềm gây ra làm giảm độ chính xác, độ đặc hiệu kỹ thuật xạ hình tưới máu cơ tim. Để khắc phục nhiễu suy giảm, các kỹ thuật chụp SPECT MPI kết hợp điện tâm đồ ECG-gating MPI, chụp nằm úp được sử dụng để cải thiện khuyết điểm này. Phương pháp kết hợp ảnh chụp CT để hiệu chỉnh suy giảm mới được phát triển gần đây, đã tăng độ chính xác chuẩn đoán hơn so với các phương pháp hiệu chỉnh trên. Tuy nhiên, số lượng máy sử dụng phương pháp hiệu chỉnh bằng CT còn hạn chế vì giá thành đắt lên nhiều, yêu cầu cao hơn cho phòng chụp và bảo đảm an toàn bức xạ. Nguyên nhân thứ hai đề cập ở đây chính là sai sót chủ quan của bác sĩ đọc kết quả. Nguyên nhân này bắt nguồn bởi nhiều yếu tố như độ phức tạp của hình ảnh, trình độ của bác sĩ, số lượng bệnh nhân đông, khả năng tập trung, tâm trạng ...dẫn đến bỏ sót tổn thương, thay đổi chiến lược điều trị sai, gây hậu quả nghiêm trọng. Với hai yếu tố gây ra sai sót trong chẩn đoán SPECT MPI trình bày ở trên, việc nghiên cứu xử lý hình ảnh giảm nhiễu suy giảm và hỗ trợ giảm sai sót chủ quan của bác sĩ là những yêu cầu cấp thiết. 1.3. Giải pháp xử lý ảnh SPECT tim trong hỗ trợ chẩn đoán bệnh động mạch vành. Trong những năm gần đây, cộng đồng trí tuệ nhân tạo ở Việt Nam đã có những bước phát triển lớn. Các nghiên cứu về học máy nói chung và deep learning đang ngày càng nhiều, đi vào các lĩnh vực trong đó có xử lý ảnh y tế. Tuy nhiên, các nghiên cứu mô hình học máy trong xử lý ảnh SPECT tim thì chưa nhiều. Nguyên nhân ban đầu có thể chỉ ra là cơ sở dữ liệu về lĩnh vực này còn rất hạn chế, khó truy cập. Theo PubMed, số nghiên cứu trong lĩnh vực tim mạch hạt nhân năm 2018 tăng gấp đôi so với tổng hai năm trước đó cho thấy sự quan tâm ngày càng tăng trong học máy. Với góc nhìn hiện tại, theo tác giả thì các nghiên cứu trước đây còn tồn tại một số điểm: Chưa có nghiên cứu nào về hiệu chỉnh nhiễu suy giảm bằng mô hình học máy trên một tập dữ liệu lớn. Hầu hết những phương pháp hiệu chỉnh nhiễu suy giảm hiện tại đều bằng các biện pháp kỹ thuật thực hành y học, xử lý bằng phần cứng và thuật toán không liên quan tới trí tuệ nhân tạo. Về ứng dụng học sâu trong hiệu chỉnh nhiễu suy giảm thì có một nghiên cứu nhưng bộ dữ liệu quá ít với 65 mẫu. Dữ liệu đầu vào là ảnh cực. Ảnh cực là kết quả của một phép biến đổi theo hướng dẫn của hội tim mạch hạt nhân Hoa Kỳ và Châu Âu từ các ảnh lát cắt tim thành một ảnh tổng hợp duy nhất. Tuy nhiên, phép biến đổi này có nguy cơ làm mất thông tin trong quá trình biến đổi. Nếu chỉ đưa ảnh cực vào thì độ chính xác của mô hình sẽ giảm xuống. Phương pháp thống kê định lượng như TPD, SRS, SSS, SDS dựa trên cơ sở dữ liệu bệnh nhân chuẩn của nước chế tạo máy SPECT, thông thường là Hoa Kỳ. Về đặc điểm sinh học của từng chủng người là khác nhau nên cơ sở dữ liệu chuẩn cũng khác nhau theo từng nước. Do vậy, mô hình chẩn đoán so sánh với TPD, SRS, SSS, SDS cũng nên áp dụng với từng đối tượng cụ thể. Thuật toán học máy LogitBoot là một thuật toán học máy cơ bản. Các thuật toán hiện nay có hiệu suất cao hơn đã được phát triển. Mô hình thuật toán Deep Learning áp dụng còn