Nghiên Cứu Phân Đoạn Khối U Biểu Mô Tuyến Tụy Bằng Mô Hình Deep Learning

Luận văn tốt nghiệp nghiên cứu tốt nghiệp khoa học máy tính nhận diện khối u bên trong tuyến tụy bằng mô hình deep learning, điều tra thực trạng, phân tích số liệu, đề xuất biện

• Tác giả: Đinh Trọng Luân
• Người hướng dẫn: ThS. Trịnh Huy Hoàng
• Trường học: Trường Đại Học Sư Phạm TPHCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Nghiên Cứu Phân Đoạn Khối U Biểu Mô Tuyến Tụy Bằng Mô Hình Deep Learning
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Mục tiêu của khóa luận
• 1.2. Nội dung thực hiện
• 1.3. Giới hạn của khóa luận
• 1.4. Tóm tắt những đóng góp của khóa luận
• 1.4.1. Đóng góp về mặt khoa học
• 1.4.2. Đóng góp về mặt thực tiễn
• 1.5. Tổ chức khóa luận
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU UNG THƯ BIỂU MÔ TUYẾN TỤY
• 3. CHƯƠNG 3: PHÂN ĐOẠN KHỐI U BIỂU MÔ TUYẾN TỤY DỰA TRÊN PHƯƠNG PHÁP ĐỀ XUẤT

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Phân Đoạn Khối U Biểu Mô Tuyến Tụy

Nghiên cứu phân đoạn khối u biểu mô tuyến tụy là một lĩnh vực quan trọng trong y học hiện đại. Với sự phát triển của công nghệ, đặc biệt là mô hình deep learning, việc phát hiện và phân đoạn khối u trở nên chính xác hơn. Khối u biểu mô tuyến tụy là một trong những loại ung thư nguy hiểm, có tỷ lệ tử vong cao. Việc áp dụng các phương pháp hiện đại giúp cải thiện khả năng chẩn đoán và điều trị cho bệnh nhân.

1.1. Định Nghĩa Và Tầm Quan Trọng Của Phân Đoạn Khối U

Phân đoạn khối u là quá trình xác định và phân tách các vùng khối u trong hình ảnh y tế. Điều này rất quan trọng trong việc chẩn đoán và điều trị ung thư, đặc biệt là ung thư biểu mô tuyến tụy.

1.2. Lịch Sử Phát Triển Công Nghệ Trong Phân Đoạn Khối U

Công nghệ phân đoạn khối u đã trải qua nhiều giai đoạn phát triển. Từ các phương pháp truyền thống đến việc áp dụng học sâu trong y tế, đã có nhiều cải tiến đáng kể trong độ chính xác và tốc độ phân đoạn.

II. Thách Thức Trong Phân Đoạn Khối U Biểu Mô Tuyến Tụy

Mặc dù có nhiều tiến bộ, việc phân đoạn khối u biểu mô tuyến tụy vẫn gặp phải nhiều thách thức. Vị trí của tuyến tụy trong cơ thể và kích thước nhỏ của nó làm cho việc phát hiện khối u trở nên khó khăn. Hơn nữa, các khối u thường không có triệu chứng rõ ràng ở giai đoạn đầu, dẫn đến việc chẩn đoán muộn.

2.1. Vấn Đề Về Độ Chính Xác Trong Chẩn Đoán

Độ chính xác trong việc phân đoạn khối u là một vấn đề lớn. Các mô hình hiện tại vẫn còn gặp khó khăn trong việc phát hiện các khối u nhỏ và phân biệt chúng với các mô xung quanh.

2.2. Thời Gian Chẩn Đoán Dài

Thời gian chẩn đoán kéo dài có thể ảnh hưởng đến sức khỏe của bệnh nhân. Việc rút ngắn thời gian chẩn đoán mà vẫn đảm bảo độ chính xác là một thách thức lớn trong nghiên cứu này.

III. Phương Pháp Nghiên Cứu Phân Đoạn Khối U Bằng Mô Hình Deep Learning

Mô hình deep learning đã được áp dụng rộng rãi trong việc phân đoạn khối u. Các mô hình như U-Net và DLU-Net đã cho thấy hiệu quả cao trong việc phân đoạn hình ảnh y tế. Những mô hình này sử dụng các kỹ thuật học sâu để cải thiện độ chính xác và tốc độ phân đoạn.

3.1. Mô Hình U Net Trong Phân Đoạn Khối U

U-Net là một trong những mô hình phổ biến nhất trong phân đoạn hình ảnh y tế. Với cấu trúc encoder-decoder, U-Net giúp cải thiện khả năng phân đoạn các vùng khối u trong hình ảnh.

3.2. Mô Hình DLU Net Và Những Đặc Điểm Nổi Bật

DLU-Net là một mô hình cải tiến từ U-Net, kết hợp các kỹ thuật học sâu để tối ưu hóa quá trình phân đoạn. Mô hình này đã đạt được kết quả ấn tượng trong việc phân đoạn khối u biểu mô tuyến tụy.

3.3. Phương Pháp Huấn Luyện Mô Hình Hiệu Quả

Việc huấn luyện mô hình deep learning cần một tập dữ liệu lớn và đa dạng. Các phương pháp như tăng cường dữ liệu và điều chỉnh tham số giúp cải thiện hiệu suất của mô hình.

