Nghiên Cứu Giải Pháp Hỗ Trợ Phát Hiện Tổn Thương Hình Khối Trên Ảnh Chụp X-Quang Vú

Giải pháp phát hiện tổn thương hình khối trên ảnh chụp X-quang vú đang trở thành một lĩnh vực nghiên cứu… 139 trang · Trường Đại Học Bách Khoa Hà Nội · 2015.

• Tác giả: Nguyễn Việt Dũng
• Người hướng dẫn: GS.TS Nguyễn Đức Thuận
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Điện tử
• Đề tài: Giải Pháp Phát Hiện Tổn Thương Hình Khối Trên Ảnh Chụp X-Quang Vú
• Loại tài liệu: luận án tiến sỹ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. MỤC LỤC
• 1.1. DANH MỤC CÁC HÌNH VẼ
• 1.2. DANH MỤC CÁC BẢNG
• 1.3. CÁC TỪ VIẾT TẮT
• 1.4. MỞ ĐẦU
• 2. GIẢI PHẪU VÀ BỆNH LÝ UNG THU VÚ, CHỤP ẢNH X-QUANG VÚ VÀ GIẢI PHÁP HỖ TRỢ PHÁT HIỆN CÁC DẤU HIỆU TỔN THƯƠNG HÌNH KHỐI TRÊN ẢNH CHỤP X-QUANG VÚ
• 2.1. Giải phẫu và sinh lý vú
• 2.2. Bệnh lý ung thư vú
• 2.3. Phân loại ung thư vú
• 2.4. Các giai đoạn ung thư vú
• 2.5. Các phương pháp chẩn đoán ung thư vú
• 2.6. Các phương pháp điều trị bệnh ung thư vú
• 2.7. Chụp ảnh X-quang vú
• 2.7.1. Chụp ảnh X-quang vú sàng lọc
• 2.7.2. Chụp ảnh X-quang vú chẩn đoán
• 2.8. Trình tự thăm khám chụp ảnh X-quang vú
• 2.9. Các dấu hiệu tổn thương ung thư vú trên ảnh chụp X-quang vú
• 2.9.1. Chụp ảnh X-quang vú kỹ thuật số
• 2.10. Giải pháp hỗ trợ phát hiện các dấu hiệu tổn thương hình khối trên ảnh chụp X-quang vú
• 2.10.1. Cơ sở dữ liệu ảnh
• 3. TIỀN XỬ LÝ, TĂNG CƯỜNG CHẤT LƯỢNG ẢNH CHỤP X-QUANG VÚ
• 3.1. Tách vùng ảnh vú
• 3.2. Tách phần cơ ngực ra khỏi vùng ảnh vú
• 3.3. Tăng cường chất lượng ảnh
• 3.3.1. Tăng cường chất lượng ảnh kết hợp lọc trung bình với cân bằng mức xám đồ
• 3.3.2. Tăng cường chất lượng ảnh bằng biến đổi hình thái
• 4. PHÁT HIỆN CÁC VÙNG NGHI NGỜ CHỨA TỔN THƯƠNG HÌNH KHỐI THEO PHƯƠNG PHÁP TÌM KIẾM ĐƯỜNG BIÊN
• 4.1. Tổng quan tình hình nghiên cứu trên thế giới hiện nay
• 4.2. Đánh giá hiệu quả phát hiện vùng nghi ngờ
• 4.3. Một số phương pháp phát hiện vùng nghi ngờ chứa tổn thương hình khối được đề xuất gần đây trên thế giới
• 4.3.1. Phát hiện vùng nghi ngờ tổn thương hình khối trên ảnh chụp X-quang vú
• 4.3.2. Phương pháp đối sánh mẫu
• 4.3.3. Phương pháp tìm kiếm đường biên
• 4.4. Đánh giá hiệu quả phát hiện vùng nghi ngờ chứa tổn thương hình khối
• 4.4.1. Hiệu quả phát hiện vùng nghi ngờ của phương pháp đối sánh mẫu
• 4.4.2. Hiệu quả phát hiện vùng nghi ngờ của phương pháp tìm kiếm đường biên
• 5. GIẢM LƯỢNG DƯƠNG TÍNH GIẢ SỬ DỤNG MÁY VECTƠ HỖ TRỢ SVM VÀ CÁC ĐẶC TRƯNG ĐA MỨC
• 5.1. Tổng quan tình hình nghiên cứu hiện nay
• 5.2. Các tiêu chí đánh giá hiệu quả phân loại
• 5.3. Tổng quan tình hình nghiên cứu gần đây trên thế giới
• 5.4. Trích chọn đặc trưng của vùng nghi ngờ
• 5.4.1. Các đặc trưng thống kê bậc nhất FOS
• 5.4.2. Các đặc trưng dựa trên ma trận đồng xuất hiện mức xám GLCM
• 5.4.3. Các đặc trưng sai khác xác suất ngược khối BDIP
• 5.4.4. Các đặc trưng biến thiên hệ số tương quan cục bộ khối BVLC
• 5.5. Mạng nơron NN và máy vectơ hỗ trợ SVM
• 5.5.1. Mạng nơron NN
• 5.5.2. Máy vectơ hỗ trợ SVM
• 5.6. Phân loại vùng nghi ngờ tổn thương hình khối
• 5.6.1. Tính toán các đặc trưng
• 5.6.2. Huấn luyện mạng NN và máy vectơ hỗ trợ SVM
• 5.6.3. Kết quả phân loại đạt được
• 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ

Tóm tắt

I. Tổng Quan Về Giải Pháp Phát Hiện Tổn Thương Hình Khối Trên Ảnh Chụp X Quang Vú

Giải pháp phát hiện tổn thương hình khối trên ảnh chụp X-quang vú đang trở thành một lĩnh vực nghiên cứu quan trọng trong y học hiện đại. Với sự gia tăng tỷ lệ mắc ung thư vú, việc phát hiện sớm các dấu hiệu tổn thương là rất cần thiết. Các công nghệ mới, đặc biệt là công nghệ AI, đang được áp dụng để nâng cao độ chính xác trong việc chẩn đoán. Nghiên cứu này sẽ tập trung vào các phương pháp hiện có và tiềm năng của chúng trong việc phát hiện tổn thương vú.

1.1. Tầm Quan Trọng Của Việc Phát Hiện Sớm Tổn Thương Vú

Phát hiện sớm tổn thương vú có thể làm tăng tỷ lệ sống sót cho bệnh nhân ung thư vú. Theo thống kê, việc phát hiện sớm giúp giảm tỷ lệ tử vong do ung thư vú xuống đáng kể. Các bác sĩ cần có công cụ hỗ trợ để nâng cao khả năng phát hiện các dấu hiệu tổn thương.