đơn giản, góp phần dẫn đến kết quả còn chưa cao. 1.4. Kết luận chương 1 Từ những điểm hạn chế trên kết hợp với những điều kiện và yêu cầu hiện tại, tác giả đề xuất hướng nghiên cứu sau: Nghiên cứu xây dựng bộ dữ liệu chuẩn SPECT MPI của người Việt Nam với số mẫu lớn theo tiêu chuẩn bộ dữ liệu chuẩn ImageNet. Nghiên cứu xây dựng mô hình lọc nhiễu suy giảm cho máy SPECT thông thường. Nghiên cứu xây dựng mô hình phát hiện tổn thương, hỗ trợ chẩn đoán. CHƯƠNG 2. XÂY DỰNG BỘ CƠ SỞ DỮ LIỆU SPECT TIM 2.1. Vấn đề nghiên cứu Hỗ trợ chẩn đoán bằng máy tính CADx (Computer-aided diagnosis) được nghiên cứu với mục đích hỗ trợ các bác sĩ trong đọc kết quả chẩn đoán SPECT MPI, hạn chế các sai sót do chủ quan, kinh nghiệm lâm sàng và sự phức tạp của hình ảnh… Mặc dù, CADx mang lại những kết quả nghiên cứu khả quan nhưng nó vẫn chưa được chấp thuận trong y tế. Một trong những lý do có thể kể đến là chưa có một cơ sở dữ liệu chuẩn để đánh giá những hệ thống hỗ trợ chẩn đoán. Hiện nay, hầu hết các nguồn dữ liệu SPECT MPI đều có số lượng mẫu nhỏ và không được công bố rộng rãi. Điều này khiến cho việc kiểm chứng và ứng dụng các kết quả nghiên cứu này trở nên rất khó khăn. Một số bộ dữ liệu có số mẫu lớn nhưng không được công bố rộng rãi, mang tính chất cá nhân, tiếp cận khó khăn. Bên cạnh đó, nhiều nghiên cứu lâm sàng chỉ ra mỗi chủng người khác nhau có đặc điểm hình ảnh khác nhau. Nghiên cứu xử lý ảnh SPECT tim để hỗ trợ chẩn đoán cho người Việt Nam thì cần thiết cần có bộ dữ liệu SPECT tim mang đặc điểm người Việt Nam. Với những vấn đề trên, để thực hiện nghiên cứu xử lý ảnh SPECT tim trong hỗ trợ chẩn đoán bệnh động mạch vành, tác giả đã tiến hành xây dựng một bộ dữ liệu chuẩn có kích thước lớn phục vụ các nghiên cứu hỗ trợ chẩn đoán SPECT tim. Bộ dữ liệu này được xây dựng từ những nguồn dữ liệu uy tín nhất hiện tại tại Việt Nam cũng như trong khu vực. Bộ dữ liệu được xây dựng dựa trên các tiêu chuẩn của bộ dữ liệu chuẩn ImageNet. Dự kiến bộ dữ liệu SPECT tim có số mẫu 2000, đủ lớn để đưa vào thử nghiệm các mô hình học sâu thì mới bảo đảm độ tin cậy của các kết quả thống kê. 2.2. Quy trình thu thập dữ liệu Dữ liệu được thu thập tại khoa Y học hạt nhân - Bệnh viện TƯQĐ 108, là đơn vị đầu ngành của cả nước về kỹ thuật xạ hình tưới máu cơ tim bằng máy SPECT. Khoa có các hệ thống máy SPECT hiện đại như SPECT/CT OPTIMA, SPECT INFINIA, SPECT VENTRI, chuyên dụng trong chụp SPECT tim. Đội ngũ đọc kết quả xạ hình tưới máu cơ tim bao gồm 3 bác sĩ có ít nhất 10 năm kinh nghiệm, được đào tạo ở các nước có ngành Y học Hạt nhân phát triển như Mỹ, Nhật, Hàn Quốc, Úc... Thời gian lấy số liệu là từ năm 2015 tới nay trên 3 hệ thống chụp xạ hình tim là Infinia, Ventri và SPECT/CT Optima. Riêng dữ liệu từ máy SPECT/CT Optima được sử dụng để thực hiện thử nghiệm các mô hình hiệu chỉnh nhiễu suy giảm. Các quy trình trong thực hành lâm sàng được thực hiện nghiêm ngặt, có kiểm tra chéo giữa các bước bảo đảm các khâu chuẩn bị thực hành kỹ thuật không có sai sót. Quy trình chụp hình là quy trình chụp 2 ngày pha nghỉ và pha gắng sức, theo