IV. Ứng Dụng Thực Tiễn Của Nghiên Cứu Phân Đoạn Khối U

Nghiên cứu phân đoạn khối u biểu mô tuyến tụy không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn cao. Các mô hình phân đoạn chính xác giúp bác sĩ đưa ra quyết định điều trị kịp thời và hiệu quả hơn cho bệnh nhân.

4.1. Cải Thiện Quy Trình Chẩn Đoán

Việc áp dụng các mô hình deep learning trong phân đoạn khối u giúp cải thiện quy trình chẩn đoán, từ đó nâng cao khả năng phát hiện sớm ung thư.

4.2. Tăng Tỷ Lệ Sống Cho Bệnh Nhân

Nghiên cứu cho thấy rằng việc phát hiện sớm và chính xác khối u có thể tăng tỷ lệ sống cho bệnh nhân ung thư biểu mô tuyến tụy, từ đó cải thiện chất lượng cuộc sống.

V. Kết Luận Và Tương Lai Của Nghiên Cứu Phân Đoạn Khối U

Nghiên cứu phân đoạn khối u biểu mô tuyến tụy bằng mô hình deep learning đã đạt được nhiều thành tựu đáng kể. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều cải tiến hơn nữa trong việc chẩn đoán và điều trị ung thư.

5.1. Hướng Nghiên Cứu Tương Lai

Các nghiên cứu trong tương lai có thể tập trung vào việc cải thiện độ chính xác của mô hình và giảm thiểu thời gian chẩn đoán. Việc kết hợp nhiều phương pháp khác nhau có thể mang lại kết quả tốt hơn.

5.2. Tích Hợp Công Nghệ Mới

Việc tích hợp các công nghệ mới như AI và machine learning vào quy trình chẩn đoán sẽ mở ra nhiều cơ hội mới trong việc phát hiện và điều trị ung thư.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Ung thư tuyến tụy là bệnh lý ác tính khởi phát từ các mô của tuyến tụy — cơ quan nội tiết và ngoại tiết nằm sâu trong ổ bụng, phía sau dạ dày và gần túi mật, có khối lượng trung bình chỉ khoảng 80 gram. Tuyến tụy đảm nhiệm chức năng tiết enzyme tiêu hóa và các hormone điều hòa đường huyết. Theo số liệu thống kê của Tổ chức Y tế Thế giới (WHO) được trích dẫn trong công trình, ung thư tuyến tụy đứng thứ 14 về tỷ lệ mắc mới nhưng đứng hàng thứ 7 về tỷ lệ tử vong do ung thư. Tiên lượng của bệnh rất xấu với tỷ lệ sống sót sau 5 năm chỉ đạt khoảng 9,3%. Bệnh nhân sau phẫu thuật thường chỉ có thời gian sống trung bình từ 2 đến 3 năm do tỷ lệ tái phát cao, trong khi bệnh nhân phát hiện ở giai đoạn cuối thường không qua khỏi sau 1 năm.

Về mặt giải phẫu bệnh, tổn thương ác tính ở tuyến tụy thường xuất phát từ mô ngoại tuyến với ba dạng chính:

• Ung thư biểu mô tuyến (Adenocarcinoma): Dạng phổ biến nhất, hình thành khi các tế bào biểu mô tuyến tụy phân chia mất kiểm soát. Bệnh tiến triển âm thầm, triệu chứng lâm sàng ở giai đoạn sớm nghèo nàn và thường chỉ được phát hiện khi đã ở giai đoạn muộn.
• Ung thư dạng nang: Khởi phát từ tế bào nang túi, hiếm gặp nhưng có mức độ nguy hiểm cao khi các nang chứa dịch chuyển thành ác tính.
• Ung thư tế bào Acinar: Xuất phát từ các tế bào acinar nằm ở đầu ống dẫn enzyme tiêu hóa, có triệu chứng dễ nhầm lẫn với các bệnh lý tiêu hóa khác.

Khó khăn lớn nhất trong chẩn đoán hình ảnh ung thư biểu mô tuyến tụy bắt nguồn từ vị trí giải phẫu nằm sâu trong khoang bụng, kích thước tuyến tụy nhỏ và ranh giới mô u thường xâm lấn, chồng chéo lên nhu mô lành tính. Việc chẩn đoán qua ảnh chụp cắt lớp vi tính (CT) hoặc cộng hưởng từ (MRI) đòi hỏi bác sĩ chuyên khoa mất nhiều thời gian phân tích thủ công. Trong bối cảnh đó, ứng dụng học sâu (Deep Learning) và thị giác máy tính nhằm tự động hóa quá trình phân đoạn khối u là hướng nghiên cứu cấp thiết để hỗ trợ giảm tải cho bác sĩ và rút ngắn thời gian chẩn đoán.

