TỔNG QUAN
Bệnh lý về mắt là những rối loạn chức năng hoặc cấu trúc của các bộ phận mắt khác nhau, gây ảnh hưởng đến chức năng quan sát và cảm nhận hình ảnh của con người. Trong đó, bệnh lý võng mạc là một nhóm bệnh lý đặc biệt quan trọng vì võng mạc là lớp mô có khả năng phản ứng cao với ánh sáng, có vị trí sau mắt, là yếu tố then chốt hỗ trợ ánh sáng biến đổi thành tín hiệu thần kinh. Khi võng mạc bị tổn thương, khả năng quan sát của người mắc bệnh sẽ bị ảnh hưởng nặng nề, trong một số trường hợp có thể gây mù loà nếu không được phát hiện và can thiệp sớm. Theo Tổ chức Y tế Thế giới (WHO), trên thế giới hiện nay có ít nhất 2,2 tỷ người đang mắc các vấn đề sức khoẻ làm giảm hiệu suất thị giác, trong số đó gần 1 tỷ người thuộc nhóm có thể phòng tránh hoặc chưa được can thiệp điều trị. Điều đáng quan tâm là phần lớn các trường hợp này có khả năng được nhận diện và can thiệp sớm nếu áp dụng các phương pháp chẩn đoán hiệu quả và kịp thời.

Các bệnh lý võng mạc phổ biến bao có thể chẩn đoán trước gồm: Choroidal Neovascularization (CNV), Diabetic Macular Edema (DME) và Drusen. Đây là những bệnh lý tiến triển âm thầm, thông thường không có biểu hiện nào quá nổi bật ở giai đoạn đầu, nhưng có thể dẫn đến ảnh hưởng tiêu cực đến khả năng nhìn nghiêm trọng hoặc vĩnh viễn trong trường hợp việc phát hiện và can thiệp điều trị không được thực hiện sớm. May mắn thay, sự ra đời của công nghệ Chụp cắt lớp quang học (OCT) đã tạo nên một cuộc cải cách trong chẩn đoán sớm, tạo điều kiện để bác sĩ đánh giá chi tiết hơn cấu trúc võng mạc ở độ phân giải cao và phát hiện những biến đổi mô học tinh vi ngay từ giai đoạn sớm. Chụp cắt lớp quang học (OCT) là một kỹ thuật hình ảnh không xâm lấn (non-invasive) mang tính đột phá, hoạt động theo nguyên tắc của hiện tượng giao thoa ánh sáng có độ kết hợp thấp. Kỹ thuật này được Huang, Swanson và cộng sự đề xuất vào năm 1991. Các tác giả đã chứng minh rằng OCT có thể tạo ra hình ảnh cắt ngang trong các hệ thống sinh học theo nguyên lý gần giống với kỹ thuật siêu âm, tuy nhiên tín hiệu quang học được sử dụng thay vì sóng âm. Công nghệ này cho phép tạo nên những ảnh lớp theo mặt cắt với độ phân giải ở mức micromet, một khả năng mà các phương pháp chẩn đoán trước đó khó đạt được. Bằng cách đo độ trễ của cường độ và thời gian ánh sáng phản xạ từ các cấu trúc vi mô bên trong, OCT đã cho phép quan sát rõ ràng ở mức độ cao đối với 10 lớp võng mạc khác nhau, bao gồm cả ranh giới giữa võng mạc và lớp biểu mô sắc tố. Khả năng mang lại dữ liệu mô học ở mức độ chi tiết liên quan đến độ dày võng mạc và sự hiện diện của dịch (như trong DME) hay các cấu trúc tân mạch (CNV), đã đưa OCT trở thành tiêu chuẩn vàng trong việc theo dõi, phân loại và chẩn đoán các bệnh lý võng mạc và hoàng điểm. Nhờ độ phân giải vượt trội, OCT là công cụ then chốt hỗ trợ việc nhận biết các dấu hiệu bệnh lý ở giai đoạn sớm, cải thiện đáng kể khả năng can thiệp điều trị kịp thời.

Nghiên cứu của nhóm tập trung vào việc tự động nhận diện ba bệnh lý võng mạc nguy hiểm – các nguyên nhân chủ yếu dẫn đến mất thị lực không hồi phục – bao gồm Tân mạch hắc mạc (CNV), Phù hoàng điểm do đái tháo đường (DME) và Trầm tích Drusen. Trên ảnh OCT, CNV thường biểu hiện qua các cấu trúc tân mạch bất thường kèm dịch dưới võng mạc và có nguy cơ làm suy giảm thị lực trong thời gian ngắn nếu không được can thiệp. DME là hệ quả thường gặp liên quan đến bệnh đái tháo đường, ảnh hưởng đến khoảng 3,8% người trưởng thành mắc bệnh, đặc trưng bởi các khoang chứa dịch trong võng mạc gây dày bất thường. Drusen xuất hiện dưới dạng các trầm tích nhỏ dưới võng mạc, là dấu hiệu cảnh báo sớm của thoái hóa điểm vàng (Age-related Macular Degeneration (AMD)), là nguyên nhân hàng đầu gây nên hiện tượng mất thị lực vĩnh viễn ở người cao tuổi. Khả năng xác định kịp thời và chính xác các đặc trưng này trên ảnh OCT đóng vai trò then chốt trong can thiệp và điều trị sớm.
Mặc dù OCT là công cụ chẩn đoán hiệu quả, việc phân tích thủ công vẫn tồn tại nhiều hạn chế. Kết quả chẩn đoán chịu ảnh hưởng bởi trình độ và đánh giá cá nhân của bác sĩ, từ đó làm phát sinh sự khác biệt giữa các lần thăm khám cũng như giữa cá nhân chẩn đoán khác nhau. Quá trình đánh giá số lượng lớn ảnh OCT tốn nhiều thời gian, làm cho hệ thống y tế luôn trong tình trạng quá tải và đồng thời làm tăng nguy cơ bỏ sót các dấu hiệu bệnh lý tinh vi ở giai đoạn sớm, đặc biệt trong điều kiện thiếu nhân lực chuyên môn.