hướng dẫn của hội tim mạch hạt nhân Hoa Kỳ ACC/AHA/ ASNC (American College of Cardiology/American Heart Association Task Force on Practice Guidelines). Tiêu chuẩn loại trừ là các mẫu chỉ chụp một pha (nghỉ hoặc gắng sức), không bảo đảm chất lượng hình ảnh, thiếu thông tin lâm sàng, không có kết quả. Bộ dữ liệu nghiên cứu bao gồm 2348 ca chụp SPECT tim từ năm 2015 tới 2020 được thống kê theo bảng 2.1. Dữ liệu này là kết quả sau hội chẩn của nhiều bác sĩ và đã là cơ sở để điều trị cho bệnh nhân. Nghiên cứu này được thực hiện với sự cho phép của khoa Y học Hạt nhân - Bệnh viện TƯQĐ 108. Bảng 2.1: Dữ liệu nghiên cứu 2.3. Quy trình xử lý, chuẩn hoá dữ liệu Xử lý hình ảnh được thực hiện bởi kỹ thuật viên chụp và được kiểm tra bởi kỹ thuật viên trưởng với 15 năm kinh nghiệm theo hướng dẫn của hội tim mạch hạt nhân Hoa Kỳ ASNC. Bác sĩ đọc kết quả có thể hiệu chỉnh lại vị trí vùng quan tâm chứa tâm thất trái và mặt phẳng van tim (Valve plane position) nếu cần thiết. Từ những thiết lập này, ảnh lát cắt và ảnh cực được tạo ra phục vụ đọc kết quả xạ hình như hình 2.1. Trên màn hình chẩn đoán, các lát cắt và ảnh bản đồ cực được trình bày lặp lại nhiều lần, tại các vị trí khác nhau, không hiện thị hết các ảnh lát cắt. Các thông tin bệnh nhân như tuổi, giới tính, tên… kèm các ước lượng thống kê được trình bày. Nếu đưa tất cả vào mô hình học máy sẽ chiếm rất nhiều tài nguyên. Do vậy, cần thiết lập protocol chuyên lấy ảnh phục vụ học máy. Tác giả kết hợp với chuyên gia từ hãng GE cùng với các bác sĩ đã thiết lập protocol chuyên dùng để lấy ảnh, chỉ hiện thị các ảnh lát cắt và ảnh bản đồ cực (hình 2.2). Hình 2.1 Ảnh lát cắt, ảnh cực được trình bày theo protocol chẩn đoán Hình 2.2 Protocol chuyên lấy ảnh cho học máy Các thông tin không cần thiết trên ảnh sẽ được loại bỏ, chỉ có các lát ảnh theo các trục và ảnh cực được giữ lại để giảm khối lượng tính toán như so đồ hình 2.3. Tập dữ liệu 2D gồm các panel kích thước 90x90x3x28 (90x90 là kích thước ảnh, 3 là 3 màu RBG, 28 là số lát cắt mỗi ca) và ảnh cực 352x352x3 (352x352 pixel là kích thước ảnh cực, 3 là 3 màu RBG). Đối với những bệnh nhân không đủ số lát cát là 28, tác giả sẽ thêm các ma trận 0 có kích thước tương đồng vào tập ảnh. Từ các bước như trên, tác giả thu được tập dữ liệu cắt lát 2D, 3D và ảnh cực. Hình 2.3 Sơ đồ chuẩn hóa dữ liệu Bên cạnh hình ảnh, các thông tin lâm sàng của bệnh nhân như tuổi, giới tính, các xét nghiệm trước, biện hiện lâm sàng đều được thu thập. Các thông tin cá nhân của bệnh nhân được loại bỏ để bảo đảm tính riêng tư. Phần thông tin lâm sàng là các hệ số nguy cơ, là dữ liệu đầu vào bổ xung, kết hợp với dữ liệu ảnh để học máy đưa ra dự đoán chính xác. Do đó, thông tin lâm sàng sẽ được mã hóa theo dạng có hoặc không có biểu hiện, tương ứng với mã 1 và 0. Các thông tin này sẽ được đưa vào 1 file text có thứ tự mã hóa như bảng dưới (bảng 2.2). Bảng 2.2. Bảng mã hóa hệ số nguy cơ 2.4. Gắn nhãn dữ liệu Bộ dữ liệu sau khi thu thập, được gán nhãn không có tổn thương hay có tổn thương. Quá trình này, dựa trên việc phân tích kết luận chẩn đoán của bác