Mục tiêu và nhiệm vụ nghiên cứu của khóa luận được xác định cụ thể:

1. Nghiên cứu các phương pháp tiếp cận về trích xuất vùng tuyến tụy chứa khối u; đề xuất giải pháp mới dựa trên nhãn cấu trúc nhằm loại bỏ thông tin nhiễu từ các cơ quan lân cận trong quá trình huấn luyện mạng nơ-ron tích chập (CNN).
2. Nghiên cứu và cải tiến kiến trúc mạng U-Net trong phân đoạn ảnh y tế để phân đoạn tự động khối u biểu mô tuyến tụy, nâng cao độ chính xác đo bằng hệ số tương đồng Dice (Dice Similarity Coefficient - DSC) so với các nghiên cứu công bố trước đó.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Khối u biểu mô tuyến tụy và cấu trúc giải phẫu tuyến tụy trên ảnh chụp cắt lớp vi tính ổ bụng.
• Phạm vi dữ liệu: Sử dụng tập dữ liệu công khai từ cuộc thi quốc tế Medical Segmentation Decathlon (MSD). Khóa luận giới hạn phạm vi ở bài toán phân đoạn 2D dựa trên các lát cắt (slices) chứa khối u và đánh giá hiệu năng mô hình thông qua hệ số DSC và Mean IoU.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên các nền tảng lý thuyết xử lý ảnh y tế và các kiến trúc mạng nơ-ron học sâu chuyên dụng:

• Cơ sở ảnh chụp cắt lớp vi tính (CT) và đơn vị Hounsfield (HU): Ảnh CT ổ bụng là dữ liệu thể tích 3D được tái tạo từ nhiều lát cắt tia X. Mật độ của các cấu trúc giải phẫu được biểu diễn theo thang đo Hounsfield, trong đó nước quy ước là 0 HU, không khí là -1000 HU và xương là 3000 HU. Tuyến tụy và khối u có kích thước nhỏ, nằm xen lẫn các tạng như gan, thận, dạ dày nên việc phân tách trên ảnh CT thô gặp nhiều nhiễu.
• Mạng tích chập toàn phần (FCN) và mạng U-Net: FCN thay thế các lớp kết nối đầy đủ bằng các lớp tích chập và chuyển vị tích chập (transposed convolution), nhưng hạn chế trong việc bảo toàn chi tiết không gian nhỏ. Mạng U-Net khắc phục nhược điểm này nhờ cấu trúc đối xứng hình chữ U gồm nhánh mã hóa (Encoder) trích xuất đặc trưng đa mức độ, nhánh giải mã (Decoder) khôi phục độ phân giải không gian và các đường nối tắt (Skip Connections) giúp chuyển giao trực tiếp bản đồ đặc trưng từ Encoder sang Decoder để hạn chế mất mát thông tin.
• Các mô hình phân đoạn tuyến tụy liên quan: Mô hình Hyper-Pairing Network (HPN) sử dụng tích chập 3D; mô hình DLU-Net kết hợp tích chập biến dạng (Deformable Convolution) với khối Bidirectional Convolutional Long Short-Term Memory (BConvLSTM); mô hình PGD-UNet tích hợp CoordConv, CoordPool, tích chập biến dạng và khối Atrous Spatial Pyramid Pooling (ASPP); phương pháp phân đoạn hai giai đoạn Coarse-to-Fine.

Phương pháp nghiên cứu và quy trình kỹ thuật đề xuất:

• Trích xuất vùng quan tâm (Region of Interest - ROI): Thay vì sử dụng các lớp tích chập biến dạng phức tạp làm tăng tham số tính toán như DLU-Net và PGD-UNet, tác giả áp dụng phương pháp trích xuất ROI dựa trên nhãn cấu trúc (structured labeling). Tọa độ cực trị của tuyến tụy trên mặt nạ nhãn được xác định theo công thức: $$\text{left_node} = (l_i, l_j) = (\min(i), \min(j))$$ $$\text{right_node} = (r_i, r_j) = (\max(i), \max(j))$$ với $(i, j)$ là tọa độ các điểm ảnh thuộc tuyến tụy. Sau đó, cửa sổ bao quanh được mở rộng đều ra bốn phía nhằm bao trọn toàn bộ vùng khối u xâm lấn xung quanh.
• Tiền xử lý và tăng cường dữ liệu (Data Augmentation): Chuyển đổi dữ liệu 3D NIfTI sang các lát cắt 2D, chọn lọc các lát cắt chứa đồng thời tuyến tụy và khối u, lưu trữ dưới định dạng mảng đa chiều .npy. Áp dụng kỹ thuật lật ảnh theo chiều ngang và chiều dọc để tăng tính đa dạng cho tập dữ liệu, ngăn ngừa hiện tượng quá khớp (overfitting).
• Tùy biến kiến trúc mạng U-Net: Thiết kế lại mạng U-Net với kích thước đầu vào $(128, 128, 1)$, đầu ra $(128, 128, 3)$ tương ứng với 3 lớp (nền, tuyến tụy, khối u). Tích hợp thêm lớp Chuẩn hóa theo lô (Batch Normalization - BN) sau mỗi lớp tích chập $3\times3$ và kích hoạt ReLU để ổn định phân phối dữ liệu đầu vào giữa các tầng, tăng tốc độ hội tụ.
• Nguồn dữ liệu: Bộ dữ liệu chuẩn Medical Segmentation Decathlon (MSD) gồm ảnh CT ổ bụng của 420 bệnh nhân ung thư biểu mô tuyến tụy có tiêm chất cản quang, lưu trữ dưới định dạng NIfTI (.nii/.nii.gz).