Trong bối cảnh đó, học sâu (Deep Learning) được đánh giá là hướng tiếp cận mới đầy tiềm năng. Các mô hình CNN có thể tự động khai thác những đặc trưng bệnh lý tinh vi từ ảnh OCT, qua đó đảm bảo kết quả có độ chính xác cao trong khi tối ưu thời gian chẩn đoán. Vì vậy, việc triển khai và khai thác các mô hình học sâu nhằm thực hiện phân loại bệnh lý võng mạc từ ảnh OCT một cách tự động là cần thiết, nhằm hỗ trợ chẩn đoán, chuẩn hóa kết quả và cải thiện hiệu quả chăm sóc thị lực.
Tuy nhiên, những kiến trúc CNN hiện nay chủ yếu chú trọng đến việc khai thác đặc điểm cục bộ dựa trên cơ chế tích chập, do đó chưa thể biểu diễn đầy đủ các phụ thuộc không gian dài hạn cũng như ngữ cảnh toàn cục trong ảnh OCT. Trong khi đó, các bệnh lý võng mạc thường thể hiện thông qua sự kết hợp tinh vi giữa các đặc trưng cục bộ và tổng quan cấu trúc của võng mạc. Nhằm khắc phục điểm yếu đã trình bày, công trình này giới thiệu một cấu trúc lai giữa CNN và Transformer, qua đó khai thác hiệu quả các đặc điểm cục bộ do CNN đảm nhiệm và khả năng biểu diễn thông tin ở phạm vi toàn cục của Transformer. Mô hình này được xây dựng nhằm tự động tiếp thu các biểu hiện đặc trưng ở nhiều mức độ từ ảnh OCT, qua đó cải thiện mức độ chuẩn xác trong việc phân loại các bệnh lý võng mạc có mức độ nguy hiểm cao. Cách tiếp cận được đưa ra vừa nâng cao hiệu quả chẩn đoán vừa hướng đến đến tính khả thi khi áp dụng trong các giải pháp hỗ trợ chẩn đoán lâm sàng.
Mục tiêu nghiên cứu
Mục tiêu tổng quát của khoá luận này là nghiên cứu, thiết kế và đánh giá một giải pháp học sâu tiên tiến dựa trên kiến trúc lai (Hybrid Model) nhằm tối ưu hoá khả năng phân loại tự động các bệnh lý võng mạc nguy hiểm từ ảnh OCT, đồng thời góp phần thúc đẩy sự cải tiến các công cụ hỗ trợ chẩn đoán trong nhãn khoa. Để thực hiện mục tiêu chung, công trình sẽ đề ra một số mục tiêu chi tiết, hướng tới việc giải quyết các vấn đề cụ thể.
Mục tiêu đầu tiên của nghiên cứu là xây dựng chiến lược thu thập và tổng hợp dữ liệu OCT đa dạng từ các nguồn mở khác nhau, nhằm hình thành một tập dữ liệu đầy đủ, phong phú và đại diện cho bốn nhóm bệnh chính gồm CNV, DME và Drusen và bình thường. Thay vì phụ thuộc vào một bộ dữ liệu duy nhất vốn có thể bị giới hạn bởi thiết bị chụp, điều kiện ghi nhận, đặc điểm bệnh nhân hoặc quy trình xử lý ảnh, nghiên cứu ưu tiên tích hợp dữ liệu từ các công trình khoa học, cơ sở dữ liệu bệnh viện và các thư viện mở. Trong mục tiêu này, trọng tâm là đa dạng hoá nguồn dữ liệu để giảm thiểu thiên lệch theo ngữ cảnh và gia tăng khả năng phân tích tổng quát của mô hình. Các kỹ thuật tiền xử lý nâng cao chưa được áp dụng ở giai đoạn này; thay vào đó, nghiên cứu chỉ thực hiện các bước chuẩn hoá cơ bản như thống nhất kích thước ảnh, định dạng và cấu trúc lưu trữ, nhằm bảo đảm dữ liệu được khai thác đồng bộ trong suốt quá trình huấn luyện mô hình.
Mục tiêu thứ hai là nghiên cứu và lựa chọn phương pháp học chuyển giao (Transfer Learning). Tiến hành nghiên cứu chuyên sâu về hiệu năng của các kiến trúc CNN tiền huấn luyện như EfficientNet B3, ResNet50, XCeption mà theo nghiên cứu [16] là hiệu quả trên các tập dữ liệu hình ảnh OCT, thông qua học chuyển giao và tinh chỉnh (Fine-tuning), nhằm xác định phương pháp CNN cơ sở tối ưu để trích xuất đặc trưng lâm sàng. Mục tiêu cốt lõi là nghiên cứu và đánh giá mô hình lai CNN-Transformer. Mục tiêu này tập trung vào việc nghiên cứu, phân tích, đề xuất một phương pháp kiến trúc lai mới, tích hợp mô hình CNN đã chọn với một mô hình Transformer tự phát triển. Phương án được đề xuất hướng đến việc nổi bật hơn các mô hình CNN đơn lẻ bằng cơ chế phối hợp các ưu điểm chính của cả hai mô hình trong việc nắm bắt đặc trưng cục bộ và mối quan hệ toàn cục.