1.2. Công Nghệ AI Trong Phát Hiện Tổn Thương Vú

Công nghệ AI đang được áp dụng rộng rãi trong chẩn đoán hình ảnh y tế. Các hệ thống CAD (Computer Aided Detection) sử dụng AI có khả năng phân tích hình ảnh X-quang vú nhanh chóng và chính xác hơn. Điều này giúp bác sĩ tiết kiệm thời gian và nâng cao độ chính xác trong chẩn đoán.

II. Vấn Đề Và Thách Thức Trong Phát Hiện Tổn Thương Hình Khối

Mặc dù có nhiều tiến bộ trong công nghệ, việc phát hiện tổn thương hình khối trên ảnh chụp X-quang vú vẫn gặp nhiều thách thức. Tỷ lệ bỏ sót trong chẩn đoán vẫn còn cao, từ 10% đến 30%. Các yếu tố như mệt mỏi của bác sĩ, cấu trúc phức tạp của mô vú và sự khó phân biệt giữa mô bình thường và tổn thương ung thư là những nguyên nhân chính.

2.1. Tỷ Lệ Bỏ Sót Trong Chẩn Đoán

Tỷ lệ bỏ sót trong chẩn đoán ung thư vú là một vấn đề nghiêm trọng. Nghiên cứu cho thấy rằng ngay cả bác sĩ có kinh nghiệm cũng chỉ phát hiện chính xác từ 85-91% các trường hợp. Điều này cho thấy cần có giải pháp hỗ trợ hiệu quả hơn.

2.2. Cấu Trúc Phức Tạp Của Mô Vú

Cấu trúc mô vú rất phức tạp, điều này làm cho việc phân tích hình ảnh trở nên khó khăn. Các tổn thương có thể bị nhầm lẫn với mô bình thường, dẫn đến việc chẩn đoán sai. Việc phát triển các thuật toán phân tích hình ảnh chính xác là rất cần thiết.

III. Phương Pháp Phát Hiện Tổn Thương Hình Khối Trên Ảnh X Quang Vú

Có nhiều phương pháp được áp dụng để phát hiện tổn thương hình khối trên ảnh chụp X-quang vú. Các phương pháp này bao gồm phân tích hình ảnh, sử dụng mạng nơron và máy vectơ hỗ trợ. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Phân Tích Hình Ảnh Truyền Thống

Phân tích hình ảnh truyền thống dựa vào kinh nghiệm của bác sĩ. Tuy nhiên, phương pháp này có thể dẫn đến sai sót do sự mệt mỏi và áp lực công việc. Cần có sự hỗ trợ từ công nghệ để nâng cao độ chính xác.

3.2. Sử Dụng Mạng Nơron Trong Phát Hiện

Mạng nơron có khả năng học hỏi từ dữ liệu lớn và phát hiện các mẫu phức tạp trong hình ảnh. Việc áp dụng mạng nơron trong phát hiện tổn thương vú đã cho thấy hiệu quả cao trong nhiều nghiên cứu.

3.3. Máy Vectơ Hỗ Trợ SVM Trong Chẩn Đoán

Máy vectơ hỗ trợ là một trong những phương pháp hiệu quả trong phân loại hình ảnh. SVM có khả năng phân loại chính xác các vùng nghi ngờ chứa tổn thương hình khối, giúp bác sĩ đưa ra quyết định chính xác hơn.

IV. Ứng Dụng Thực Tiễn Của Giải Pháp Phát Hiện Tổn Thương

Giải pháp phát hiện tổn thương hình khối trên ảnh chụp X-quang vú đã được áp dụng trong nhiều cơ sở y tế. Các nghiên cứu cho thấy rằng việc sử dụng công nghệ CAD có thể nâng cao độ chính xác trong chẩn đoán. Điều này không chỉ giúp bác sĩ mà còn mang lại lợi ích cho bệnh nhân.

4.1. Kết Quả Nghiên Cứu Về Hiệu Quả Phát Hiện

Nghiên cứu cho thấy rằng việc áp dụng công nghệ CAD có thể tăng độ chính xác phát hiện tổn thương lên đến 15%. Điều này cho thấy sự cần thiết của việc tích hợp công nghệ vào quy trình chẩn đoán.

4.2. Lợi Ích Đối Với Bệnh Nhân

Việc phát hiện sớm tổn thương giúp tăng khả năng điều trị thành công và giảm tỷ lệ tử vong. Bệnh nhân sẽ được hưởng lợi từ các phương pháp chẩn đoán chính xác hơn, từ đó nâng cao chất lượng cuộc sống.

V. Kết Luận Và Hướng Phát Triển Trong Tương Lai

Giải pháp phát hiện tổn thương hình khối trên ảnh chụp X-quang vú đang trong quá trình phát triển mạnh mẽ. Các công nghệ mới như AI và học máy hứa hẹn sẽ mang lại những bước tiến lớn trong chẩn đoán ung thư vú. Cần tiếp tục nghiên cứu và phát triển để cải thiện độ chính xác và hiệu quả của các phương pháp này.

5.1. Tương Lai Của Công Nghệ Phát Hiện

Công nghệ phát hiện tổn thương hình khối sẽ tiếp tục phát triển với sự hỗ trợ của AI. Các nghiên cứu mới sẽ giúp cải thiện độ chính xác và giảm tỷ lệ bỏ sót trong chẩn đoán.

5.2. Nhu Cầu Nghiên Cứu Thêm

Cần có nhiều nghiên cứu hơn nữa để phát triển các thuật toán và phương pháp mới. Việc hợp tác giữa các nhà nghiên cứu và bác sĩ sẽ giúp nâng cao chất lượng chẩn đoán và điều trị ung thư vú.