sỹ đối với từng ca chụp. Tuy nhiên do thuật ngữ y khoa trong kết luận của bác sĩ không phải lúc nào cũng trực tiếp chỉ ra tình trạng tổn thương của bệnh nhân, việc gán nhãn được dựa trên thang đo 5 bậc (0-bình thường, 1- có lẽ bình thường, 2- không rõ ràng, 3- bất thường, 4- chắc chắn bất thường). Trong đó, 0-1 được xác định không có tổn thương, 2-4 có khả năng tổn thương. Cách xác định này cũng đã được thực hiện bởi nghiên cứu trước. Ba bác sĩ tham gia nghiên cứu sẽ tiến hành gắn nhãn tổn thương hoặc không có tổn thương cho từng mẫu. Kết quả gắn nhãn được kiểm tra chéo giữa các bác sĩ, kiểm tra chéo với các xét nghiệm điện tim, siêu âm tim để đạt được sự đồng thuận trên tất cả các mẫu. Bảng 2.3 Bảng phân loại nhãn Không có tổn thương Chưa phát hiện hình ảnh thiếu máu cơ tim trên xạ hình Có tổn thương Có khuyết xạ tại một vùng cơ tim nhưng không khẳng định bị thiếu máu cơ tim. Chưa rõ hình ảnh thiếu máu cơ tim trên xạ hình Có khuyết xạ tại vùng cơ tim, nghi ngờ thiếu máu cơ tim Có khuyết xạ thuộc vùng chi phối của một hay nhiều Thiếu máu cơ tim cục bộ mạch, nghi ngờ artifact. Khẳng định tổn thương cơ tim (sẹo cơ tim, nhồi máu, có hồi phục) Phần mềm hỗ trợ gắn nhãn dữ liệu được tạo ra với giao diện giống với phần mềm đọc tim chuyên dụng của hãng GE. Các bác sĩ sẽ xác định bệnh nhân có tổn thương hay không tổn thương, có tổn thương thì thuộc nhánh nào trong các nhánh RCA, LAD, LCX (hình 2.4). Hình 2.4 Phần mềm gắn nhãn dữ liệu bệnh nhân 2.5. Xây dựng các tính năng của bộ cơ sở dữ liệu Trong lĩnh vực trí tuệ nhân tạo nói chung, việc thử nghiệm các mô hình học máy đòi hỏi rất nhiều thời gian và công sức. Các mô hình thiết kế không tốt sẽ tốn tài nguyên máy và thời gian huấn luyện rất lâu. Do vậy, phương pháp tiếp cận vấn đề nghiên cứu rất quan trọng, làm giảm thời gian nghiên cứu và đạt hiệu quả cao. Tuy nhiên, để có phương phương tiếp cận tốt cần có những thông tin từ cơ sở dữ liệu được trính xuất ra, phục vụ cho việc định hướng, thiết kế mô hình tốt hơn. Trong bộ cơ sở dữ liệu SPECT tim, tác giả xây dựng các phương thức trích xuất số liệu theo thông tin yêu cầu đưa vào ví dụ như tuổi, nam, nữ, theo một hay nhiều hệ số nguy cơ… Bảng 2.4 dưới ví dụ về các đặc trưng bộ dữ liệu SPECT tim. Bảng 2.7. Bảng thống kê thông tin của bộ dữ liệu Tuổi trung bình Nam Tăng huyết áp Đau ngực trái Đái tháo đường Đã đặt stent Số lượng tổng Đặc trưng 64.48 1837 (78,23%) 1425 (60.7%) 1864 (79.4%) 164 (19.76%) 256 (10.9%) 2348 2.6. Nhận xét, đánh giá, so sánh bộ cơ sở dữ liệu Từ những tiêu chuẩn của bộ dữ liệu chuẩn ImageNET, tác giả đã xây dựng bộ dữ liệu SPECT tim. Bộ dữ liệu SPECT tim có một số đặc điểm sau: Về kích thước, bộ dữ liệu SPECT tim trong luận án có 2348 mẫu đáp ứng yêu cầu về số mẫu để đưa vào mô hình học máy. So sánh với các bộ dữ liệu hiện có về SPECT tim của tác giả Bentacur và Arsanjan tương ứng với 1638 và 1181 mẫu thì bộ dữ liệu của luận án có số mẫu lớn hơn. Về độ cân bằng giữa các nhãn, bộ dữ liệu được xây dựng gồm 02 nhãn chính (có tổn thương và không có tổn thương). Trong đó, tỷ lệ của 02 nhãn này