Cuối cùng là phát triển hệ thống chẩn đoán và thực hiện đánh giá định lượng. Mục tiêu này nhằm triển khai một hệ thống chẩn đoán tích hợp giải pháp mô hình lai trên thiết bị di động hoạt động dựa trên hạ tầng đám mây. Đồng thời, thực hiện đánh giá định lượng nghiêm ngặt giải pháp mô hình lai được đề xuất trên tập dữ liệu thử nghiệm độc lập, sử dụng các chỉ số tiêu chuẩn (như Accuracy, F1-Score và Cohen’s Kappa) và tiến hành so sánh chi tiết với các mô hình CNN truyền thống và một số mô hình lai trước đó nhằm làm nổi bật đóng góp khoa học của phương pháp
Đối tượng nghiên cứu
Đối tượng nghiên cứu chính của đề tài là các phương pháp DL nhằm xử lý bài toán phân loại đa lớp các bệnh lý võng mạc nguy hiểm. Nghiên cứu tập trung vào các giải pháp kỹ thuật chủ đạo, bao gồm: tiền xử lý dữ liệu và cân bằng lớp, học chuyển giao dựa trên các kiến trúc CNN (như EfficientNet B3, ResNet50, XCeption), và đặc biệt là kiến trúc mô hình lai CNN-Transformer. Bộ dữ liệu được sử dụng cho thực nghiệm và đánh giá phương pháp là hình ảnh OCT cắt ngang 2D (B-scans) vùng hoàng điểm, bao gồm bốn nhãn phân loại: Tân mạch hắc mạc (CNV), Phù hoàng điểm do đái tháo đường (DME), Trầm tích Drusen và Mắt khỏe mạnh/Bình thường (Normal).
Phạm vi nghiên cứu
Phạm vi nghiên cứu của đề tài được xác định rõ ràng trên ba khía cạnh. Về Phương pháp luận, nghiên cứu chỉ tập trung vào việc nghiên cứu, phát triển và đánh giá tính hiệu quả của các mô hình học sâu (CNN và Transformer). Nghiên cứu không khai thác chuyên sâu các phương pháp xử lý ảnh toán học hoặc các kỹ thuật học máy truyền thống. Về phạm vi dữ liệu và bệnh lý, đề tài chỉ sử dụng dữ liệu là hình ảnh OCT 2D (B-scans) và giới hạn phân loại trong bốn nhóm trạng thái: CNV, DME, Drusen và Normal. Các phương pháp được phát triển không nhằm mục đích chẩn đoán các bệnh lý võng mạc khác. Kết quả đầu ra kỳ vọng của nghiên cứu bao gồm một bộ dữ liệu OCT đa dạng, một phương pháp học sâu lai đã được đánh giá thực nghiệm và một hệ thống chẩn đoán mẫu demo được triển khai trên nền tảng di động.
Phương pháp nghiên cứu
Nghiên cứu sử dụng cách tiếp cận kết hợp thực nghiệm (Experimental Research) đi kèm với các kỹ thuật học sâu trên ảnh y khoa. Quy trình thực hiện nghiên cứu được triển khai qua bốn giai đoạn chính:
• Giai đoạn 1: Nghiên cứu và tiền xử lý dữ liệu
⋄ Thu thập và phân tích dữ liệu OCT từ nhiều nguồn (nghiên cứu, bệnh viện, thư viện mở) nhằm bảo đảm sự phong phú và đa dạng.
⋄ Xác định những cách tiếp cận tiền xử lý hình ảnh hiệu quả như chuẩn hóa, cắt xén, lọc nhiễu, và các phương thức tăng cường dữ liệu, nhằm khắc phục vấn đề nhiễu và sự không cân bằng giữa các lớp.
• Giai đoạn 2: Nghiên cứu các mô hình tiền huấn luyện (Transfer Learning)
⋄ Tiến hành tinh chỉnh (fine-tuning) các mô hình CNN tiền huấn luyện như EfficientNet B3, ResNet50 và XCeption trên tập dữ liệu OCT đã tiền xử lý.
⋄ Tiến hành phân tích định lượng hiệu suất của từng kiến trúc nhằm xác định mô hình nền tảng đạt kết quả tốt nhất trong việc nhận diện các mẫu bệnh trên ảnh OCT.
• Giai đoạn 3: Phát triển và tối ưu hóa mô hình lai CNN–Transformer
⋄ Thiết kế và mô tả chi tiết kiến trúc mô hình lai, trong đó CNN đảm nhiệm trích xuất đặc trưng cục bộ và vai trò của Transformer là mô hình hóa các quan hệ toàn cục.
⋄ Tối ưu hóa mô hình thông qua việc tuỳ chỉnh hàm mất mát và chiến lược tối ưu hóa phù hợp với nhiệm vụ phân loại ảnh y khoa đa lớp.
• Giai đoạn 4: Thực nghiệm, Đánh giá và Triển khai
⋄ Tiến hành huấn luyện và kiểm thử giải pháp lai với bộ dữ liệu độc lập, mục tiêu là đánh giá khả năng tổng quát hoá của mô hình.
⋄ Đánh giá hiệu năng bằng các chỉ số tiêu chuẩn như Accuracy, Macro F1 Score và Cohen’s kappa, đồng thời so sánh với các mô hình nền tảng và nghiên cứu tiên tiến khác.
⋄ Triển khai mô hình sau cùng vào một hệ thống chẩn đoán mẫu vận hành trên thiết bị di động.
CƠ SỞ LÝ THUYẾT
Võng mạc là một tầng mô thần kinh cảm quang mỏng nằm ở mặt trong cùng của nhãn cầu, ngay phía sau thể thuỷ tinh. Về bản chất, võng mạc là một phần mở rộng của hệ thần kinh trung ương, đóng vai trò trọng yếu trong việc tiếp nhận ánh sáng đi vào mắt và biến đổi chúng thành xung điện sinh học (xung thần kinh). Những xung này sau đó được truyền đến vỏ não thị giác để hình thành hình ảnh. Chức năng này biến võng mạc thành một “bộ chuyển đổi tiền tuyến” của hệ thống thị giác, có vai trò quyết định chính đến độ sắc nét của thị lực.