Nội dung chính

Tổng quan luận án

Ung thư vú là một trong những bệnh lý ác tính phổ biến hàng đầu và là nguyên nhân gây tử vong do ung thư đứng thứ hai ở phụ nữ tại nhiều quốc gia trên thế giới cũng như tại Việt Nam. Theo thống kê dịch tễ học năm 2010 tại Hoa Kỳ, có 209.060 trường hợp mới mắc và 40.230 ca tử vong do ung thư vú. Tại Việt Nam, tỷ lệ mắc chuẩn theo tuổi ghi nhận tại Hà Nội năm 1998 là 20,3/100.000 dân, tại Thành phố Hồ Chí Minh là 16,0/100.000 dân, và ước tính chung toàn quốc năm 2000 là 17,4/100.000 dân. Việc sàng lọc bằng chụp X-quang vú (Mammography) đóng vai trò then chốt trong phát hiện sớm nhằm nâng cao tỷ lệ sống sót sau 5 năm. Tuy nhiên, việc đọc ảnh thủ công đối mặt với tỷ lệ bỏ sót từ 10% đến 30% do sự mệt mỏi của bác sĩ chẩn đoán hình ảnh, cấu trúc phức tạp của mô tuyến vú và sự tương đồng về mức xám giữa tổn thương hình khối với mô tuyến dày đặc. Mặc dù đọc phim kép (hai bác sĩ) giúp tăng tỷ lệ phát hiện đúng thêm khoảng 10%, phương thức này lại tốn kém nhân lực và chi phí. Các hệ thống hỗ trợ phát hiện có sự trợ giúp của máy tính CAD (Computer Aided Detection) thương mại (như ImageChecker, MammoReader, SecondLook) không công bố chi tiết thuật toán xử lý. Tại Việt Nam, các nghiên cứu chuyên sâu về CAD cho X-quang vú còn rất hạn chế.

Mục tiêu nghiên cứu tổng quát của luận án là nghiên cứu, phát triển một giải pháp hoàn chỉnh hỗ trợ phát hiện các dấu hiệu tổn thương hình khối trên ảnh chụp X-quang vú nhằm đóng vai trò "người đọc thứ hai", hỗ trợ bác sĩ khoanh vùng và giảm thiểu sai sót chẩn đoán.

Để đạt được mục tiêu này, luận án xác định ba nhiệm vụ nghiên cứu cụ thể:

1. Nghiên cứu kỹ thuật tiền xử lý nhằm loại bỏ vùng nền, nhãn ảnh, lỗi số hóa và phần cơ ngực, kết hợp tăng cường chất lượng ảnh chụp X-quang vú.
2. Nghiên cứu, phát triển phương pháp phát hiện các vùng nghi ngờ (Region of Interest - ROI) chứa tổn thương hình khối với độ nhạy phát hiện cao.
3. Nghiên cứu, phát triển phương pháp phân loại vùng nghi ngờ thành tổn thương hình khối thực sự hoặc mô tuyến bình thường nhằm giảm thiểu số lượng dương tính giả (False Positives) dựa trên các đặc trưng đa mức và bộ phân loại học máy.

Đối tượng nghiên cứu của luận án là các dấu hiệu tổn thương hình khối trên ảnh chụp X-quang vú tư thế chéo xiên MLO (Medio-Lateral Oblique). Phạm vi dữ liệu thực nghiệm gồm 299 ảnh số hóa từ cơ sở dữ liệu chuẩn mini-MIAS của Anh (bao gồm 90 ảnh chứa 92 tổn thương hình khối và 209 ảnh mô vú bình thường; loại trừ 23 ảnh chỉ chứa tổn thương vi vôi hóa CALC). Luận án được thực hiện tại Trường Đại học Bách Khoa Hà Nội và hoàn thành năm 2015.

Tổng quan tài liệu và vị trí của luận án

Luận án đã tổng quan toàn diện các hướng nghiên cứu xử lý ảnh và nhận dạng mẫu áp dụng trong hệ thống CAD chụp X-quang vú trên thế giới:

• Về tiền xử lý và tách vùng ảnh vú: Tác giả điểm lại các kỹ thuật phân đoạn của Eltoukhy (tính tổng hàng/cột kết hợp ngưỡng Otsu và thuật toán dán nhãn thành phần liên thông CCL), Belloti (lật ảnh, quét hàng theo ngưỡng), Sample (phân đa ngưỡng trên ảnh sai khác mức xám đồ), Masek (tối thiểu hóa entropy chéo đa mức) và Telebpour.
• Về tách phần cơ ngực: Karssemrijer sử dụng biến đổi Hough dựa trên giả thiết biên cơ ngực là đoạn thẳng; Ferrari phát triển biến đổi Hough có bổ sung ràng buộc hình học/giải phẫu và bộ lọc sóng con Gabor; Mirzaalian áp dụng khuếch tán phi tuyến trên vùng quan tâm chữ nhật; Raba và Chen sử dụng kỹ thuật phát triển vùng thích nghi; Kwok phát triển thuật toán tinh chỉnh mỏm thích nghi; Subashini áp dụng phân ngưỡng kết hợp thuật toán CCL.
• Về phát hiện vùng nghi ngờ chứa tổn thương: Các hướng tiếp cận truyền thống sử dụng phương pháp đối sánh mẫu (Template Matching) với các cửa sổ mẫu cố định, phương pháp phân vùng biên của Zhang và các kỹ thuật phát triển vùng dựa trên gradient.
• Về giảm dương tính giả bằng trích chọn đặc trưng và phân loại: Các nghiên cứu trước đây khai thác nhóm đặc trưng thống kê bậc nhất FOS (First Order Statistics), ma trận đồng xuất hiện mức xám GLCM (Gray Level Co-occurrence Matrix), cùng các bộ phân loại như Mạng nơ-ron nhân tạo MLP (Multi-Layer Perceptron) và Máy vectơ hỗ trợ SVM (Support Vector Machine).

Khoảng trống học thuật mà luận án lựa chọn giải quyết là: khắc phục sự thiếu ổn định của phương pháp phân ngưỡng entropy chéo khi xử lý các ảnh có mật độ mô tuyến dày đặc; giải quyết hạn chế của phương pháp đối sánh mẫu vốn dễ bỏ sót các tổn thương hình khối có hình dạng bất quy tắc (như dạng có tua gai SPIC, méo cấu trúc ARCH, bất đối xứng ASYM); và phát triển hệ thống đặc trưng kết cấu đa mức chuyên biệt (BDIP và BVLC) kết hợp SVM để tối ưu hóa việc phân loại, giảm thiểu tỷ lệ dương tính giả trên mỗi ảnh (FPpI).