đạt xấp xỉ 50/50, nghĩa là tỉ lệ tương đối đồng đều giữa các nhãn. Trong điều kiện cần cân bằng hóa, tác giả có thể cắt đi một số lượng nhỏ để bộ dữ liệu đạt cân bằng hoàn toàn. Về chất lượng ảnh, bộ dữ liệu trong luận án được thu thập tại đơn vị y học hạt nhân uy tín, các bác sĩ lâu năm kinh nghiệm, hệ thống SPECT hiện đại, chất lượng ảnh phân giải cao. Theo quy trình chụp SPECT, các lát cắt đều được chuẩn hóa về chính giữa ảnh và luôn được thể hiện ở dạng đầy đủ, do đó dữ liệu không có hiện tượng ảnh bị khuyết một phần, bị che chắn, bị biến dạng như các dữ liệu ảnh khác. Về tính đa dạng, tác giả thu thập dữ liệu trên cả 3 máy SPECT thông dụng nhất hiện nay của hãng GE healthcare là Ventri, Infinia và Optima trong thời gian dài từ 2015 tới nay. Việc thu thập ở cả 3 máy và thu thập trong một thời gian dài bảo đảm cho hình ảnh thu được mang nhiều đặc trưng phổ quát. Về tiêu chuẩn gắn nhãn, tập dữ liệu ảnh SPECT tim được gắn nhãn thủ công bởi 3 bác sĩ Y học Hạt nhân, bệnh viện Trung ương Quân đội 108. Các bác sĩ đều có ít nhất 10 năm kinh nghiệm trong thực hiện kỹ thuật xạ hình tưới máu cơ tim bằng máy SPECT. Đồng thời, dữ liệu được kiểm tra chéo giữa các bác sĩ để tránh sai sót. Những trường hợp không có sự thống nhất giữa các bác sĩ đều được bàn bạc và đi đến quyết định chung. Gán nhãn dữ liệu cho ảnh SPECT tim, bác sĩ cũng dựa trên các xét nghiệm khác làm cơ sở đối chứng như siêu âm tim và điện tim. Những ca bệnh có biểu hiện lâm sáng ở siêu âm và điện tim trùng với tổn thương trên hình ảnh cơ tim thì được lấy vào nghiên cứu. 2.7. Kết luận chương 2 Trong chương này, tác giả đã xây dựng một tập dữ liệu số lượng lớn tới 2348 mẫu, đáng tin cậy, được công bố rộng rãi, mang các đặc điểm lâm sàng của người Việt Nam, đủ cho các thuật toán học sâu, theo các tiêu chuẩn như bộ dữ liệu chuẩn ImageNet. Bộ dữ liệu này sẽ là cơ sở để thử nghiệm và đánh giá các mô hình học sâu trong hiệu chỉnh nhiễu suy giảm và hỗ trợ chẩn đoán được thực hiện trong chương 3 và chương 4 của luận án. Bên cạnh đó, bộ dữ liệu còn có thể hỗ trợ các vấn đề khác như định lượng tổn thương cơ tim, dự đoán tái tưới máu, dự đoán tử vong vì bệnh tim, dự đoán biến cố tim bất lợi, tự động định vị mặt phẳng van tim... Kết quả của nghiên cứu này được trình bày trong bài báo “Về một bộ dữ liệu xạ hình tưới máu cơ tim phục vụ việc xây dựng, đánh giá các mô hình học máy dò tìm tổn thương cơ tim” trên tạp chí Nghiên cứu khoa học và công nghệ quân sự tháng 6 năm 2020. Trong tương lai gần, bộ cơ sở dữ liệu xạ hình tưới máu cơ tim bằng máy SPECT sẽ được cập nhật, tăng số lượng mẫu từ số lượng bệnh nhân không chỉ ở khoa Y học Hạt nhân, bệnh viện Trung ương Quân đội 108 mà còn ở bệnh viện Tim Hà Nội, bệnh viện Đa khoa Quảng Ninh. Điều này là cơ sở để tăng tính đa dạng, phong phú của bộ dữ liệu và nâng cao độ chính xác của mô hình lọc nhiễu và hỗ trợ chẩn đoán. CHƯƠNG 3. XÂY DỰNG BỘ LỌC NHIỄU SUY GIẢM SỬ DỤNG MẠNG DEEP LEARNING. 