Về mặt tế bào học, võng mạc bao gồm hai loại tế bào cảm quang chủ yếu: tế bào que và tế bào nón. Tế bào que có mật độ cao, nhạy với ánh sáng yếu, đóng vai trò chủ yếu trong điều kiện thiếu sáng và giúp phân biệt sắc độ. Ngược lại, tế bào nón tập trung ở vùng trung tâm, cần ánh sáng mạnh hơn và chịu trách nhiệm cho khả năng nhận biết màu sắc và độ chi tiết cao. Ngoài ra, võng mạc còn có nhiều lớp tế bào thần kinh khác (như tế bào hạch và tế bào lưỡng cực) tham gia xử lý và tổng hợp thông tin thị giác, trước khi các sợi trục từ tế bào hạch hợp lại hình thành dây thần kinh thị giác.

Trong toàn bộ võng mạc, hoàng điểm (Macula) là khu vực chủ chốt, đặc biệt liên quan đến các bệnh lý nghiên cứu, tập trung phân tích trong đề tài. Hoàng điểm là một khu vực nhỏ, có màu vàng, nằm ở trung tâm võng mạc, đóng vai trò then chốt cho khả năng nhìn chi tiết cao. Trung tâm của hoàng điểm là hố trung tâm (fovea), nơi các tế bào nón tập trung dày đặc nhất, tạo ra điểm có thị lực sắc nét nhất. Vì các bệnh lý như Thoái hóa điểm vàng (AMD), Phù hoàng điểm do đái tháo đường (DME) và Tân mạch hắc mạc (CNV) đều gây tổn thương trực tiếp tại khu vực này, ảnh chụp OCT luôn tập trung vào hoàng điểm để đánh giá các biến đổi về độ dày và cấu trúc vi mô.

Để phục vụ cho việc chẩn đoán hình ảnh, đặc biệt bằng công nghệ OCT, cần hiểu rằng võng mạc thần kinh được cấu tạo từ 10 lớp mô học khác biệt. Khả năng phân biệt rõ ràng các ranh giới lớp này chính là ưu thế nổi bật của OCT khi đối chiếu với các phương pháp hình ảnh hiện có. Trên ảnh OCT, các lớp này được phân biệt dựa trên mức độ phản xạ ánh sáng: các lớp giàu tế bào hoặc ranh giới quang học thường là tăng phản xạ (sáng), trong khi các lớp giàu dịch hoặc bao quanh bởi tế bào là giảm phản xạ (tối). Các lớp quan trọng cần theo dõi bao gồm lớp sợi thần kinh võng mạc, lớp biểu mô sắc tố (Retinal Pigment Epithelium (RPE)) – nơi các chất lắng đọng như Drusen tích tụ và sự hiện diện của dịch trong các khoang nội võng mạc hoặc dưới võng mạc gây biến dạng cấu trúc lớp. Việc phân tích độ dày, tính toàn vẹn và hình dạng của 10 lớp này là cơ sở để mô hình học sâu có khả năng phát hiện và phân loại tự động các bệnh lý.
Nguyên lý công nghệ OCT
Chụp cắt lớp quang học (OCT) là một công cụ hình ảnh y sinh không can thiệp vào mô, mang tính đột phá, dựa theo nguyên tắc vật lý của giao thoa ánh sáng. Công nghệ này lần đầu được phát triển vào năm 1991 bởi Huang, Swanson và các cộng sự tại MIT. Nghiên cứu đã chỉ ra rằng OCT có thể cung cấp mặt cắt của cấu trúc sinh học theo cơ chế tương tự siêu âm xung, nhưng sử dụng ánh sáng với độ kết hợp thấp thay vì sóng âm. Sự ra đời của công nghệ này đánh dấu bước tiến quan trọng trong chẩn đoán nhãn khoa nhờ khả năng mô phỏng hình ảnh chi tiết đến từng micromet, nổi trội hơn nhiều so với các phương pháp hình ảnh trước đó.
Về nguyên tắc hoạt động, OCT sử dụng kỹ thuật “giao thoa kế độ kết hợp thấp” (LowCoherence Interferometry). Thiết bị OCT phát ra một chùm ánh sáng rộng và chia nó thành hai đường: đường tham chiếu và đường mẫu. Ánh sáng chiếu vào mắt sẽ xuyên qua các cấu trúc võng mạc, phản xạ trở lại từ các lớp mô khác nhau và được thu hồi. Ánh sáng phản xạ từ các mô, khi kết hợp với tín hiệu từ đường tham chiếu, sẽ tạo ra hiện tượng giao thoa.

Sự giao thoa này chỉ xảy ra khi sự khác biệt về đường đi quang học giữa hai chùm tia nằm trong giới hạn của độ dài kết hợp (coherence length) của nguồn sáng. Bằng cách đo thời gian trễ và cường độ của tín hiệu giao thoa thu được, thiết bị có thể xác định chính xác độ sâu và mức độ phản xạ của từng lớp mô trong võng mạc. Dữ liệu thu được, gọi là A-scan, là một đồ thị cường độ phản xạ theo độ sâu. Bằng cách thực hiện nhiều A-scan liền kề, thiết bị tạo ra lớp ảnh cắt ngang hai chiều, độ phân giải cao, gọi là B-scan, cho phép quan sát chi tiết từng lớp võng mạc.
Theo thời gian, công nghệ OCT đã phát triển từ Time-Domain OCT (TD-OCT) sang Spectral-Domain OCT (SD-OCT) và gần đây là Swept-Source OCT (SS-OCT). Các thế hệ sau này đã tăng tốc độ chụp và cải thiện độ nhạy đáng kể, giúp thu được hình ảnh 3D của võng mạc nhanh chóng hơn và giảm thiểu lỗi do chuyển động của mắt, từ đó khẳng định vị thế của OCT như là tiêu chuẩn mới trong chẩn đoán và theo dõi tình hình bệnh lý võng mạc.