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương mở đầu trình bày tổng quan về bệnh học ung thư tuyến tụy, phân tích tỷ lệ mắc và tử vong theo thống kê của WHO, giải thích nguyên nhân dẫn đến tiên lượng xấu của căn bệnh do các hạn chế trong chẩn đoán sớm. Tác giả nêu rõ mục tiêu nghiên cứu, phạm vi và giới hạn của đề tài, đồng thời tóm lược các đóng góp về mặt khoa học (phương pháp trích xuất ROI mở rộng cửa sổ, tối ưu hóa U-Net với Batch Normalization) và đóng góp về mặt thực tiễn (đạt độ chính xác DSC cao trên tập dữ liệu chuẩn MSD). Cấu trúc của khóa luận được phân chia thành 5 chương rõ ràng.

Chương 2: Các nghiên cứu ung thư biểu mô tuyến tụy

Chương 2 tổng hợp cơ sở lý thuyết về phân đoạn ảnh y tế và lược khảo các công trình tiêu biểu:

• Phân tích nguyên lý hoạt động, ưu điểm và nhược điểm của mạng FCN và kiến trúc U-Net kinh điển.
• Trình bày kiến trúc DLU-Net: Sử dụng tích chập biến dạng kết hợp BN, ReLU, mạng tích chập kết nối dày đặc ở tầng cuối encoder và khối BConvLSTM ở decoder để xử lý biến dạng không gian, đạt DSC trung bình 91,12%.
• Trình bày kiến trúc PGD-UNet: Kết hợp U-Net với các lớp CoordConv, CoordPool, Deformable Convolution và khối ASPP để khai thác thông tin hình học, đạt DSC trung bình 77%.
• Trình bày phương pháp Coarse-to-Fine của Wang Zhisheng (DSC đạt 63%) và mạng HPN 3D. Qua đó, chương 2 chỉ ra khoảng trống nghiên cứu về chi phí tính toán và nhu cầu cải thiện độ chính xác phân đoạn khối u.

Chương 3: Phân đoạn khối u biểu mô tuyến tụy dựa trên phương pháp đề xuất

Chương 3 trình bày chi tiết giải pháp kỹ thuật đề xuất của khóa luận:

• Cơ sở tạo ảnh CT ổ bụng, cấu trúc không gian ba chiều $(x, y, z)$ và ý nghĩa vật lý của đơn vị Hounsfield.
• Thuật toán trích xuất ROI: Quy trình tính toán tọa độ điểm biên $(\min, \max)$ trên mặt nạ nhãn thực và kỹ thuật mở rộng cửa sổ về bốn phía để khắc phục hiện tượng mất mát thông tin mô u ngoài biên tuyến tụy.
• Chiến lược tăng cường dữ liệu bằng phép lật ngang và lật dọc trên tập huấn luyện.
• Thiết kế mạng U-Net cải tiến: Nhánh Encoder gồm 4 tầng tích chập $3\times3$ (số kênh lọc khởi tạo từ 32, tăng gấp đôi qua mỗi tầng: 64, 128, 256, 512), tích hợp BN và ReLU, kết hợp Max Pooling $2\times2$. Nhánh Decoder gồm 4 tầng giải mã sử dụng Up-convolution $2\times2$, nối ghép skip connection và lớp Softmax cuối cùng phân loại 3 kênh RGB (nền = 0, tuyến tụy = 1, khối u = 2).
• Thiết lập hàm mất mát Dice Loss dựa trên hệ số tương đồng Dice: $$\text{Dice Loss} = 1 - \frac{2|A \cap B|}{|A| + |B|}$$

Chương 4: Kết quả thực nghiệm

Chương 4 mô tả toàn bộ quy trình thực nghiệm và đánh giá định lượng:

• Tập dữ liệu MSD gồm 420 ca bệnh ban đầu ở độ phân giải $512 \times 512$; qua tiền xử lý và trích xuất ROI, khóa luận thu được 2.529 lát cắt 2D chứa đầy đủ thông tin khối u.
• Dữ liệu được phân chia theo tỷ lệ: 20% cho tập kiểm tra độc lập (test set) và 80% cho tập huấn luyện/xác thực (trong đó 80% dùng để huấn luyện, 20% dùng để xác thực).
• Thiết lập huấn luyện: Kích thước lô (batch size) = 32, áp dụng hàm xáo trộn (shuffle), số chu kỳ huấn luyện tối ưu là 50 epochs (sau 50 epochs hàm mất mát không giảm thêm đáng kể). Mất mát trên tập xác thực đạt mức 0,0944.
• Phương pháp đánh giá: Sử dụng ma trận nhầm lẫn (TP, TN, FP, FN), chỉ số Mean IoU và hệ số DSC.
• Kết quả kiểm thử: Trình bày chi tiết bảng số liệu Mean IoU và DSC trên các lát cắt liên tiếp và toàn bộ tập kiểm tra, sau đó đối sánh trực tiếp với các mô hình DLU-Net và PGD-UNet.

Chương 5: Tổng kết

Chương cuối cùng tổng hợp các kết quả đã đạt được của khóa luận, khẳng định tính đúng đắn của phương pháp đề xuất khi đạt DSC 95,3% trong nhận diện khối u. Tác giả nêu rõ các hạn chế còn tồn đọng trong quy trình (vẫn cần mặt nạ nhãn để trích xuất ROI ban đầu) và đề xuất các định hướng nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Khóa luận đã công bố các kết quả thực nghiệm định lượng rõ ràng trên tập dữ liệu kiểm thử chuẩn MSD:

• Dữ liệu tiền xử lý: Thu nhận 2.529 lát cắt 2D chuẩn hóa kích thước $128 \times 128$ từ 420 bệnh nhân.
• Quá trình huấn luyện: Mô hình hội tụ tốt sau 50 epochs với hàm mất mát Dice Loss trên tập xác thực đạt mức thấp 0,0944.
• Hiệu năng nhận diện khối u: Mô hình đạt hệ số tương đồng DSC trung bình đối với khối u biểu mô tuyến tụy là 95,3% (0,953).

