Giới thiệu dự án

Ung thư da đang trở thành một trong những thách thức y tế toàn cầu nghiêm trọng nhất trong thế kỷ 21. Theo thống kê từ Tổ chức Y tế Thế giới (WHO) và Hiệp hội Ung thư Hoa Kỳ (American Cancer Society), năm 2024 ước tính có hơn 100.640 ca mắc mới khối u hắc tố ác tính (Melanoma) tại Mỹ với trên 8.290 ca tử vong. Đáng chú ý, tỷ lệ sống sót sau 5 năm của bệnh nhân ung thư hắc tố đạt trên 99% nếu được phát hiện ở giai đoạn khu trú, nhưng giảm nghiêm trọng xuống còn 71% khi tế bào ung thư xâm lấn hạch bạch huyết và chỉ còn 32% khi đã di căn xa. Tại Việt Nam, theo dữ liệu từ GLOBOCAN và các nghiên cứu lâm sàng da liễu, tỷ lệ mắc ung thư da dao động trong khoảng 2,9 – 4,5/100.000 dân, với hơn 90% tổn thương tập trung ở vùng đầu, mặt và cổ do tiếp xúc bức xạ cực tím (UV).

Vấn đề cốt lõi trong thực hành lâm sàng hiện nay là việc chẩn đoán thủ công qua mắt thường hoặc kính soi da truyền thống phụ thuộc hoàn toàn vào kinh nghiệm chủ quan của bác sĩ, dễ dẫn đến hiện tượng dương tính giả hoặc âm tính giả. Trong khi đó, kỹ thuật sinh thiết xâm lấn (Punch/Core Biopsy) gây đau đớn, để lại sẹo, tốn kém chi phí và mất nhiều ngày chờ kết quả giải phẫu bệnh. Khóa luận tốt nghiệp "Nghiên cứu thuật toán phân đoạn vùng tổn thương trong hỗ trợ chẩn đoán ung thư da" do nhóm sinh viên Khoa Y - Ngành Kỹ thuật Y sinh, Trường Đại học Nguyễn Tất Thành thực hiện nhằm giải quyết bài toán tự động hóa quá trình phân đoạn tổn thương da từ ảnh soi da kỹ thuật số (Dermoscopy), đặt nền tảng định lượng cho hệ thống hỗ trợ chẩn đoán có máy tính trợ giúp (Computer-Aided Diagnosis - CAD).

Mục tiêu cụ thể của đề tài bao gồm:

  1. Nghiên cứu tổng quan dịch tễ học, cơ chế bệnh sinh của các dạng ung thư da chính: Ung thư biểu mô tế bào đáy (Basal Cell Carcinoma - BCC), Ung thư biểu mô tế bào vảy (Squamous Cell Carcinoma - SCC) và U hắc tố ác tính (Melanoma).
  2. Xây dựng quy trình xử lý ảnh tự động hoàn chỉnh gồm: tiền xử lý loại bỏ nhiễu lông tóc, tăng cường dải động tương phản, và phân tách vùng tổn thương (Region of Interest - ROI).
  3. Triển khai và tối ưu hóa các thuật toán phân đoạn hình thái học kết hợp phân ngưỡng thích nghi Otsu trên môi trường MATLAB.
  4. Đánh giá, xác thực mức độ chính xác của thuật toán trên bộ dữ liệu chuẩn quốc tế PH2 và đối sánh với các công bố quốc tế.

Phạm vi nghiên cứu tập trung vào 200 ảnh soi da chuẩn hóa từ cơ sở dữ liệu PH2 với độ phân giải $768 \times 560$ pixels, không áp dụng xử lý video thời gian thực hay tái tạo 3D.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong chẩn đoán da liễu hiện đại, có bốn phương pháp tiếp cận chính để xác định tổn thương da:

Phương pháp Độ chính xác Thời gian thực hiện Xâm lấn Chi phí Hạn chế chính
Khám lâm sàng mắt thường Thấp - Trung bình (60-75%) 10 - 15 phút Không Rất thấp Phụ thuộc chủ quan kinh nghiệm bác sĩ, dễ bỏ sót tổn thương nhỏ
Sinh thiết da (Punch/Core Biopsy) Tiêu chuẩn vàng (>98%) 3 - 7 ngày Có (gây tê, rạch/bấm) Cao Đau, tạo sẹo, nguy cơ nhiễm trùng, thời gian chờ lâu
Soi da kỹ thuật số (Dermoscopy) Khá (75-85%) 5 - 10 phút Không Trung bình Yêu cầu chuyên gia được đào tạo đọc ảnh dermoscopy
Xử lý ảnh CAD tự động (Đề xuất) Cao (>90-95%) < 1 giây Không Thấp Phụ thuộc vào chất lượng ảnh đầu vào và thuật toán phân đoạn

Yêu cầu người dùng đối với hệ thống xử lý ảnh y tế được phân loại theo mô hình MoSCoW:

  • Must have (Bắt buộc): Chuyển đổi không gian màu sang Grayscale chuẩn; loại bỏ triệt để lông tóc che khuất viền tổn thương; thuật toán phân ngưỡng thích nghi tự động; loại bỏ các đốm nhiễu ngoại vi $< 100$ pixels.
  • Should have (Nên có): Mở rộng tương phản toàn dải $[0, 255]$; xóa đường viền ống kính soi da (Vignetting border artifacts); trích xuất thông số hình học trục chính/trục phụ.
  • Could have (Có thể có): Tính toán hoàn chỉnh 4 chỉ số ABCD và tổng điểm soi da (Total Dermoscopic Score - TDS); giao diện đồ họa người dùng (GUI).
  • Won't have (Chưa hỗ trợ): Phân loại tự động đa lớp bằng Deep Learning trên đám mây; tương thích trực tiếp chuẩn DICOM-PACS thời gian thực.

Thách thức kỹ thuật lớn nhất nằm ở sự đa dạng về sắc tố da, độ mờ của đường biên tổn thương ác tính và sự xuất hiện dày đặc của lông, tóc, bọt khí và phản xạ ánh sáng trên bề mặt da.

Thiết kế hệ thống

Kiến trúc xử lý ảnh y sinh được thiết kế theo mô hình đường ống tuần tự (Sequential Pipeline Architecture):

+-----------------------------------------------------------------------------------+
|                            HỆ THỐNG PHÂN ĐOẠN ẢNH Y SINH                           |
+-----------------------------------------------------------------------------------+
|  [Đầu vào: Ảnh RGB 768x560]                                                       |
|  [Đầu ra: Mặt nạ nhị phân ROI & Biên tổn thương chuẩn hóa]                        |
+-----------------------------------------------------------------------------------+

Công nghệ và công cụ sử dụng trong nghiên cứu:

  • Môi trường tính toán: MATLAB R2023b (MathWorks) bản quyền học thuật.
  • Thư viện chuyên dụng: MATLAB Image Processing Toolbox v11.8.
  • Tập dữ liệu chuẩn hóa: PH2 Database (Hospital Pedro Hispano, Matosinhos, Bồ Đào Nha) chụp bằng hệ thống Tuebinger Mole Analyzer, độ phóng đại 20x.
  • Yêu cầu hiệu năng: Thời gian thực thi $< 500$ ms/ảnh trên phần cứng CPU thông thường, mức sử dụng RAM $< 250$ MB.

Methodology

Phương pháp luận nghiên cứu kết hợp giữa mô hình nghiên cứu thực nghiệm y sinh và phát triển thuật toán lặp:

Tuần 1-4: Thu thập & Khảo sát Database PH2
Tuần 5-8: Thiết kế Thuật toán Tiền xử lý & Khử nhiễu
Tuần 9-12: Xây dựng Pipeline Phân đoạn & Tối ưu Otsu
Tuần 13-16: Hậu xử lý, Đo lường ABCD/TDS & Đối sánh Chuyên gia
  • Quản trị rủi ro kỹ thuật:
    • Rủi ro 1: Thuật toán xóa cả đường viền thực của tổn thương khi khử lông tóc. Giải pháp: Sử dụng phần tử cấu trúc đĩa (disk) với bán kính $x$ được tinh chỉnh vừa đủ che phủ bề rộng sợi lông mà không làm biến dạng ranh giới nốt ruồi.
    • Rủi ro 2: Ảnh bị sai lệch ngưỡng khi có viền đen của kính soi da. Giải pháp: Tích hợp hàm imclearborder để loại bỏ toàn bộ cấu trúc nối với rìa khung hình.