3.1. Vấn đề nghiên cứu Trong chẩn đoán bệnh động mạch vành, chất lượng hình ảnh MPI đóng vai trò là vô cùng quan trọng. Tuy nhiên, nhiễu suy giảm do thay đổi mật độ mô mềm là nguyên nhân hàng đầu làm giảm chất lượng hình ảnh và độ chính xác trong chẩn đoán SPECT MPI. Nhiễu suy giảm thường xảy ra ở nam giới trong suy giảm cơ hoành, ở phụ nữ ở vú và ở những bệnh nhân có chỉ số khối cơ thể lớn (BMI). Cho đến nay, phương pháp hiệu quả nhất để khắc phục nhiễu suy giảm là kết hợp máy quét CT vào hệ thống SPECT. Tuy nhiên, việc bổ sung thiết bị CT dẫn đến giá đắt hơn nhiều, yêu cầu cao hơn cho phòng và đảm bảo an toàn bức xạ, thu tín hiệu phức tạp và dễ bị lỗi trong quá trình ghép hình ảnh CT và SPECT do chuyển động của bệnh nhân. Bên cạnh đó, số máy SPECT thông thường chiếm tới 80% trên thế giới. Trước vấn đề đó, tác giả đề xuất giải pháp tạo ảnh hiệu chỉnh suy giảm AC từ ảnh ban đầu NC bằng thuật toán nội suy dựa trên mô hình học máy 3D Convolutional Auto-Encoder (3D-CAE) và 3DUnetGAN. 3.2. Xây dựng mô hình lọc nhiễu suy giảm cho ảnh 3D SPECT MPI 3.2.1. Các mô hình CAE, GAN, U-net Mô hình tự mã hóa (auto-encoder) có kiến trúc như một mạng deep-learning cơ bản, gồm 3 loại lớp chính là đầu vào, các lớp ẩn và đầu ra. Một điểm khác duy nhất là đầu vào của mô hình cũng chính là đầu ra. Ví dụ một mạng tự mã hóa như hình 3.1 dưới. Hình 3.1. CAE trong lọc nhiễu Hình 3.12 Mạng CAE trong lọc nhiễu Các lớp ẩn gồm: Lớp nén dữ liệu (Encoder), vector h và Lớp giải nén dữ liệu (Decoder). Một trong những ứng dụng nổi bật của mạng tự mã hóa là khả năng lọc nhiễu. Khả năng này có được trong quá trình chuyển đổi số chiều dữ liệu, từ lớp nén dữ liệu hạ chiều đến lớp giải nén dữ liệu phục hồi số chiều dữ liệu. Trong quá trình hạ chiều dữ liệu, hiện tượng mất mát thông tin sẽ xảy ra. Tuy nhiên, chỉ từ thông tin về số chiều dữ liệu được giữ lại (vector h), muốn khôi phục bức ảnh ban đầu thì mạng nén dữ liệu bắt buộc phải lựa chọn nhưng đặc trưng tốt nhất lưu giữ lại trong vector h, còn những thông tin không quan trọng sẽ loại bỏ. Đây chính ý tưởng để lọc nhiễu ảnh. Mạng U-net do Olaf Ronneberger và cộng sự phát triển với mục đích ứng dụng để phân lớp trong ảnh y học (hình 3.2). Kiến trúc của mạng này gồm 2 phần: nén dữ liệu (encoder) (phần bên trái) và giải nén dữ liệu (decoder) (phần bên phải). Hình 3.2 Mô hình mạng U-net Phần nén dữ liệu bản chất là mạng nơron tích chập CNN bình thường, nhưng bỏ đi những lớp FC cuối cùng, gồm các lớp tích chập và lớp gộp lấy giá trị lớn nhất (max pool) với các quy tắc đơn giản. Các lớp phía sau có chiều rộng và cao giảm dần còn chiều sâu tăng lên. Phần giải nén dữ liệu khôi phục lại kích thước ảnh gốc với lớp transposed convolution. Các đường màu xám nối liền các lớp trước và lớp sau với mục đích tránh hiện tượng biến mất đạo hàm (vanishing gradient) và truyền tải các thông tin cần thiết từ lớp trước tới lớp sau. Mạng Gan (Generative Adversarial Networks) sinh ra dữ liệu mới sau quá trình học (hình 3.3). Về cấu trúc, GAN gồm 2 phần: generator (G) - trình tạo và discriminator (D) - trình so sánh. Về hoạt động, trình tạo sinh ra các dữ liệu giống như thật thì trình so sánh cố gắng phân biệt đâu là dữ liệu được sinh ra