Nghiên cứu và đánh giá một số phương pháp học sâu trong việc phát hiện những dấu hiệu bất thường ở phổi dựa trên ảnh X-quang

Abstract

Ảnh X-quang đã được ứng dụng nhiều trong chẩn đoán bất thường ở phổi, nếu được chẩn đoán nhanh có thể giúp giảm tỷ lệ tử vong do các bệnh từ phổi gây ra. Do đó việc tự động phát hiện những bất thường ở phổi để đưa ra phương pháp điều trị sớm là cần thiết. Để thực hiện điều này, có nhiều phương pháp đã được đề xuất. Những năm gần đây, các phương pháp dựa trên kỹ thuật học sâu (deep learning) được quan tâm nhiều do chúng có thể đạt được hiểu quả cao cũng như tiết kiệm chi phí trong việc phát hiện bất thường ở phổi thông qua hình ảnh X-quang lồng ngực. Tuy nhiên không phải mô hình nào cũng cho kết quả chính xác cao với các loại ảnh. Trong bài báo này, chúng tôi nghiên cứu và đánh giá ba mô hình học sâu phổ biến (VGG-16, ResNet50 và ResNet101-V2) ứng dụng để phân loại những dấu hiệu bất thường ở phổi do COVID-19 gây ra so với bệnh viêm phổi thông thường. Với mỗi mô hình, chúng tôi thiết kế mạng học sâu để xác định các đặc trưng và từ đó phân loại được những trường hợp bất thường ở phổi. Các mô hình được thực hiện trên cùng một tập dữ liệu gồm 1088 ảnh X-quang, gồm các trường hợp bất thường do viêm phổi, bất thường do nhiễm COVID-19 và phổi bình thường. Kết quả thực nghiệm cho thấy cả ba mô hình học sâu trên đều có thể áp dụng để phát hiện những dấu hiệu bất thường ở phổi, với độ chính xác cao, trong đó, mô hình sử dụng VGG-16 cho kết quả tốt nhất, với khả năng phát hiện bất thường đạt 91.3%.