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng trên nền tảng lý thuyết liên ngành giữa y sinh học, xử lý ảnh số và học máy:

• Cơ sở y sinh: Cấu trúc giải phẫu tuyến vú (thùy, tiểu thùy TDLU, mô mỡ, mô tuyến, cơ ngực, hệ dây chằng Cooper và hệ thống mạch bạch huyết nách 3 mức độ); bệnh lý ung thư vú theo phân loại mô bệnh học (ung thư biểu mô ống tại chỗ DCIS, ung thư biểu mô ống xâm lấn IDC chiếm 78%, ung thư biểu mô tiểu thùy xâm lấn ILC chiếm 9%); hệ thống phân loại giai đoạn bệnh TNM (T0-T4, N0-N3, M0-M1); tiêu chuẩn phân loại tổn thương BI-RADS của Hiệp hội X-quang Hoa Kỳ (ACR) gồm 4 loại mật độ mô vú và 7 mức độ đánh giá nghi ngờ ác tính (từ loại 0 đến loại 6).
• Lý thuyết xử lý ảnh và hình thái học: Kỹ thuật dán nhãn thành phần liên thông CCL (Connected Component Labeling); biến đổi hình thái toán học (Morphological transformations) sử dụng các phần tử cấu trúc đa dạng; kỹ thuật cân bằng mức xám đồ và lọc trung bình làm trơn.
• Lý thuyết trích chọn đặc trưng kết cấu đa mức:
  • Đặc trưng thống kê bậc nhất (FOS): Giá trị trung bình, độ lệch chuẩn, độ lệch độ nhọn mức xám.
  • Đặc trưng ma trận đồng xuất hiện mức xám (GLCM): Trích xuất bộ 12 đặc trưng (GLCM12) và bộ 13 đặc trưng (GLCM13) bao gồm năng lượng, độ tương phản, tương quan, entropy, mô men chênh lệch thuần nhất...
  • Đặc trưng sai khác xác suất ngược khối đa mức (Block Difference of Inverse Probability - BDIP): Đo lường sự biến thiên cục bộ của cường độ sáng tại các mức phân giải khối khác nhau (bộ 7 đặc trưng).
  • Đặc trưng biến thiên hệ số tương quan cục bộ khối đa mức (Block Variance of Local Correlation coefficients - BVLC): Định lượng tính kết cấu bề mặt và tính định hướng cục bộ (bộ 6 đặc trưng gồm các thành phần trung bình và phương sai).
• Lý thuyết phân loại mẫu: Mạng nơ-ron truyền thẳng đa lớp Perceptron (MLP) 2 lớp và Máy vectơ hỗ trợ (SVM) với hàm nhân cơ sở xuyên tâm RBF (Radial Basis Function) dựa trên nguyên lý cực đại hóa khoảng cách lề phân cách siêu mặt phẳng trong không gian đặc trưng nhiều chiều.

Phương pháp nghiên cứu thực tế là phương pháp thực nghiệm định lượng trên cơ sở dữ liệu ảnh chuẩn mini-MIAS. Dữ liệu gồm 322 ảnh X-quang vú số hóa 8-bit, kích thước $1024 \times 1024$ điểm ảnh, độ phân giải không gian $200,\mu\text{m/pixel}$. Các chỉ số đánh giá định lượng gồm: Tỷ lệ dương tính thật (TPF - True Positive Fraction / Sensitivity), Tỷ lệ dương tính giả (FPF - False Positive Fraction), Số lượng dương tính giả trung bình trên mỗi ảnh (FPpI - False Positives per Image), Đường cong đặc tính hoạt động máy thu ROC (Receiver Operating Characteristic) và diện tích dưới đường cong ROC ($A_z$), cùng Tỷ số tín hiệu trên nhiễu đỉnh (PSNR) trong đánh giá tăng cường ảnh.

Nội dung chính theo từng chương

Chương 1: Giải phẫu và bệnh lý ung thư vú, chụp ảnh X-quang vú và giải pháp hỗ trợ phát hiện các dấu hiệu tổn thương hình khối trên ảnh chụp X-quang vú

Chương 1 cung cấp cơ sở y học và kỹ thuật tạo ảnh X-quang vú. Tác giả trình bày cấu trúc giải phẫu tuyến vú phụ nữ gồm 15 đến 20 thùy, mỗi thùy chứa 20 đến 40 tiểu thùy, đổ về núm vú qua hệ thống ống dẫn sữa có đường kính dưới 1 mm. Di căn hạch nách là yếu tố quyết định tiên lượng bệnh với 3 mức độ phân bố hạch. Chương phân tích bảng phân loại giai đoạn bệnh TNM và tỷ lệ sống sau 5 năm theo thống kê y học: Giai đoạn 0 (93%), Giai đoạn IA (88%), Giai đoạn IIA (83%), Giai đoạn IIB (74%), Giai đoạn IIIA (67%), Giai đoạn IIIB (41%), Giai đoạn IIIC (49%), và Giai đoạn IV (15%).

Về kỹ thuật hình ảnh, chương làm rõ sự khác biệt giữa chụp X-quang vú sàng lọc và chụp X-quang vú chẩn đoán (sử dụng kỹ thuật nén điểm Spot Compression và phóng đại Magnification), các tư thế chụp phổ biến CC, MLO, LMO, 90 LAT-LM, và sự chuyển dịch từ phim tương tự SFM sang kỹ thuật số toàn dải FFDM tích hợp hệ thống lưu trữ PACS. Chương cũng hệ thống hóa các dạng tổn thương hình khối: dạng tròn/oval (CIRC), dạng tua gai (SPIC), dạng méo cấu trúc (ARCH), dạng bất đối xứng (ASYM), và dạng khó xác định (MISC).

Nhóm tổn thương trên mini-MIAS	Loại mô mỡ	Loại mô tuyến	Loại mô tuyến dày đặc	Tổng số dấu hiệu
CIRC (Hình khối tròn/oval)	09	08	03	20
SPIC (Hình khối có tua gai)	06	07	08	21
MISC (Hình khối không rõ dạng)	08	05	02	15
ARCH (Méo cấu trúc)	06	06	08	20
ASYM (Bất đối xứng)	05	05	07	17
CALC (Vi vôi hóa - loại trừ)	06	09	10	25
NORM (Ảnh bình thường)	66	64	74	209 (ảnh)

Chương 2: Tiền xử lý, tăng cường chất lượng ảnh chụp X-quang vú

Chương 2 giải quyết bài toán loại bỏ các vùng nhiễu không mang thông tin bệnh học và nâng cao độ tương phản của tổn thương. Cấu trúc ảnh số hóa mini-MIAS bao gồm: nền ảnh tối, nhãn chì sáng, lỗi số hóa, phần cơ ngực và phần mô vú.

Để tách vùng ảnh vú, tác giả áp dụng phương pháp phân ngưỡng với giá trị ngưỡng tối ưu $T=16$ trên toàn bộ cơ sở dữ liệu mini-MIAS, kết hợp thuật toán dán nhãn thành phần liên thông CCL để loại bỏ các vùng nhỏ, giữ lại thành phần liên thông có diện tích lớn nhất. Kết quả thực nghiệm cho thấy phương pháp này đạt độ chính xác cao và ổn định hơn so với kỹ thuật của Masek và Telebour trên cả ba dạng mô: mô mỡ (mdb205), mô tuyến (mdb209) và mô tuyến dày đặc (mdb163).