từ trình tạo và đâu là dữ liệu thật có. Khi cả trình tạo và trình so sánh đạt tới trạng thái cân bằng Nash thì GAN hội tụ. Hình 3.3 Sơ đồ mạng GAN 3.2.2 Đề xuất mô hình 3D Convolutional Auto-Encoder (3D-CAE) trong hiệu chỉnh nhiễu suy giảm Trong nghiên cứu này, tác giả đề xuất mô hình 3D-CAE để áp dụng cho vấn đề dự đoán hình ảnh AC từ NC. Kiến trúc mô hình bao gồm ba lớp chập và ba lớp gộp ở phía bộ mã hóa và cấu trúc đảo ngược tương tự ở phía bộ giải mã. Kiến trúc của phương pháp 3D-CAE được hiển thị trong hình 3.4, kích thước của mỗi lớp được hiển thị trong bảng 3.1. Hình 3.4 Kiến trúc 3D-CAE đề xuất Trong các thử nghiệm, tác giả đã sử dụng mô hình 2D-CAE (có cùng số lớp CNN) làm đường cơ sở. Tác giả huấn luyện cả hai mô hình với 3 cấu hình khác nhau về kích thước kernel CNN (3x3, 5x5, 7x7 cho 2D-CAE và 3x3x3, 5x5x5, 7x7x7 cho 3D-CAE). Các mô hình được huấn luyện với tập Train cho đến khi hàm mục tiêu trên tập hợp con Validation không thể cải thiện hơn nữa. Trọng số có hiệu suất tốt nhất trên tập Validation được lưu lại. Bảng 3.1 Kích thước của từng lớp 3D-CAE Các thử nghiệm định tính chỉ ra rằng 3D-CAE với kích thước kernel 5x5x5 đã đạt kết quả tốt nhất trên tất cả các phép đo. Điều này được giải thích là do 3D-CAE đã tận dụng thông tin 3D từ các lát cắt liên tiếp để dự đoán hình ảnh AC. Ngoài ra, giá trị NMAE chỉ ra rằng phép nội suy AC có độ lệch trung bình rất thấp so với AC thực (4.2% mỗi pixel). Giá trị PCC và SSIM ≥ 0,9 cho thấy sự tương đồng giữa hình ảnh được tạo và hình ảnh thật rất gần nhau (bảng 3.2). Hàm mục tiêu: 𝑛 𝑀𝑆𝐸𝑙𝑜𝑠𝑠 = 1 ∑(𝑦′𝑖 − 𝑦𝑖 )2 𝑛 𝑖=1 Bảng 3.2 Đánh giá trên các phép đo khác nhau 3.2.3 Đề xuất mô hình 3DUnet-GAN hiệu chỉnh nhiễu suy giảm Từ cơ sở lớp mạng 3D CNN và ý tưởng của mạng Unet, tác giả đã xây dựng mô hình mạng 3D GAN sử dụng 3D Unet làm trình tạo ảnh. Kiến trúc của mô hình được mô tả trong hình 3.5. Trong mô hình này, các lớp tích chập có kích thước kernel là 3x3x3 và sử dụng hàm kích hoạt ReLU. Việc sử dụng 3D CNN sẽ cho phép lấy được các đặc trưng có mối liên hệ không gian giữa các lát cắt, cái mà bị mất nếu sử dụng 2D CNN. Hình 3.5 Kiến trúc 3DUnet-GAN Trình so sánh Discriminator được thiết kế để xác định cặp ảnh NC và AC là thật và cặp NC và hình ảnh AC (gen AC) tạo bởi mô hình là dữ liệu giả. Do đó, hình ảnh NC được kết nối với AC hoặc genAC tương ứng làm đầu vào cho trình so sánh Discriminator. Trình so sánh gồm 6 lớp 3D CNN với kích thước kernel là (2 x 2 x 2), strides 2 (trừ 2 lớp cuối strides 1), lớp chuẩn hóa và kích hoạt Leaky ReLU (thay vì ReLU) thêm vào giữa. Trong các thử nghiệm, tác giả so sánh hiệu suất của mô hình đề xuất 3DUnet-GAN với các kiến trúc dựa trên CAE và GAN. Đối với kiến trúc dựa trên CAE, tác giả chọn 2D-Unet và 3D-Unet (2 kiến trúc này có cùng lớp CNN với kiến trúc 3DUnet-GAN đề xuất). Về kiến trúc dựa trên 2D GAN, tác giả sử dụng mô hình pix2pix làm cơ sở. Các mô hình được huấn luyện lần lượt trên tập dữ liệu Train cho đến khi giá trị của hàm mục tiêu trên tập xác thực là nhỏ nhất. Sau đó, các mô hình đã được huấn luyện được đánh