Bảng tổng hợp so sánh hiệu năng DSC của phương pháp đề xuất với các công trình nghiên cứu trước trên cùng tập dữ liệu MSD:

Phương pháp nghiên cứu	Cơ chế xử lý chính	Giá trị DSC trung bình của khối u (%)
Coarse to Fine (Wang Zhisheng et al.)	Phân đoạn hai giai đoạn toàn cục - chi tiết	63,00%
PGD-UNet (Ziqiang Li et al.)	Deformable Conv + CoordConv + CoordPool + ASPP	77,00%
DLU-Net (Feng Jiang et al.)	Deformable Conv + BConvLSTM	91,12%
Phương pháp đề xuất (Khóa luận)	Trích xuất ROI mở rộng cửa sổ + U-Net tích hợp BN	95,30%

Các đóng góp chính của khóa luận:

• Đóng góp khoa học: Đề xuất phương pháp tiền xử lý trích xuất vùng quan tâm dựa trên tọa độ cực trị của mặt nạ nhãn và mở rộng cửa sổ không gian 4 phía. Giải pháp này thay thế hiệu quả các khối tích chập biến dạng phức tạp, giúp triệt tiêu nhiễu thông tin từ các cơ quan xung quanh trong ổ bụng, giảm số lượng tham số và khối lượng tính toán mà vẫn đảm bảo giữ trọn vẹn đặc trưng khối u.
• Cải tiến kiến trúc mạng: Tinh chỉnh mạng U-Net phù hợp với ảnh đầu vào $128 \times 128$, bổ sung các lớp Batch Normalization sau mỗi tầng tích chập giúp ổn định phân phối gradient, tăng tốc độ hội tụ và ngăn ngừa hiện tượng quá khớp.
• Đóng góp thực tiễn: Cung cấp một mô hình tự động phân đoạn khối u biểu mô tuyến tụy có độ chính xác cao trên tập dữ liệu chuẩn MSD, chứng minh tính khả thi của việc ứng dụng học sâu hỗ trợ chẩn đoán hình ảnh y tế.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của khóa luận:

• Quy trình trích xuất vùng quan tâm ROI phụ thuộc vào mặt nạ nhãn thực (ground truth mask) có sẵn do chuyên gia y tế gán nhãn, chưa thể tự động định vị tuyến tụy từ ảnh CT thô ban đầu nếu không có nhãn hỗ trợ.
• Trong quá trình cắt trích xuất vùng quan tâm hẹp để tối ưu hóa việc phân đoạn khối u, một số điểm ảnh thuộc nhu mô tuyến tụy lành tính xung quanh bị lược bỏ, khiến mô hình chỉ tập trung cao cho khối u mà giảm độ ưu tiên cho phân đoạn toàn bộ thể tích tuyến tụy.
• Dữ liệu thực nghiệm mới chỉ thực hiện trên ảnh CT 2D của tập dữ liệu MSD, chưa kiểm thử trên dữ liệu lâm sàng đa trung tâm hoặc các dạng hình ảnh y tế khác như MRI.

Hướng phát triển trong tương lai:

• Xây dựng mô hình hai giai đoạn hoàn chỉnh: Giai đoạn 1 tự động phát hiện và định vị tuyến tụy từ ảnh CT toàn thể tích; Giai đoạn 2 áp dụng mô hình đề xuất để phân đoạn khối u bên trong vùng tuyến tụy đã trích xuất.
• Mở rộng phạm vi nghiên cứu sang các phương thức tạo ảnh y tế khác như ảnh cộng hưởng từ (MRI) hoặc ảnh chụp cắt lớp phát xạ positron (PET).
• Tích hợp các kỹ thuật trí tuệ nhân tạo có thể giải thích (Explainable AI - XAI) nhằm cung cấp cơ sở trực quan giúp bác sĩ hiểu rõ nguyên nhân mô hình đưa ra dự đoán phân đoạn.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên môn hữu ích cho:

• Sinh viên, học viên cao học và nghiên cứu sinh ngành Khoa học máy tính, Công nghệ thông tin, Trí tuệ nhân tạo và Kỹ thuật y sinh đang nghiên cứu bài toán xử lý và phân đoạn ảnh y tế (Medical Image Segmentation).
• Các nhà phát triển hệ thống thị giác máy tính cần tham khảo quy trình tiền xử lý dữ liệu ảnh y khoa chuẩn NIfTI (.nii), kỹ thuật tối ưu hóa mảng dữ liệu đa chiều với NumPy (.npy) và chiến lược tăng cường dữ liệu ảnh y tế.
• Phần đáng tham khảo nhất là Chương 3 và Chương 4: Cung cấp chi tiết thuật toán xác định tọa độ ROI mở rộng cửa sổ, cấu hình chi tiết các tầng mạng U-Net tích hợp Batch Normalization và phương pháp thực nghiệm, đánh giá mô hình bằng hệ số Dice và Mean IoU.