PHƯƠNG PHÁP THỰC HIỆN
Tổng quan phương pháp đề xuất
Sơ đồ tổng quan về phương pháp mà nhóm đề xuất được trình bày trong Hình 3.1. Sơ đồ này mô tả một quy trình đa giai đoạn, bắt đầu từ việc thu thập, phân chia tập dữ liệu OCT; tiếp theo là giai đoạn chuẩn bị dữ liệu; sau đó huấn luyện và đánh giá ba kiến trúc CNN backbone, và cuối cùng là kết hợp backbone CNN tốt nhất với Transformer để tạo thành mô hình hybrid CNN-Transformer.

Pipeline trong Hình 3.1 được phân làm bốn giai đoạn chính như sau:
1. Xây dựng bộ dữ liệu OCT tổng hợp: Xây dựng pipeline thu thập dữ liệu bắt đầu từ quá trình kết hợp các bộ dữ liệu khác nhau, dữ liệu tổng hợp sau đó được chuẩn hóa, làm sạch sẵn sàng cho bước tiếp theo.
2. Chuẩn bị dữ liệu: Áp dụng data augmentation đối với tập huấn luyện, sau đó tất cả dữ liệu được tiền xử lý trước khi đưa vào huấn luyện và kiểm thử.
3. Huấn luyện backbone CNN: Huấn luyện và so sánh ba kiến trúc EfficientNet-B3, Xception, ResNet-50 để chọn backbone model tối ưu kết hợp với mô hình Transfomrer dựa trên hiệu suất tập kiểm định.
4. Mô hình Hybrid CNN-Transformer: Kết hợp backbone CNN với Transformer để khai thác đồng thời đặc trưng cục bộ và quan hệ toàn cục. Đây là kết quả cuối cùng mà nghiên cứu hướng đến.
Xây dựng bộ dữ liệu OCT tổng hợp
Nhằm xây dựng một tập dữ liệu OCT phong phú và đại diện cho đa dạng các bệnh lý võng mạc, nghiên cứu đã tích hợp năm bộ dữ liệu công khai gồm Kermany [28], THOCT1800 [29], OCTDL [30], DUKE 2015 [31] và NEH_UT_2021 RetinalOCTDataset [32] thành một tập dữ liệu thống nhất. Bộ dữ liệu Kermany đóng vai trò nền tảng chính với 109,309 ảnh OCT B-Scans, trong khi các bộ dữ liệu THOCT1800, OCTDL và DUKE 2015 được tích hợp nhằm bổ sung mẫu cho nhãn DME (Diabetic Macular Edema) – nhãn có số lượng mẫu hạn chế. Đặc biệt, bộ dữ liệu NEH_UT_2021 RetinalOCTDataset giữ vai trò then chốt trong việc bổ sung số lượng mẫu cho nhãn DRUSEN – nhãn có số lượng mẫu ít nhất trong bộ dữ liệu. Điều này giúp cân bằng phân phối dữ liệu giữa các lớp bệnh. Quy trình hợp nhất được thực hiện một cách chặt chẽ, bao gồm chuẩn hóa hệ thống nhãn giữa các bộ dữ liệu, loại bỏ ảnh trùng lặp và ảnh kém chất lượng, đồng thời chuẩn hóa kích thước cũng như định dạng ảnh để giữ cho tập dữ liệu được đồng bộ và nhất quán.
Sau quá trình hợp nhất và tiền xử lý, bộ dữ liệu tích hợp cuối cùng bao gồm 113.884 ảnh võng mạc OCT B-Scans, được phân loại thành bốn nhóm bệnh lý chính: CNV, DME, DRUSEN và NORMAL (mắt khoẻ mạnh). Quy mô lớn cùng với tính đa dạng về nguồn gốc và đặc điểm bệnh lý của bộ dữ liệu này tạo nền tảng bền vững cho việc huấn luyện và đánh giá các mô hình học sâu, hướng tới mục tiêu tích hợp mô hình đã đã phát triển vào hệ thống nhận diện bệnh tự động với độ tin cậy cao.
Dữ liệu OCT đến từ nhiều nguồn đã tạo ra ảnh hưởng tích cực đối với quá trình xây dựng và hoàn thiện mô hình. Thứ nhất, tính đa dạng được tăng cường đáng kể khi mỗi bộ dữ liệu được chụp bởi nhiều loại thiết bị khác nhau, điều kiện chụp và đối tượng bệnh nhân khác nhau, giúp mô hình tiếp xúc với nhiều biến thể hình ảnh trong thực tế lâm sàng. Thứ hai, việc tích hợp giảm thiểu hiện tượng thiên lệch (bias) có thể xuất hiện khi chỉ sử dụng một nguồn dữ liệu duy nhất, từ đó cải thiện khả năng tổng quát hoá của mô hình khi triển khai trên dữ liệu mới. Thứ ba, số lượng mẫu cho từng lớp bệnh được mở rộng đáng kể, đặc biệt với các nhãn thiểu số như DME và DRUSEN, góp phần giải quyết tình trạng mất cân bằng dữ liệu – một trở ngại thường gặp đối với các bài toán phân loại y tế.