Để tách phần cơ ngực, tác giả phân tích hạn chế của phương pháp phân ngưỡng entropy chéo của Masek (vốn thất bại trên ảnh mô tuyến dày đặc do cơ ngực và mô tuyến bị nhập vào nhau và đòi hỏi phải lặp ngưỡng nhiều lần). Tác giả ứng dụng phương pháp xác định vùng biên cơ ngực dựa trên vị trí góc ảnh và biến thiên gradient kết hợp CCL, giúp loại bỏ triệt để phần cơ ngực mà không làm mất mô tuyến lân cận.

Về tăng cường chất lượng ảnh, chương so sánh hai giải pháp:

• Phương pháp kết hợp lọc trung bình ($3 \times 3$) với cân bằng mức xám đồ (Histogram Equalization).
• Phương pháp đề xuất sử dụng biến đổi hình thái toán học (Morphological transformations) với các phần tử cấu trúc dạng chữ nhật thích nghi.

Kết quả đánh giá định lượng thông qua chỉ số PSNR và độ tương phản cục bộ chứng minh phương pháp biến đổi hình thái làm nổi bật rõ nét biên giới tổn thương khối và triệt tiêu đáng kể hiện tượng tăng nhiễu nền so với phương pháp cân bằng mức xám đồ truyền thống.

Chương 3: Phát hiện các vùng nghi ngờ chứa tổn thương hình khối theo phương pháp tìm kiếm đường biên

Chương 3 tập trung phát triển mô đun phát hiện vùng nghi ngờ (ROI). Tác giả tiến hành thử nghiệm và so sánh đối đầu hai cách tiếp cận:

1. Phương pháp đối sánh mẫu (Template Matching): Sử dụng các mẫu tổn thương hình khối có độ tương phản khác nhau quét trên toàn ảnh với các mức ngưỡng $T$ biến thiên. Kết quả cho thấy phương pháp này chỉ đạt hiệu quả với tổn thương dạng tròn đơn giản (CIRC), nhưng tạo ra số lượng dương tính giả rất lớn ($N=2, 6, 15$ vùng nghi ngờ/ảnh) và bỏ sót các tổn thương dạng tua gai (SPIC) hoặc méo cấu trúc (ARCH).
2. Phương pháp tìm kiếm đường biên đề xuất (Boundary Searching): Thuật toán phân tích hướng và độ lớn của vectơ gradient mức xám trên lân cận $5 \times 5$, kết hợp phân ngưỡng thích nghi cục bộ để xác định các đoạn biên đóng kín tiềm năng. Sau đó, thuật toán áp dụng quá trình phát triển vùng (Region Growing) từ các tâm nghi ngờ để khôi phục toàn bộ hình học của tổn thương.

Kết quả thử nghiệm trên 299 ảnh mini-MIAS cho thấy: Phương pháp tìm kiếm đường biên đề xuất đạt độ nhạy phát hiện tổn thương hình khối vượt trội trên các nhóm tổn thương phức tạp (nhóm SPIC, CIRC, ARCH, ASYM, MISC). Khi kết hợp với bước tăng cường ảnh bằng biến đổi hình thái ở Chương 2, tỷ lệ phát hiện đúng (TPF) tăng lên rõ rệt đồng thời giảm số lượng vùng nghi ngờ giả định ban đầu so với khi không tiền xử lý hoặc chỉ dùng lọc trung bình.

Chương 4: Giảm lượng dương tính giả sử dụng máy vectơ hỗ trợ SVM và các đặc trưng đa mức

Chương 4 hoàn thiện hệ thống CAD thông qua mô đun phân loại vùng nghi ngờ nhằm triệt tiêu các vùng dương tính giả sinh ra từ Chương 3. Tác giả trích chọn các tập đặc trưng đa dạng từ hình chữ nhật nhỏ nhất bao quanh mỗi vùng nghi ngờ:

• Bộ đặc trưng thống kê bậc nhất FOS.
• Bộ đặc trưng đồng xuất hiện mức xám: GLCM12 và GLCM13.
• Bộ 7 đặc trưng sai khác xác suất ngược khối đa mức (BDIP) ở các tỷ lệ khối khác nhau ($i=1, 2, \dots, 6$).
• Bộ 6 đặc trưng biến thiên hệ số tương quan cục bộ khối đa mức (BVLC) ở các tỷ lệ khối tương ứng (gồm BVLC Mean và BVLC Var).

Tác giả thiết lập thực nghiệm huấn luyện và kiểm thử chéo trên hai mô hình học máy: Mạng nơ-ron nhân tạo MLP và Máy vectơ hỗ trợ SVM với hàm nhân RBF.

Kết quả đánh giá qua diện tích dưới đường cong ROC ($A_z$) ghi nhận:

• Bộ đặc trưng GLCM13 cho hiệu quả phân loại cao hơn GLCM12 khi kết hợp với mạng nơ-ron.
• Bộ đặc trưng BDIP đa mức ($i=6$) đạt giá trị $A_z$ cao hơn hẳn so với việc chỉ sử dụng các đặc trưng thống kê bậc nhất FOS và GLCM13 đơn lẻ.
• Nhóm đặc trưng BVLC Var kết hợp với đặc trưng $\text{BVLC}_{2 \times 2}\text{ mean}$ mang lại khả năng phân tách cụm dữ liệu mô bệnh lý và mô lành tính tốt nhất.
• Bộ phân loại SVM cho kết quả diện tích dưới đường cong $A_z$ cao hơn và ổn định hơn so với mạng nơ-ron MLP trên cùng một tập đặc trưng đa mức.
• Hệ thống tích hợp toàn diện (Tiền xử lý hình thái + Tìm kiếm đường biên + Đặc trưng BDIP/BVLC đa mức + Bộ phân loại SVM) đạt hiệu suất giảm dương tính giả cao, nâng cao độ chính xác tổng thể khi so sánh với các công bố quốc tế cùng thời kỳ trên cơ sở dữ liệu mini-MIAS.

Chương 5: Kết luận và hướng phát triển

Chương 5 tổng kết toàn bộ các kết quả đạt được của luận án và đề xuất các định hướng nghiên cứu tiếp theo.