Implementation và kết quả

Development process

Quá trình hiện thực hóa thuật toán được chuẩn hóa thành 5 giai đoạn xử lý cốt lõi:

Giai đoạn 1: Tiền xử lý ảnh và khử lông tóc

Ảnh da gốc màu RGB được chuyển đổi sang thang độ xám (Grayscale). Để loại bỏ cấu trúc dạng sợi mỏng như lông, tóc mà không làm suy giảm độ tương phản của tổn thương, phép toán đóng hình thái học (Morphological Closing) được áp dụng với phần tử cấu trúc dạng đĩa tròn (Disk Structuring Element):

% 1. Chuyển đổi ảnh RGB sang thang độ xám
gray_image = rgb2gray(input_rgb);

% 2. Áp dụng phép đóng hình thái học để lấp đầy và khử sợi lông tóc
SE = strel('disk', 5); % Phần tử cấu trúc đĩa bán kính 5 pixel
closed_image = imclose(gray_image, SE);

% 3. Bộ lọc trung vị (Median Filter) 3x3 loại bỏ nhiễu muối tiêu
filtered_image = medfilt2(closed_image, [3 3]);

Bộ lọc trung vị $3 \times 3$ thay thế giá trị của điểm ảnh trung tâm bằng giá trị trung vị của cửa sổ lân cận $3 \times 3$, giúp làm phẳng nhiễu gai mà vẫn bảo toàn độ sắc nét của đường biên tổn thương.

Giai đoạn 2: Tăng cường độ tương phản dải động

Ảnh sau lọc thường có biểu đồ phân bố mức xám (Histogram) tập trung hẹp trong khoảng $[0, 175]$. Kỹ thuật mở rộng tương phản từng mảnh (Piecewise Linear Contrast Stretching) thông qua hàm imadjust và stretchlim được sử dụng nhằm dàn trải mức xám ra toàn dải $[0, 255]$:

$$f(r) = \begin{cases} \alpha r & r < a \ \beta (r - a) + v_a & a \le r \le b \ \gamma (r - b) + v_b & b < r \end{cases}$$

Trong MATLAB, cú pháp được thực thi như sau:

% Mở rộng độ tương phản tự động theo dải bão hòa 1%
contrast_enhanced = imadjust(filtered_image, stretchlim(filtered_image));

Giai đoạn 3: Phân đoạn ngưỡng tự động Otsu

Phương pháp phân ngưỡng toàn cục Otsu (graythresh) tự động tìm kiếm giá trị ngưỡng tối ưu $T^*$ nhằm cực đại hóa phương sai giữa các lớp (Between-class Variance $\sigma_B^2$):

$$\sigma_B^2(T) = \omega_0(T)[\mu_0(T) - \mu_T]^2 + \omega_1(T)[\mu_1(T) - \mu_T]^2$$

% Xác định ngưỡng tối ưu Otsu và tạo mặt nạ nhị phân
otsu_level = graythresh(contrast_enhanced);
binary_mask = im2bw(contrast_enhanced, otsu_level);

Giai đoạn 4: Hậu xử lý và tinh chỉnh mặt nạ hình thái

Mặt nạ nhị phân thu được thường chứa các đốm nhiễu nhỏ ngoài rìa hoặc các lỗ rỗng bên trong. Thuật toán tiến hành dán nhãn liên thông (labelmatrix), loại bỏ tất cả các vùng liên thông có diện tích nhỏ hơn 100 pixels, đảo ngược màu sắc và xóa viền:

% Đo đạc diện tích các vùng liên thông
region_stats = regionprops(binary_mask, 'Area');
label_mat = labelmatrix(bwconncomp(binary_mask));

% Giữ lại các vùng có diện tích > 100 pixel để lọc bỏ hoàn toàn nhiễu hạt
cleaned_mask = ismember(label_mat, find([region_stats.Area] > 100));

% Đảo ngược màu sắc để vùng tổn thương mang giá trị 1 (trắng), nền mang giá trị 0 (đen)
inverted_mask = imcomplement(cleaned_mask);

% Loại bỏ viền ống kính soi da dính cạnh khung ảnh
final_roi_mask = imclearborder(inverted_mask);

Giai đoạn 5: Cơ sở trích xuất đặc trưng ABCD và tính điểm TDS

Mặt nạ sau phân đoạn cung cấp ranh giới chính xác để trích xuất 4 tham số chẩn đoán lâm sàng theo tiêu chuẩn tiêu chuẩn:

  • Asymmetry (A - Bất đối xứng): Đánh giá tính đối xứng qua hai trục trực giao (Trục chính Major Axis và Trục phụ Minor Axis). Điểm $A \in {0, 1, 2}$.
  • Border (B - Độ không đều đường viền): Chia chu vi tổn thương thành 8 cung phần, kiểm tra độ gấp khúc. Điểm $B \in [0, 8]$.
  • Color (C - Phân bố màu sắc): Nhận diện sự hiện diện của 6 màu cơ bản (Trắng, Đỏ, Nâu nhạt, Nâu sẫm, Xanh xám, Đen). Điểm $C \in [1, 6]$.
  • Diameter (D - Đường kính / Cấu trúc vi mô): Đánh giá 5 đặc trưng cấu trúc nội vi mô. Điểm $D \in [1, 5]$.

Chỉ số tổng điểm soi da (Total Dermoscopic Score - TDS) được xác định theo công thức trọng số:

$$TDS = 1.3 \times A + 0.1 \times B + 0.5 \times C + 0.5 \times D$$

Ngưỡng phân loại lâm sàng:

  • $TDS < 4.75$: Tổn thương lành tính (Benign skin lesion).
  • $4.75 \le TDS \le 5.45$: Tổn thương nghi ngờ / Nốt ruồi không điển hình (Suspicious / Atypical nevus).
  • $TDS > 5.45$: Khối u ác tính (Melanoma).

Testing và validation

Thuật toán được kiểm thử trên toàn bộ 200 ảnh của cơ sở dữ liệu PH2 với cơ cấu bệnh học:

  • 80 ca nốt ruồi lành tính thông thường (Common Nevi).
  • 80 ca nốt ruồi không điển hình nghi ngờ (Atypical Nevi).
  • 40 ca ung thư hắc tố ác tính (Melanoma).
Ma trận nhầm lẫn phân loại định tính tổn thương (Dựa trên ranh giới phân đoạn ROI):

Chỉ số định lượng:

  • Độ nhạy (Sensitivity / Recall): $\frac{TP}{TP + FN} = \frac{38}{40} = 95.0%$
  • Độ đặc hiệu (Specificity): $\frac{TN}{TN + FP} = \frac{154}{160} = 96.25%$
  • Độ chính xác toàn cục (Overall Accuracy): $\frac{38 + 154}{200} = 96.0%$

Kết quả đạt được

Tiêu chí mục tiêu Kế hoạch ban đầu Kết quả thực tế đạt được Đánh giá
Khử nhiễu sợi lông tóc Loại bỏ $>80%$ lông Triệt tiêu $>95%$ sợi lông không để lại vết khuyết Vượt chỉ tiêu
Xử lý ảnh viền tối (Vignetting) Xóa đường viền ngoài Làm sạch $100%$ cạnh biên với imclearborder Đạt yêu cầu
Tốc độ xử lý trung bình $< 1.0$ giây/ảnh $0.32$ giây/ảnh (trên CPU Core i5) Vượt chỉ tiêu
Mức độ trùng khớp biên (IoU) $> 85%$ so với bác sĩ Đạt $88.4%$ so với Ground-truth PH2 Đạt yêu cầu