Triển khai mô hình và xây dựng hệ thống chẩn đoán mẫu
Để đảm bảo mô hình học sâu được vận hành hiệu quả và mang khả năng rộng cao trong môi trường thực tế, hệ thống chẩn đoán hình ảnh OCT được phát triển theo kiến trúc ba lớp, tách biệt giữa giao diện người dùng, lớp dịch vụ xử lý và mô hình suy luận, chi tiết như sau:

• Frontend (Thiết bị di động): Ứng dụng xây dựng trên nền tảng React Native, có khả năng tương thích đa hệ điều hành và tối ưu hóa quy trình cài đặt trên các thiết bị Android. Hệ thống giao diện chú trọng trải nghiệm người dùng, cho phép người dùng (bác sĩ hoặc kỹ thuật viên) chụp hoặc tải ảnh OCT, gửi yêu cầu chẩn đoán đến máy chủ và phản hồi thông tin chẩn đoán một cách nhanh chóng.
• Backend và mô hình học sâu: Máy chủ ứng dụng được xây dựng bằng FastAPI – một framework web hiệu suất cao và hỗ trợ xử lý bất đồng bộ, có thể đáp ứng được yêu cầu độ trễ thấp trong suy luận mô hình. Mô hình lai CNN – Transformer được triển khai trực tiếp bằng PyTorch ngay tại backend, giúp tối ưu hoá hiệu năng tính toán và duy trì độ chính xác như trong giai đoạn huấn luyện mà không cần chuyển đổi mô hình sang môi trường khác.
• Hạ tầng điện toán và lưu trữ dữ liệu: Với việc triển khai hệ trên nền tảng Amazon Web Services (AWS), sẽ mang lại tính ổn định, khả năng mở rộng và độ sẵn sàng cao.
⋄ Dịch vụ tính toán: EC2 được sử dụng để vận hành FastAPI và mô hình PyTorch; có thể cấu hình GPU để tăng tốc suy luận.
⋄ Lưu trữ dữ liệu: Amazon S3 dùng để lưu trữ bảo mật các ảnh OCT do người dùng tải lên, giúp giảm tải cho máy chủ suy luận và cho phép truy cập linh hoạt từ backend.
⋄ Hệ thống giám sát: Sử dụng Prometheus và Grafana để theo dõi hiệu suất hệ thống và ứng dụng trên EC2. Prometheus chịu trách nhiệm thu thập số liệu (CPU, RAM, GPU, độ trễ suy luận, số lượng request FastAPI, lỗi. . . ), trong khi Grafana trực quan hóa dữ liệu theo thời gian thực thông qua các biểu đồ giám sát.
Với quy trình kết nối liền mạch giữa ba lớp, hệ thống tạo nên một pipeline chẩn đoán tự động, từ việc tiếp nhận ảnh OCT đầu vào, phân tích bằng mô hình học sâu đến phản hồi các nhận định chẩn đoán có độ xác thực cao và độ trễ thấp cho người dùng.
Triển khai mô hình trên hạ tầng đám mây

THỰC NGHIỆM, ĐÁNH GIÁ VÀ THẢO LUẬN
Đánh giá tổng thể
Quy trình thực nghiệm đã tiến hành so sánh toàn diện giữa ba mô hình CNN Backbone (EfficientNet-B3, ResNet-50, Xception) và hai phiên bản kiến trúc lai Hybrid (CNN – Transformer). Kết quả cho thấy sự chuyển dịch rõ rệt về hiệu năng khi chuyển từ kiến trúc CNN thuần tuý sang kiến trúc Hybrid, đặc biệt sau quá trình tối ưu hoá. Mô hình Hybrid đạt hiệu suất khá tốt trên tập kiểm thử với Accuracy 97.90%, Macro F1-score 0.9790, và Cohen’s Kappa 0.9720, khẳng định mức độ đồng thuận mạnh mẽ và đáng tin cậy đối với nhiệm vụ phân loại đa lớp.
Ưu thế của mô hình Hybrid đến từ việc tích hợp tầng Transformer vào layer phân loại cuối. Trong khi CNN Backbone (EfficientNet-B3) đã thực hiện tốt vai trò trích xuất đặc trưng cục bộ, thì Transformer đã tối ưu hóa khả năng khai thác các mối quan hệ không gian và ngữ cảnh toàn cục trong ảnh OCT. Điều này giúp mô hình vượt qua giới hạn học đặc trưng cục bộ của CNN, dẫn đến sự cải thiện hiệu suất rõ rệt, đặc biệt là đối với lớp khó phân loại nhất là Drusen, với số lượng mẫu được phân loại chính xác tăng từ 224/250 (EfficientNet-B3) lên 232/250.
Sự cải thiện hiệu năng này còn nhờ vào quá trình tối ưu hóa siêu tham số trong thực nghiệm 3. Việc chuyển đổi từ Focal Loss sang CrossEntropyLoss đã mang lại quá trình hội tụ ổn định, giảm thiểu biến động của Validation Loss và tăng cường khả năng tổng quát hoá của mô hình. Đồng thời, chiến lược điều chỉnh tốc độ học ReduceLROnPlateau đã phát huy hiệu quả khi giúp mô hình tinh chỉnh tốc độ học khi sự cải thiện hiệu suất chững lại, từ đó tối đa hoá hiệu năng. Hơn nữa, mô hình Hybrid tối ưu còn đạt hiệu quả tính toán tốt hơn phiên bản ban đầu, với thời gian huấn luyện trung bình chỉ 19.33 phút/epoch.