Kết quả và những đóng góp mới

Luận án mang lại các đóng góp mới về mặt khoa học và kỹ thuật ứng dụng:

• Về mặt khoa học:

  1. Là công trình nghiên cứu tổng thể, có hệ thống đầu tiên tại Việt Nam về giải pháp CAD phát hiện tổn thương hình khối trên ảnh chụp X-quang vú.
  2. Đề xuất thuật toán phát hiện vùng nghi ngờ dựa trên nguyên lý tìm kiếm đường biên và phân tích gradient cục bộ, khắc phục được nhược điểm bỏ sót tổn thương hình học phức tạp (tua gai, méo cấu trúc) của phương pháp đối sánh mẫu truyền thống.
  3. Ứng dụng thành công hệ thống đặc trưng kết cấu đa mức BDIP và BVLC kết hợp với máy vectơ hỗ trợ SVM trong bài toán phân loại vùng nghi ngờ X-quang vú, chứng minh sự vượt trội về diện tích dưới đường cong ROC ($A_z$) so với các đặc trưng FOS và GLCM truyền thống.

• Về mặt thực tiễn:

  1. Xây dựng quy trình tiền xử lý tự động hóa hoàn toàn từ việc tách vùng vú (ngưỡng $T=16$ kết hợp CCL), loại bỏ cơ ngực đến tăng cường chất lượng ảnh bằng biến đổi hình thái toán học, giúp giảm thiểu tải tính toán và loại trừ nhiễu ảnh hưởng.
  2. Đưa ra giải pháp công nghệ có khả năng tích hợp vào các hệ thống phần mềm y tế hỗ trợ bác sĩ chẩn đoán hình ảnh, góp phần nâng cao độ chính xác sàng lọc ung thư vú và giảm tỷ lệ đọc sót bệnh tại các cơ sở y tế.

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế: Nghiên cứu của luận án chỉ tập trung vào dấu hiệu tổn thương hình khối (Mass lesions), chưa tích hợp phát hiện các dấu hiệu vi vôi hóa (Microcalcifications) - một chỉ dấu quan trọng khác của ung thư vú giai đoạn sớm. Dữ liệu thực nghiệm mới dừng lại ở cơ sở dữ liệu số hóa mini-MIAS, chưa được thử nghiệm lâm sàng diện rộng trên các hệ thống chụp X-quang kỹ thuật số trực tiếp (FFDM) tại các bệnh viện Việt Nam.
• Hướng nghiên cứu tiếp:
  1. Mở rộng giải pháp để phát hiện đồng thời cả tổn thương hình khối và các cụm tổn thương vi vôi hóa trên ảnh X-quang vú.
  2. Triển khai thu thập và đánh giá trên tập dữ liệu ảnh X-quang vú kỹ thuật số thu nhận thực tế từ bệnh nhân tại các bệnh viện trong nước.
  3. Nghiên cứu mở rộng ứng dụng nguyên lý xử lý ảnh và trích chọn đặc trưng đa mức sang các bài toán chẩn đoán hình ảnh y tế khác như ảnh cắt lớp vi tính (CT) phổi hoặc ảnh giải phẫu bệnh học.

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cao đối với:

• Nghiên cứu sinh, học viên cao học, kỹ sư thuộc các chuyên ngành Kỹ thuật Y sinh, Kỹ thuật Điện tử, Xử lý ảnh và Trí tuệ nhân tạo: Có thể tham khảo chi tiết thuật toán tách cơ ngực, thuật toán tìm kiếm đường biên thích nghi, công thức trích chọn đặc trưng BDIP/BVLC đa mức và kỹ thuật huấn luyện mô hình SVM.
• Bác sĩ chẩn đoán hình ảnh và chuyên gia y tế: Cung cấp góc nhìn định lượng về khả năng hỗ trợ của các thuật toán CAD, nguyên lý nhận dạng tự động các dạng tổn thương hình khối (CIRC, SPIC, ARCH, ASYM, MISC) và tiêu chuẩn phân loại BI-RADS.
• Các nhà phát triển phần mềm thiết bị y tế: Tài liệu tham khảo hữu ích để xây dựng các mô-đun tiền xử lý và hỗ trợ chẩn đoán tích hợp vào hệ thống lưu trữ và truyền tải hình ảnh y tế PACS.

Câu hỏi thường gặp

1. Tại sao luận án lại loại trừ 23 ảnh thuộc nhóm CALC trong cơ sở dữ liệu mini-MIAS?
Trả lời: Luận án giới hạn phạm vi nghiên cứu chuyên sâu vào việc phát hiện và phân loại các dấu hiệu tổn thương hình khối (Mass lesions). Nhóm CALC trong mini-MIAS là nhóm chứa các tổn thương vi vôi hóa (kích thước $< 1,\text{mm}$), có đặc tính hình học và mức xám hoàn toàn khác biệt so với tổn thương hình khối, do đó được tách riêng và không đưa vào tập dữ liệu đánh giá 299 ảnh của luận án.

2. Phương pháp tách vùng ảnh vú của luận án có ưu điểm gì so với phương pháp của Masek và Telebour?
Trả lời: Phương pháp của luận án sử dụng mức ngưỡng cố định tối ưu $T=16$ kết hợp thuật toán dán nhãn thành phần liên thông CCL để chọn vùng diện tích lớn nhất. Cách tiếp cận này đơn giản, tốc độ xử lý nhanh, không bị phân mảnh vùng vú và đạt độ chính xác ổn định trên cả ba loại mô vú (mô mỡ, mô tuyến và mô tuyến dày đặc), khắc phục được tình trạng phụ thuộc vào phân bố entropy chéo đa mức phức tạp của Masek.

3. Tại sao phương pháp tìm kiếm đường biên lại vượt trội hơn phương pháp đối sánh mẫu trong phát hiện vùng nghi ngờ?
Trả lời: Phương pháp đối sánh mẫu sử dụng các cửa sổ mẫu cố định nên chỉ phát hiện tốt các khối u dạng tròn/oval đơn giản (CIRC) và tạo ra nhiều dương tính giả ($N=2, 6, 15$). Ngược lại, phương pháp tìm kiếm đường biên phân tích hướng và độ lớn của vectơ gradient kết hợp phát triển vùng cục bộ, cho phép thích nghi và bắt trọn đường biên bất quy tắc của các khối u dạng tua gai (SPIC), méo cấu trúc (ARCH) và bất đối xứng (ASYM).