Câu hỏi thường gặp

1. Tại sao khóa luận lựa chọn phương pháp trích xuất vùng quan tâm (ROI) thay vì sử dụng các lớp tích chập biến dạng như DLU-Net hay PGD-UNet?
Các lớp tích chập biến dạng (Deformable Convolution) đòi hỏi tính toán các giá trị offset phức tạp và làm tăng đáng kể khối lượng tính toán cũng như số lượng tham số của mô hình. Khóa luận chọn cách xác định tọa độ biên của tuyến tụy trên nhãn và mở rộng cửa sổ ra 4 phía trong bước tiền xử lý. Cách tiếp cận này loại bỏ triệt để các vùng ảnh nhiễu không liên quan trong ổ bụng, giảm tải gánh nặng tính toán cho mạng nơ-ron mà vẫn đảm bảo bao trọn cấu trúc khối u.

2. Tập dữ liệu MSD được tiền xử lý và phân chia như thế nào trong khóa luận?
Từ dữ liệu 3D NIfTI ban đầu của 420 bệnh nhân (kích thước $512 \times 512$), khóa luận lọc ra 2.529 lát cắt 2D chứa đầy đủ thông tin khối u và tuyến tụy rồi lưu dưới dạng file .npy. Dữ liệu được chia thành 20% cho tập kiểm thử độc lập (test set) và 80% cho tập huấn luyện/xác thực. Trong 80% này, tác giả tiếp tục chia 80% cho tập huấn luyện (training set) và 20% cho tập xác thực (validation set).

3. Mạng U-Net trong khóa luận được tinh chỉnh những thành phần cụ thể nào?
Mạng U-Net được thiết lập kích thước ảnh đầu vào là $(128, 128, 1)$ và đầu ra là $(128, 128, 3)$ với hàm kích hoạt Softmax để phân loại 3 lớp: nền, tuyến tụy và khối u. Tác giả tích hợp thêm lớp Chuẩn hóa theo lô (Batch Normalization) sau mỗi lớp tích chập $3\times3$ và kích hoạt ReLU ở cả nhánh Encoder và Decoder, khởi tạo số bộ lọc từ 32 và tăng dần lên 512 ở tầng sâu nhất.

4. Kết quả nhận diện khối u của mô hình đạt được là bao nhiêu và so với các mô hình trước ra sao?
Mô hình đề xuất đạt hệ số tương đồng Dice (DSC) trung bình là 95,3% (0,953) trên tập kiểm thử đối với khối u biểu mô tuyến tụy. Kết quả này vượt trội hơn các mô hình tham chiếu công bố trước đó trên cùng tập dữ liệu MSD như Coarse to Fine (63%), PGD-UNet (77%) và DLU-Net (91,12%).

5. Điểm hạn chế kỹ thuật lớn nhất mà tác giả tự thừa nhận trong khóa luận là gì?
Hạn chế lớn nhất là bước trích xuất vùng quan tâm ROI vẫn phải dựa vào mặt nạ nhãn thực (ground truth mask) để tính tọa độ biên. Mô hình chưa thể tự động phát hiện vị trí tuyến tụy từ ảnh CT thô ban đầu nếu không có dữ liệu nhãn hỗ trợ.

Kết luận

Khóa luận tốt nghiệp của tác giả Đinh Trọng Luân đã giải quyết bài toán phân đoạn khối u biểu mô tuyến tụy trên ảnh CT ổ bụng thông qua giải pháp kết hợp trích xuất vùng quan tâm mở rộng cửa sổ và kiến trúc U-Net tích hợp Batch Normalization. Mô hình đạt hệ số tương đồng Dice 95,3% trên tập kiểm thử của bộ dữ liệu chuẩn quốc tế Medical Segmentation Decathlon, vượt qua các mô hình tham chiếu tiền nhiệm như DLU-Net và PGD-UNet. Công trình cung cấp quy trình thực nghiệm rõ ràng, có giá trị học thuật và thực tiễn đối với lĩnh vực xử lý ảnh y tế ứng dụng học sâu, đồng thời định hình rõ các nhiệm vụ cần phát triển tiếp theo về bài toán phát hiện tuyến tụy tự động hoàn toàn.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu Trong chương nay, nghiên cứu trình bày về đề tài nghiên cứu của khóa luận như mục tiêu, nội dung thực hiện, các đóng góp về mặt khoa học và thực tiễn. ° Chương 2: Các nghiên cứu ung thư biéu mô tuyến tụy 14 Trong chương này, khóa luận trình bày vẻ các nghiên cứu liên quan đến van dé nhận điện khối u biểu mô tuyến tụy một cách tự động, những phương pháp tiếp cận dé trích xuất tuyến tụy cho mô hình đảo tạo và giá trị DSC trong việc đánh giá mô hình của quá trình đào tạo. Các nghiên cứu liên quan bao gồm các mô hình như: DLU — Net và PGD — UNet. © Chương 3: Phân đoạn khối u biểu mô tuyến tụy dựa trên phương pháp dé xuất Trong chương này, khóa luận trình bày về cơ sở lý thuyết và phương pháp đẻ xuất được xây dựng dựa trên nghiên cứu của tác giả Quannan Li và cộng sự của ông.