Bảng dưới đây trình bày kết quả so sánh hiệu năng giữa model trong phương pháp đề xuất và các phương pháp hiện có, bao gồm những mô hình CNN cổ điển cũng như các mô hình Hybrid kết hợp Transformer trong các nghiên cứu liên quan. Việc đối chiếu này nhằm xác định mức độ cải thiện về độ chính xác, khả năng nhận diện đặc trưng bệnh lý và tính hiệu quả trong phân loại ảnh OCT của mô hình được đề xuất so với các phương pháp trước đó:

Dữ liệu trong bảng 4.6 cho biết rằng model đề xuất đạt hiệu năng vượt trên so với các phương pháp trước đó và các mô hình lai trong những nghiên cứu trước đây. Các kiến trúc CNN trước đây như VGG16 và ResNet mặc dù đạt độ chính xác khá cao (lần lượt là 86.68% và 89.87%), nhưng vẫn tồn tại những hạn chế trong khả năng nhận biết chính xác các đặc trưng bệnh lý phức tạp của ảnh OCT. IFCNN được đề xuất nhằm khai thác đa mức độ đặc trưng đã mang lại kết quả cải tiến so với các mô hình CNN thuần tuý, tuy nhiên độ chính xác chỉ đạt 88.67%, chưa thực sự đáp ứng yêu cầu cao trong ứng dụng lâm sàng.
Ở nhóm các phương pháp tiên tiến hơn, HCTNet – đại diện cho hướng tiếp cận mô hình lai CNN kết hợp Transformer – đã cho thấy hiệu năng cao hơn đáng kể (Accuracy 91.56% và Macro-F1 88.32%). Tuy nhiên, mô hình lai được đề xuất trong nghiên cứu này tiếp tục cải thiện đáng kể các chỉ số đánh giá, đạt Accuracy và Macro-F1 đều ở mức 97.90%. Kết quả này cho thấy việc tích hợp khả năng trích xuất đặc trưng cục bộ mạnh mẽ của CNN cùng với năng lực nắm bắt ngữ cảnh toàn cục của Transformer đã nâng cao đáng kể khả năng phân biệt giữa các lớp bệnh biểu hiện hình ảnh tương đồng trên dữ liệu OCT.
Nhìn chung, các kết quả thực nghiệm khẳng định phương pháp đề xuất không chỉ tăng cường độ chính xác phân loại mà còn đảm bảo mức độ cân bằng hiệu năng trên tất cả các lớp bệnh, qua đó thể hiện tiềm năng ứng dụng thực tế trong hỗ trợ chẩn đoán lâm sàng.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Kết luận
Sau khi thực hiện khóa luận tốt nghiệp “CÁCH TIẾP CẬN DỰA TRÊN HỌC SÂU ĐỂ CHẨN ĐOÁN BỆNH VÕNG MẠC MẮT SỬ DỤNG ẢNH CHỤP OCT”, những kết quả quan trọng mà nhóm đạt được bao gồm:
• Xây dựng thành công bộ dữ liệu OCT tổng hợp quy mô lớn: Tích hợp và chuẩn hóa 113,884 ảnh OCT võng mạc từ 5 nguồn dữ liệu khác nhau (Kermany 2018, THOCT1800, OCTDL, DUKE 2015, NEH_UT_2021), bao phủ 4 lớp bệnh chính: CNV, DME, DRUSEN và NORMAL. Bộ dữ liệu được xử lý cẩn trọng nhằm đảm bảo chất lượng với quy trình chuẩn hóa định dạng, kiểm soát chất lượng.
• Nghiên cứu đánh giá hiệu quả ba kiến trúc CNN hiện đại: Thực hiện đánh giá toàn diện ba mô hình Base CNN (EfficientNet-B3, ResNet-50, Xception) với chiến lược transfer learning và end-to-end fine-tuning. Kết quả chứng minh rằng EfficientNetB3 đạt hiệu suất cao nhất với độ chính xác đạt 96,8% trên tập test, chứng minh khả năng nhận diện mạnh mẽ của kiến trúc cho ảnh y tế.
• Đề xuất và huấn luyện thành công mô hình Hybrid CNN-Transformer: Thiết kế kiến trúc lai ghép kết hợp EfficientNet-B3 backbone (trích xuất local features) với Transformer encoder (modeling global dependencies). Mô hình đạt độ chính xác 97,9% trên tập test với 1,000 ảnh cân bằng, vượt trội so với các mô hình Base CNN. Balanced Accuracy và Macro F1-score đều đạt trên 97%, chứng minh khả năng phân loại tốt trên tất cả các lớp bệnh, kể cả các lớp thiểu số (DME, DRUSEN).
• Phát triển pipeline huấn luyện tối ưu với các kỹ thuật tiên tiến: Áp dụng thành công các phương pháp regularization hiện đại bao gồm Focal Loss (xử lý class imbalance), CosineAnnealingWarmRestarts và ReduceLROnPlateau schedulers, early stopping, gradient clipping, và data augmentation.
• Triển khai hệ thống thử nghiệm hỗ trợ quyết định lâm sàng cho chẩn đoán bệnh võng mạc: Xây dựng và triển khai hệ thống demo thông qua ứng dụng di động React Native tích hợp FastAPI backend, cho phép bác sĩ và bệnh nhân upload ảnh OCT và nhận kết quả phân loại real-time. Hệ thống được deploy trên AWS đảm bảo khả năng mở rộng và monitoring (Grafana, Prometheus). Ứng dụng cung cấp giao diện thân thiện, hỗ trợ nhiều định dạng ảnh, và hiển thị kết quả với confidence scores rõ ràng.
Tóm lại, khoá luận đã đạt được các mục tiêu ban đầu đề ra, xây dựng được mô hình phân loại bệnh võng mạc chính xác và ứng dụng thực tế, đồng thời đóng góp kiến thức về áp dụng DL vào chẩn đoán hình ảnh y khoa. Bên cạnh những kết quả đã thực hiện được, các đóng góp của đề tài này đều có thể được công khai cho cộng đồng nghiên cứu, bao gồm quy trình xây dựng mô hình, phương pháp xử lý dữ liệu, các kết quả thực nghiệm, cũng như bộ dataset OCT tổng hợp được xây dựng trong quá trình thực hiện đề tài. Việc chia sẻ các tài nguyên này không chỉ góp phần gia tăng sự minh bạch và khả năng tái lập trong nghiên cứu khoa học, mà còn tạo điều kiện cho các nghiên cứu tiếp theo kế thừa, cải thện và mở rộng ứng dụng của mô hình trong lĩnh vực chẩn đoán hình ảnh y khoa.