giá trên tập dữ liệu Test. Hàm mục tiêu: L Hiện tại, chưa có phép đo hiệu xuất mô hình nào là tốt nhất cho các mô hình sinh ảnh nên mô hình đề xuất 3DUnet-GAN được đánh giá trên một số các phép đo sau: Mean Square Error (MSE), Normalized Mean Absolute Error (NMAE), Pearson's Correlation Coefficient (PCC), Structural Similarity Index (SSIM), and Peak signal-to-noise ratio (PSNR). Để so sánh định tính, tác giả trình bày đầu vào, ảnh chuyển đổi, ảnh thực như hình dưới. Hình 3.20 Ảnh đầu vào, ảnh dự đoán và ảnh thật Các thử nghiệm định tính chỉ ra rằng 3DUnet-GAN đạt được kết quả tốt nhất trên tất cả các phép đo. Đầu tiên, có thể thấy rằng các mô hình 3D cho kết quả tốt hơn so với mô hình 2D. Điều này được giải thích bởi thực tế là mô hình 3D tận dụng lợi thế của thông tin chia sẻ giữa các lát cắt liên tiếp. Thứ hai, thực tế là 3D UNet GAN hoạt động tốt hơn 3D Unet chỉ ra rằng mô hình dựa trên GAN cung cấp hiệu suất tạo ảnh tốt hơn kiến trúc dựa trên CAE. Điều này thể hiện ở so sánh các phép đo giữa 3D Unet-GAN và 3D CAE trên bảng 3.3. Bảng 3.3 Đánh giá hiệu suất (chữ in đậm cho giá trị đo tốt nhất) NMAE PCC SSIM 3D-CAE 5x5x5 0.042 0.959 0.900 3DUnet-GAN 0.034 0.971 0.946 3.3. Kết luận Trong chương này, tác giả đã xây dựng mô hình hoàn chỉnh để chuyển đổi ảnh không có hiệu chỉnh suy giảm NC sang ảnh có hiệu chỉnh suy giảm AC có độ chính xác rất cao tới 97,1%, loại bỏ các nhiễu trong khi vẫn giữ được các đặc trung hình ảnh SPECT-MPI, tương đương với ảnh hiệu chỉnh sử dụng máy quét CT tạo ra. Kết quả nghiên cứu đã được công bố tại hai hội nghị IEEE ICCE 2020 và IEEE SIGTELCOM. CHƯƠNG 4. PHÁT TRIỂN GIẢI PHÁP HỖ TRỢ CHẨN ĐOÁN BỆNH MẠCH VÀNH. 4.1. Vấn đề nghiên cứu Học sâu đang nổi lên như một công cụ học máy mạnh mẽ trong tim mạch hạt nhân, với các tiềm năng đột phá trong cải thiện chất lượng hình ảnh, hỗ trợ bác sĩ trong phát hiện và phân loại bệnh. Đầu tiên là hỗ trợ ra quyết định chẩn đoán. Trong phương pháp xạ hình tưới máu cơ tim bằng máy SPECT, chẩn đoán CAD sử dụng ảnh bản đồ cực pha gắng sức bằng mô hình DL với tổng thâm hụt tưới máu (TPD) đã được thực hiện. Độ chính xác của mô hình DL là 82,3%. Điều đáng chú ý là hình ảnh bản đồ cực được tổng hợp từ hình ảnh lát cắt bằng thuật toán dựa trên phân đoạn cơ tim. Việc tổng hợp này có thể không bảo tồn tất cả các đặc trưng của hình ảnh lát cắt. Thứ hai, vấn đề nhiễu ảnh SPECT tim suy giảm nổi lên như một thách thức. Hiện nay, thách thức này đã được giải quyết bằng cách lắp thêm hệ thống máy chụp cắt lớp CT vào hệ thống máy SPECT thông thường, tạo thành hệ thống SPECT/CT để hiệu chỉnh nhiễu suy giảm. Tuy nhiên, phương pháp này tồn tại nhiều điểm hạn chế như giá thiết bị cao, đòi hỏi phòng ốc yêu cầu cao, nguy cơ tăng liều chiếu xạ cho bệnh nhân…Thêm vào đó, số liệu thống kê cho thấy tới 80% là số lượng máy SPECT thông thường, không có chức năng hiệu chỉnh suy giảm bằng CT. Do vậy, hiệu chỉnh suy giảm bằng học sâu là xu thế. Hiện nay, số lượng nghiên cứu về hiệu chỉnh nhiễu suy giảm trên ảnh SPECT chưa nhiều, mới chỉ có 1 nghiên cứu. Tuy nhiên, nghiên cứu