4. Vai trò của bộ đặc trưng BDIP và BVLC đa mức trong việc giảm dương tính giả là gì?
Trả lời: Đặc trưng BDIP (sai khác xác suất ngược khối) định lượng sự thay đổi cường độ mức xám cục bộ, trong khi BVLC (biến thiên hệ số tương quan cục bộ khối) mô tả tính kết cấu và định hướng bề mặt ở nhiều thang đo khối khác nhau ($i=1 \dots 6$). Sự kết hợp giữa BDIP đa mức và thành phần phương sai BVLC Var cung cấp khả năng phân tách vượt trội giữa vùng tổn thương thực sự và vùng mô tuyến bình thường, giúp bộ phân loại SVM đạt diện tích dưới đường cong $A_z$ cao nhất.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Việt Dũng đã nghiên cứu và phát triển thành công giải pháp CAD hoàn chỉnh hỗ trợ phát hiện các tổn thương hình khối trên ảnh chụp X-quang vú. Công trình đã giải quyết trọn vẹn ba bài toán kỹ thuật trọng tâm: tiền xử lý loại bỏ cơ ngực và tăng cường chất lượng ảnh bằng biến đổi hình thái; phát hiện vùng nghi ngờ bằng thuật toán tìm kiếm đường biên thích nghi; và giảm thiểu dương tính giả bằng bộ phân loại SVM kết hợp các đặc trưng kết cấu đa mức BDIP và BVLC. Kết quả thực nghiệm trên cơ sở dữ liệu chuẩn mini-MIAS khẳng định tính chính xác, độ tin cậy và tiềm năng ứng dụng thực tiễn của giải pháp trong việc hỗ trợ các bác sĩ nâng cao hiệu quả sàng lọc ung thư vú.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIẢI PHẪU VÀ BỆNH LÝ UNG THU VÚ, CHỤP ẢNH X-QUANG VÚ VÀ GIẢI PHÁ P HỖ TRỢ PHÁT HIỆN CÁC DẤU HIỆU TỔN THƯƠNG HÌNH KHỐI TRÊN ẢNH CHỤP X-QUANG VÚ 1. Giải phẫu và sinh lý vú Trước khi xem xét đến ung thư vú, việc tìm hiểu tổng quát về cấu trúc giải phẫu cơ bản của vú phụ nữ là cần thiết. Vú là một khối mỡ dưới da nằm ở thành ngoài của ngực, có chứa các tuyến vú.

Các tuyến vú này chính là đặc điểm giải phẫu phân biệt các động vật có vú với các loài động vật khác. Tuyến vú phát triển đầy đủ ở phụ nữ trưởng thành và sẽ cung cấp sữa trong thời kỳ cho con bú. Nói một cách cụ thể, vú là dải dưới da ở 2 bên trái, phải trước ngưc. Vú nằm từ khoảng xương sường thứ II đến khoảng xương sường thứ VI hoặc VII và từ hai bên nách vào hai bên bờ trong của xương ức [7].

Cấu trúc giải phẫu của vú được mô tả ở hình 1. Mỗi tuyến vú phát triển đầy đủ được bao quanh bởi da và mỡ quanh vú và thường gồm 15 đến 20 thùy hay ống dẫn sữa. Mỗi thùy được đỡ và bảo vệ bởi mô mỡ và bao gồm từ 20 đến 40 tiểu thùy. Đây chính là các đơn vị chức năng của tuyến vú.

Các tiểu thùy của tuyến vú bao gồm các tế bào tạo ra sữa. Sữa từ các tiểu thùy sẽ được dẫn qua những ống dẫn sữa nhỏ hoặc riêng hoặc nối với với hai hay nhiều nhánh ống dẫn sữa lân cận rồi cuối cùng đổ vào ống dẫn sữa chính. Các ống dẫn sữa chính có đường kính dưới 1 mm. Trước khi đi đến vùng sau quầng vú, chúng thường phình ra giống như hình thoi trên chiều dài 1 đến 2 cm và rộng một vài mm rồi thu nhỏ lại và cùng nhau đổ ra đỉnh núm vú.

Trong quá trình cho con bú, sữa sẽ được giữ tạm thời ở phần phình ra này trước khi được thoát ra ngoài dưới áp lực bú của trẻ. Núm vú là phần nhô, phồng lên của lớp da vú, nằm ngay dưới và ngoài của giữa vú. Núm vú trung bình dài từ 10 đến 15 mm, rộng từ 9 đến 10 mm. Núm vú có thể lớn hơn ở người này và nhỏ hơn ở người khác.

Núm vú thường to lên trong thời gian cho con bú. Núm vú là nơi mà 15 đến 20 ống dẫn sữa đổ ra. Núm vú nằm trên một vành tròn màu hồng đỏ lúc còn thiếu nữ và mầu nâu xẫm khi đã nuôi con gọi là quầng vú. Quầng vú có đường kính từ 15 đến 25 mm và dày từ 3 đến 6 mm.

Ngoài các thùy, tiểu thùy, ống dẫn sữa… được đề cập ở trên, vú còn bao gồm các hạch bạch huyết. Các hạch này thường nhỏ cỡ hạt đậu và chủ yếu là ở phần trên của nách và đóng vai trò l ọc bạch huyết. Bạch huyết là dịch trong suốt bao bọc các mô, tế bào của cơ thể. Tại vú của phụ nữ, bạch huyết được vận chuyển từ các mô vú tới tuần hoàn hệ thống qua các mạch bạch huyết.

Tùy thuộc vào vị trí của chúng ở vú mà hạch bạch huyết 6 được chia thành nhóm hạch trên đòn và nhóm h ạch nách. Nhóm hạch nách được chia thành 3 mức độ tùy theo vị trí của chúng so với cơ ngực. Mỗi mức độ có một vai trò riêng trong việc di căn của các tế bào ác tính. Mức độ lọc của chúng cho phép xác định giai đoạn bệnh và tỷ lệ sống của bệnh nhân.

Hạch bạch huyết là cơ quan đầu tiên trong cơ thể bị ảnh hưởng do các tế bào ung thư vú ác tính di căn trực tiếp theo các tĩnh m ạch hay các mạch bạch huyết tới hạch bạch huyết. Vú của phụ nữ thường có hệ tĩnh mạch và mạch bạch huyết phong phú nên việc kiểm soát và điều trị u ác tính là khó khăn, phức tạp do nó dễ dàng có thể di căn tới các cơ quan quan trọng khác như tủy, phổi, gan… (a) (b) Hình 1. (a) Ảnh mặt cắt bên của vú. A: ống dẫn sữa, B: thùy, C: tuyến tiết sữa, D: núm vú, E: mô mỡ, F: cơ ngực chính, G: thành ngực, AA: tế b ào biểu mô, BB: màng chính, CC: ống dẫn sữa.

Tất cả các cấu trúc giải phẫu trên của vú phụ nữ cũng như h ệ thống động mạch, tĩnh mạch, thần kinh đều được nâng, đỡ bởi các sợi liên kết được gọi là các dây chằng Cooper. Các dây chằng này xuất phát từ cơ cân ngực, xuyên qua mô vú, phân tách các thùy và kết thúc ngay dưới lớp da vú, lớp hạ bì. Như vậy, về tổng quát vú bao gồm  10 tới 20 thùy tạo sữa  Các ống dẫn sữa tới núm vú.  Núm vú và quầng vú quan sát được ở ngoài vú.