Hạn chế
Mặc dù cho thấy những kết quả tích cực, nghiên cứu vẫn còn tồn tại một số hạn chế cần được khắc phục trong các nghiên cứu tiếp theo:
• Giới hạn số lượng lớp bệnh: Hệ thống hiện tại chỉ phân loại 4 lớp chính (CNV, DME, DRUSEN, NORMAL), chưa bao phủ đầy đủ các bệnh lý võng mạc khác như Epiretinal Membrane, Macular Hole, Central Serous Retinopathy…, hay các hình thái tiến triển khác biệt của cùng một loại bệnh. Việc mở rộng sang nhiều lớp hơn đòi hỏi tìm kiếm và thu nhập thêm dữ liệu có chất lượng cao và được chuyên gia thực hiện việc gán nhãn.
• Thiếu khả năng giải thích chi tiết: Mặc dù đã triển khai Grad-CAM để visualize vùng quan trọng, hệ thống chưa đưa ra lời giải thích chi tiết về nguyên nhân chẩn đoán cụ thể (ví dụ: “phát hiện bệnh Drusen tại vị trí nào”, “kích thước drusen bao nhiêu µm”). Hạn chế này làm giảm đi khả năng sử dụng làm công cụ hỗ trợ quyết định lâm sàng, vì bác sĩ cần hiểu rõ cơ sở của các dự đoán.
• Chưa xử lý multi-label classification: Trong thực tế lâm sàng, một bệnh nhân có thể mắc đồng thời nhiều bệnh lý (ví dụ: cả DME và DRUSEN). Mô hình hiện tại chỉ dự đoán một lớp duy nhất, chưa đạt được tới yêu cầu phức tạp này.
• Chưa validation trên dữ liệu lâm sàng thực tế: Mặc dù đạt độ chính xác cao trên test set, mô hình chưa được đánh giá bởi bác sĩ nhãn khoa trên các ca bệnh thực tế tại bệnh viện. Thẩm định lâm sàng tiến cứu là bước quan trọng trước khi có thể đưa vào sử dụng rộng rãi trong môi trường y tế.
Hướng phát triển
Dựa trên các điểm hạn chế đã đề cập, nhóm sẽ đề xuất các hướng phát triển trong tương lai:
• Mở rộng số lượng lớp bệnh và phân loại đa mức độ: Để khắc phục giới hạn về số lượng lớp bệnh, các nghiên cứu tiếp theo có thể thêm bộ dữ liệu nhiều bệnh lý võng mạc hơn như Epiretinal Membrane, Macular Hole, Central Serous Retinopathy…, cũng như phân chia các giai đoạn phát triển khác nhau của một bệnh. Việc này đòi hỏi thu thập thêm dữ liệu OCT có nhất lượng tương đồng và được đánh nhãn bởi đội ngũ chuyên gia trong lĩnh vực nhãn khoa, từ đó giúp mô hình phản ánh đầy đủ hơn tính đa dạng của bệnh lý trong thực tế lâm sàng.
• Phát triển mô hình multi-label classification: Nhằm giải quyết hạn chế của mô hình single-label hiện tại, các nghiên cứu tiếp theo có thể tập trung vào kiến trúc multi-label classification, cho phép dự đoán đồng thời nhiều bệnh lý trên cùng một ảnh OCT. Điều này sẽ giúp hệ thống phù hợp hơn với các trường hợp bệnh nhân mắc nhiều bệnh võng mạc cùng lúc, vốn thường gặp trong thực hành lâm sàng.
• Nâng cao khả năng giải thích (explainability) của mô hình: Bên cạnh GradCAM, các phương pháp giải thích tiên tiến hơn như Layer-wise Relevance Propagation (LRP) hoặc attention-based visualization có thể được tích hợp để phân tích chi tiết hơn đóng góp của từng vùng ảnh vào quyết định của mô hình. Kết hợp mô hình phân loại với các phương pháp segmentation nhằm xác định chính xác vùng tổn thương (ví dụ: fluid, drusen) và tiến tới đo lường định lượng, qua đó tăng cường niềm tin và khả năng áp dụng hệ thống trong môi trường lâm sàng.
• Đánh giá và kiểm chứng trên dữ liệu lâm sàng thực tế: Một hướng phát triển quan trọng là tiến hành validation trên các ca bệnh thực tế tại bệnh viện, với sự tham gia trực tiếp của bác sĩ nhãn khoa. Việc thực hiện các nghiên cứu lâm sàng sẽ giúp đánh giá chính xác hiệu quả của hệ thống trong điều kiện sử dụng thực tế, cũng như đo lường mức độ đồng thuận giữa mô hình và chẩn đoán của chuyên gia.
• Tối ưu hóa hệ thống cho triển khai thực tế: Để hướng tới ứng dụng trong môi trường y tế, mô hình có thể mô mình có thể được tinh gọn về mặt kích thước và thời gian suy luận thông qua các kỹ thuật như model compression hoặc lightweight architectures. Điều này giúp hệ thống cho phép triển khai trên các nền tảng phần cứng có tài nguyên hạn chế và hỗ trợ sử dụng linh hoạt trong thực tế. Với những định hướng này, giải pháp do nhóm đề xuất có khả năng được phát triển thành một phương tiện hỗ trợ chẩn đoán toàn diện, có độ chính xác cao và mang tính tin cậy, cho các bác sĩ nhãn khoa, đặc biệt tại các vùng thiếu chuyên gia, đóng góp vào việc cải thiện chất lượng chăm sóc sức khỏe mắt cho cộng đồng.