Trinh bày về mô hình U - Net được cải tiền dé đảo tạo dữ liệu và giá trị DSC đề đánh giá mô hình trong quá trình đào tạo. »« Chương 4: Kết quả thực nghiệm Trong chương này, khóa luận trình bày các bước tiền hành cũng như thực nghiệm trên bộ dữ liệu MSD. Sau đó đưa ra đánh giá và so sánh với các nghiên cứu khác dé làm rõ kết quả của phương pháp dé xuất, © Chương 5: Tổng kết Trong chương này khóa luận trình bày phân kết luận và nêu hướng phát triên trong tương lai. Các nghiên cứu ung thư biểu mô tuyến tụy 2.

Tông quan các mô hình phân đoạn ảnh Trong những năm gần đây, các thuật toán phân đoạn hình ảnh y tế dựa trên Deep Learning liên tục phát triên. Cụ thé là Fully Convolutionnal neural network [7] (FCN) là một trong những mạng than kinh đầu tiên được dé xuất đẻ phân đoạn hình ảnh. FCN có khả năng xử lý ảnh đầu vào có kích thước khác nhau mà không cần phải thực hiện các bước xử lý trước như phân đoạn ảnh thành các phần nhỏ hơn. Mô hình FCN thay vì sử dụng các lớp fully connected như trong các mạng nơ — ron truyền thông thì nó chi sử dụng các lớp convolutional và transposed convolutional đẻ trích xuất đặc trưng và tạo kích thước đầu ra cho ảnh.

Điều này giúp ECN giữ được thông tin không gian của hình ảnh trong quá trình xử lý và cho phép đầu ra có kích thước tùy ý. Lớp Transposed convolutional _~ ⁄ Anh phan x đoạn Các lớp tích chập Hình 2.1- Mô hình mạng Fully convolutional neural network [7] Mô hình FCN bao gồm các lớp tích chập và transposed convolutional, trong lớp tích chập chứa hàm kích hoạt được gọi là activation. Các lớp tích chap được sử dụng để trích xuất các đặc trưng của ánh đầu vào sau đó qua hàm activation dé kích hoạt các giá trị trong ma trận đầu ra, transposed convolutional là lớp có chức năng phục hoi kích thước của ảnh dau ra. Điều nay làm cho mô hình FCN có cau trúc dang encoder - decoder, các lớp tích chập đại diện cho phan encoder, lớp transposed convolutional đại điện cho phan decoder.

M6 hình FCN được ứng dụng phô biến trong các bài toán phân đoạn ảnh đơn giản. nơi 16 mô hình được huắn luyện đề phân đoạn từng pixel trong ảnh đầu vào thuộc về lớp nào. Với FCN, việc phan đoạn ảnh trở nên hiệu quả va đơn giản hon vi nó có khả năng xử lý các ảnh đầu vào có kích thước khác nhau và cho ra kết quả với kích thước tương ứng. Mặc dù mô hình FCN có nhiều ưu điểm nhưng nó cũng ton tại một số nhược điểm như: e© Ton tài nguyên tính toán và thời gian: FCN có nhiều lớp convolutional và transposed convolutional điều này dẫn đến tốn tài nguyên và mat thời gian tinh toán của hệ thông.

Đề giảm thiểu van dé này. các kiến trúc mạng khác như U — Net, SegNet và Mask R —CNN đã được phát triển để sử dung tài nguyên tính toán hiệu quả hơn. ©_ Không giữ được thông tin vẻ cau trúc không gian: FCN chỉ xử lý ảnh theo cách giống như chúng là một tập hợp các pixel độc lập. Đôi với những hình ánh phức tap, đặc biệt là ảnh y khoa có cấu trúc không gian thì mô hình không thé phan biệt được, nó không có thông tin về cầu trúc không gian của ảnh như là việc xác định mỗi quan hệ giữa các pixel và vị trí của chúng trên ảnh.

Dé khắc phục van dé này, các kiến trúc mạng sau đó đã tích hợp thêm các mô — đun biến đôi không gian dé lưu giữ các vị trí trong không gian ảnh, từ đó cải thiện khả năng phân đoạn, giúp bài toán phân đoạn trở nên chính xác hơn. Với vấn dé tốn tài nguyên tính toán và thời gian của mô hình FCN, các nhà nghiên cứu Ronneberger, Olaf, Philipp Fischer và Thomas Brox tiếp tục cải thiện mạng nơ — ron FCN và đề xuất mang nơ —ron U — Net. Đây là mô hình mạng học sâu được sứ dụng phô biến trong các bài toán xử lý ảnh y khoa, đặc biệt là trong việc phân đoạn ảnh y tế. Mô hình được đặt tên theo hình dạng của nó vì có cấu trúc giống như chữ U với hai phần chính là encoder va decoder.

