Phân loại tế bào bạch cầu ác tính trên ảnh hiển vi
Abstract
Bệnh bạch cầu nguyên bào cấp tính (ALL) là một trong 4 bệnh ung thư tế bào bạch cầu; bệnh này phổ biến ở cả trẻ em và người lớn trên toàn thế giới. Từ đó vấn đề chẩn đoán bệnh ung thư tế bào bạch cầu bằng các công cụ tin học đã thu hút nhiều chú ý của nhà nghiên cứu trong và ngoài nước những năm gần đây. Tuy nhiên, việc phát triển một công cụ phát hiện ung thư bạch cầu cho đến nay vẫn còn nhiều thách thức do một số tính chất đặc thù của bài toán. Đặc biệt vấn đề bí mật dữ liệu cá nhân trong lĩnh vực y tế dẫn đến sự khan hiếm dữ liệu huấn luyện; sự tương đồng về mặt hình thái giữa tế bào ung thư với các tế bào bình thường; đồng thời với sự mất cân bằng dữ liệu giữa các lớp càng làm tăng thêm sự phức tạp của bài toán. Bài báo này đưa ra giải pháp thực nghiệm sử dụng các mô hình về mạng neuron tích chập (CNN) và các hàm mất mát (loss function) có sẵn sử dụng tập dữ liệu C-NMC2019 của cuộc thi ISBI2019. Tập dữ liệu này bao gồm ảnh các của tế bào ung thư và của tế bào khỏe mạnh. Nghiên cứu này đề xuất một hàm mất mát đặt tên là Focal Hinge Loss (FHL) được cải tiến từ hai hàm mất mát Focal Loss và Hinge Loss, từ đó kết hợp hai mô hình CNN là DenseNet201, EfficientNetB2 để giải quyết vấn đề đặt ra. Kết quả thử nghiệm nhận được rất hiệu quả với F1 Score là 91.94%; đồng thời được xếp top 5 trên bảng xếp hạng của cuộc thi ISBI2019.