 Mô mỡ đỡ và bảo vệ các cấu trúc khác  Các sợi liên kết đặc biệt và mô liên kiết giữ các phần khác nhau của vú thành một thể thống nhất. Sự phát triển ban đầu của tuyến vú là như nhau ở cả hai giới. Tuyến vú là kết quả của sự phát triển chuyên biệt từ tuyến dưới da rồi tuyến mồ hôi để rồi trở thành tuyến vú với chức phận tiết sữa. Tuyến vú xuất phát từ chỗ dầy lên của thượng bì nguyên thủy ở mặt 7 bụng của bào thai ở tuần thứ sáu và làm thành các đường sữa.

Tháng thứ năm của bào thai trong tử cung, lớp tế bào đáy của nụ nguyên thủy (hoặc mảng Langer) phát triển khoảng 20 dây thượng bì hình trụ. Tháng thứ sáu, các dây thượng bì từ nụ nguyên thủy chạy xuống dưới cho ra các ống dẫn nguyên thủy. Từ tháng thứ sáu đến sau khi sinh, các ống dẫn sữa tương lai trở nên dài ra, nụ của chúng đầy lên và phát triển phân nhánh thành tuyến sữa. Không giống như các cơ quan khác trong cơ thể như phổi, sự phát triển của tuyến vú dừng lại trong khoảng thời gian từ khi sinh đến tuổi dậy thì và trong thời gian mãn kinh.

Bắt đầu vào tuổi dậy thì, tuyến vú của nữ giới bắt đầu phân nhánh và hình thành phần cuối ống tiểu thùy TDLU (Terminal Duct Lobular Unit) là nơi tiết sữa [77] (hình 1. Ở nam giới thì tuyến vú không tiếp tục phát triển. Kết thúc tuổi dậy thì, mô tuyến ở vú nữ giới thường phát triển hoàn toàn, đầy đủ. Các thay đổi khác tiếp tục xảy ra do một số yếu tố khác như chu kỳ kinh, có thai, cho con bú và độ tuổi.

Khoảng 3-5 ngày trước khi hành kinh, vú sẽ cương lên và nhạy cảm hơn. Kèm theo đó là các cảm giác căng cứng, đau bùng. Các triệu chứng này là do sự tăng sản vú làm tăng đường kính và chiều dài của các ống dẫn sữa và sẽ giảm đi khi bắt đầu hành kinh. Trong quá trình mang thai, vú chuẩn bị để sản sinh ra sữa.

Do đó, từ tháng mang thai thứ 2, kích thước của vú, núm vú, quầng vú tăng lên là kết quả của quá trình tăng s ản của tuyến vú và tăng chiều dài của các ống dẫn sữa. Trong 2-3 ngày đầu tiên sau khi sinh, sữa non được sinh ra. Tiếp theo đó là sự sản sinh sữa được điều khiển bởi hóc môn tiết sữa. Sau thời gian sinh sữa, vú trở về kích thước bình thường [65].

Phần cuối ống tiểu thùy TDLU (nguồn [77]). Một yếu tố khác có vai trò quan trọng làm thay đổi mô vú đó là độ tuổi của nữ giới. Khi còn trẻ thì vú gồm chủ yếu là mô tuyến dạng sợi và một phần nhỏ mô mỡ. Theo thời gian, các mô tuyến này bị thay thế dần dần bởi mô mỡ.

Sự thay thế này càng mạnh nhất là sau khi mãn kinh. Mật độ mô vú hay tỷ lệ mô tuyến và mô mỡ là một thông tin đặc biệt 8 hữu ích cho các bác sỹ. Mô vú có thể là mô tuyến, mô tuyến kèm mô mỡ hay mô mỡ. Có thể chia mô vú thành 4 dạng theo chuẩn BI-RADS (hệ thống dữ liệu và báo cáo chụp X- quang vú) [48]: chủ yếu là mô mỡ; mô mỡ cùng ít mô tuyến dạng sợi; mô tuyến hỗn tạp và mô tuyến dày đặc.

Bên cạnh sự phát triển bình thư ờng của vú nữ giới như được trình bày ở trên là một số phát triển không bình thường của vú như tật không núm vú, tật không vú, chứng vú nhỏ hay chứng vú lớn. Những bất thường khác ngoài các bất thường trên có thể dẫn đến các tình trạng bệnh lý và u ác tính. Nguyên nhân cơ bản gây nên các tình trạng bệnh lý và u ác tính này là do sự tồn tại một lượng lớn các tuyến và sự thay đổi hóc môn ở vú. Bệnh lý ung thư vú Trong y tế, ung thư được định nghĩa là một căn bệnh do tình trạng tăng trưởng không kiểm soát nổi của các tế bào bất thường, tạo thành các khối u ác tính trong cơ thể.

Một đặc trưng cơ bản của khối u ác tính là phát triển không ngừng. Nó vẫn tiếp phát triển ngay tại vị trí khối u chính đã bị cắt đi khỏi cơ thể. Đồng thời, khi tế bào ung thư thoát khỏi khối u chính, nó sẽ theo các mạch máu và mạch bạch huyết đi khắp cơ thể và tạo nên các khối u mới tại các cơ quan khác trong cơ thể. Quá trình này được gọi là di căn.

Thuật ngữ ung thư vú là dùng để chỉ sự xuất hiện của các khối u ở 1 hay cả 2 bên vú làm nguy hại đến cuộc sống của con người. Ung thư vú đã đư ợc biết đến từ rất xa xưa. Người Ai Cập cổ đại (3000-1500 trước Công nguyên) đã mô tả về một căn bệnh giống hệt với mô tả bệnh ung thư vú ngày nay. Ngày nay, ung thư vú là loại ung thư thường gặp thứ 2 sau ung thư phổi và là nguyên nhân gây tử vong nhiều thứ 5.

Nếu chỉ tính với nữ giới thì ung thư vú là dạng ung thư hay gặp nhất và là nguyên nhân chính thứ 2 gây tử vong do ung thư ở nữ giới tại nhiều nước trên thế giới trong đó có Việt Nam [1]. Ở Mỹ, theo thống kê năm 2010 [50], có 1529560 trường hợp ung thư mới mắc và 569490 người tử vong do ung thư. Chỉ tính riêng ung thư vú thì có 209060 trường hợp mới mắc và 40230 người tử vong. Ở Việt Nam, tỷ lệ mắc ung thư vú cũng tăng dần theo từng năm.

Đến nay đã có suất độ cao nhất so với các bệnh ung thư khác ở phụ nữ tại miền Bắc và cao hàng thứ hai ở miền Nam [3].