Phan encoder có có chức nang trích xuất các đặc trưng của hình ảnh, cau tao của phan này bao gồm 4 tầng học sâu, mỗi tầng được cấu tạo từ hai lớp tích chập và theo sau là một lớp pooling. Các lớp tích chập có chức năng làm nôi bật và trích 17 xuất các đặc trưng của hình ảnh. lớp pooling có chức năng trích xuất các đặc trưng nồi bật nhất trong hình ảnh đó. Phần decoder được sử đụng đẻ khôi phục lại ảnh gốc từ các đặc trưng đã được trích xuất, phần này có cấu tạo gồm 4 tầng.

mỗi tầng gồm một lớp up — convolutional (transposed convolutional) và theo sau đó là hai lớp tích chập. Lớp transposed convolutional được sử dụng đề tăng kích thước của các đặc trưng ở phần encoder trước đó lên gấp đôi, sau đó hai lớp tích chập sẽ trích xuất các đặc trưng mới này dé mô hình học được dit liệu mới từ các đặc trưng nôi bật nhất của hình ảnh. Cầu trúc đầy đủ của mô hình U — Net được thé hiện ở hình sau: Anh sau khi „# phân đoạn. 8 " ¬ = copy and crop i-i-l —.

Benen # max pool 2x2 5 “đệ tox + : 4 up-conv 2x2 be ne a = conv 1x1 Hinh 2.2- M6 hinh U — Net [3] Ở hình 2.2 ta thay mô hình U — Net còn sử dung kỹ thuật skip connection (được thé hiện với mũi tên màu xám — copy and crop) dé kết nối các tầng tích chập của phan encoder và decoder. Kỹ thuật này giúp mô hình sử dụng các đặc trưng của phan encoder bỏ sung vào các đặc trưng của lớp transposed convolutional, sau đó các tích chập của phan decoder sẽ học được các thông tin chính xác hơn, tránh việc bị mat mat thông tin qua nhiều sau mỗi tầng học sâu. Việc sử dụng kỹ thuật skip connection kết hợp với lớp transposed convolutional giúp cho mô hình phân đoạn chính xác hơn, đặc biệt là trong phần đoạn ảnh y 18 tế. Mô hình U - Net đã giải quyết về van dé tài nguyên tính toán và thời gian của mô hình FCN, chính kỹ thuật skip connection giữa các lớp trong quá trình encoder và decoder giúp cho thông tin về đặc trưng được giữ nguyên.

làm độ phân giải hình ảnh ở mồ hình U — Net cao hơn so với FCN. Từ đó mô hình có thé phân đoạn chính xác các đôi tượng nhỏ và phức tạp như là ảnh y khoa, đồng thời giảm khối lượng tính toán và thời gian đẻ xử lý các đối tượng ảnh. Các mô hình CNN phân đoạn ảnh y khoa được dé xuất sau này về cơ bản đều dựa trên kiến trúc mạng U — Net va độ chính xác phân đoạn của chúng cũng được cải thiện trong từng bài toán cụ thể. Mặc đù mô hình U — Net làm rất tốt trong việc phân đoạn hình ảnh y khoa nhưng với những đổi tượng có nhiêu hình dạng, kích thước nhỏ trong ánh y khoa cũng là một van đề lớn ảnh hướng đến việc phân đoạn các đối tượng.

Đặc biệt là tuyên tụy và khôi u biểu mô tuyén là các đối tượng có đa dạng kích thước và vị trí trong ảnh y khoa, khiến cho việc phân đoạn trở nên khó khan, không đảm bảo tính chính xác. Zhou Yuyin và đồng nghiệp của ông ấy đã dé xuất mạng nơ — ron Hyper — Pairing Network (HPN) (8]. mang này sử dụng các tầng tích chập 3D dé tích hợp thông tin đa giai đoạn và tôi ưu hóa độ chính xác của mang trong việc phan đoạn khối tuyến tụy trên các ảnh có cau trúc 3D. Tuy nhiên mô hình này không thé trích xuất chính xác các đặc trưng biên dạng khi phân đoạn các tôn thương ung thư tuyến tụy với những thay đôi lớn vẻ hình dạng.

Điều này liên quan đến cấu trúc không gian giữa các pixel, từ đây việc xác định mỗi liên hệ giữa các pixel và vị trí của chúng trên ảnh đôi với các cơ quan có cau trúc phức tap trong cơ thẻ là điều rất quan trọng trong quá trình phân đoạn hình ảnh. Trong lĩnh vực phân đoạn ánh y khoa đặc biệt là phân đoạn ung thư biểu mô tuyến tụy, có những kiến trúc mạng được dé xuất như mô hình DLU - Net, PGD - Unet hay phương pháp Coarse to Fine, Các mô hình vả phương pháp này khắc phục được vẫn đề về những thay đôi lớn của hình dạng các đối tượng trong quá trình phân đoạn. chúng xác định được cầu trúc và mối liên hệ giữa các pixel, từ đó làm cho quá trình phân đoạn chính xác và hiệu quả hơn. Ngoài những mô hình DLU — Net, PGD — UNet và phương pháp Coarse to Fine còn có nhiều 19 nghiên cứu khác dang tiếp tục được thực hiện đê tìm ra những kiến trúc mạng mới và cải thiện kết qua phân đoạn trong lĩnh vực anh y khoa.

Nhưng các mô hình và phương pháp này vẫn nôi bật hơn cả trong giai đoạn hiện tại về vẫn đề phân đoạn ung thư tuyến tụy, ta cùng tìm hiểu về các mô hình và phương pháp phân đoạn này ở bên dưới. Các mô hình phân đoạn ung thư biểu mô tuyến tụy 2. Mô hình DLU - Net trong phân đoạn khối u biểu mô tuyến tụy. Xuất phát từ van dé của tuyến tụy — đó là kích thước tương đôi nhỏ và đa dạng.