Đổi mới và đóng góp

Nghiên cứu mang lại ba cải tiến kỹ thuật rõ rệt so với các phương pháp truyền thống:

  1. Chuỗi tiền xử lý tối ưu hóa hình thái học: Kết hợp phép đóng imclose đĩa tròn với lọc trung vị giúp loại bỏ hoàn toàn các cấu trúc lông tóc mảnh phức tạp mà không làm biến dạng ranh giới tổn thương, giải quyết triệt để bài toán tạo bóng giả trên ảnh dermoscopy.
  2. Khử nhiễu nhãn liên thông hai bậc: Thay vì chỉ dùng phép lọc hình thái học đóng/mở đơn thuần, việc kết hợp labelmatrix, regionprops('Area') với ngưỡng diện tích $>100$ pixels cho phép bóc tách chính xác tổn thương chính ngay cả khi xung quanh có nhiều nốt sắc tố vệ tinh nhỏ.
  3. Tự động hóa loại bỏ viền ống kính: Sử dụng hiệu quả hàm imclearborder sau phép bù ảnh (imcomplement), triệt tiêu hiện tượng bắt nhầm góc tối của thiết bị soi da thành khối u.

So sánh đối sánh với các công bố quốc tế

Thuật toán / Tác giả Phương pháp phân đoạn Tập dữ liệu Độ nhạy Độ đặc hiệu Độ chính xác
Zghal & Derbel (2020) [14] Mặt nạ 3 kênh màu RGB + Thresholding PH2 (200 ảnh) 82.0% 92.0% 88.5%
Jadhav et al. (2021) [29] Trích chọn ROI thủ công + Quy tắc ABCD PH2 (200 ảnh) 86.4% 90.1% 89.2%
Singh et al. (2020) [30] Phân ngưỡng thích nghi + SVM Classifier PH2 (200 ảnh) 89.5% 93.0% 92.5%
Pipeline Đề tài (NTTU 2024) Morphological Closing + Dynamic Otsu + Clean Border PH2 (200 ảnh) 95.0% 96.25% 96.0%

Thuật toán của đề tài cải thiện độ nhạy thêm $13.0%$ và độ đặc hiệu thêm $4.25%$ so với nghiên cứu của Zghal & Derbel (2020) trên cùng tập dữ liệu PH2, đồng thời loại bỏ nhu cầu can thiệp thủ công của kỹ thuật viên.

Ứng dụng thực tế và triển khai

Hệ thống phân đoạn tự động đóng vai trò là module tiền xử lý then chốt cho các hệ thống phần mềm hỗ trợ chẩn đoán da liễu tại các cơ sở y tế:

                   [CAD System: MATLAB Engine]
     [TDS < 4.75: Lành tính]              [TDS > 5.45: Nghi ngờ Melanoma]
 [Kê đơn / Theo dõi định kỳ]             [Chỉ định Sinh thiết Khẩn cấp]
  • Trường hợp sử dụng thực tế (Use-case): Sàng lọc sớm tại các trung tâm y tế tuyến cơ sở hoặc phòng khám đa khoa - nơi thiếu hụt bác sĩ chuyên khoa da liễu trình độ cao. Phần mềm hỗ trợ khoanh vùng tổn thương, tính toán sơ bộ điểm TDS để đưa ra cảnh báo nguy cơ.
  • Chiến lược triển khai: Đóng gói mã nguồn MATLAB thành thư viện liên kết động C++/C# Shared Library hoặc ứng dụng Standalone Executable thông qua MATLAB Compiler SDK, dễ dàng tích hợp vào phần mềm quản lý phòng khám có sẵn.
  • Hiệu quả kinh tế (ROI): Giảm thiểu $40-60%$ các ca chỉ định sinh thiết không cần thiết đối với tổn thương lành tính, tiết kiệm chi phí xét nghiệm giải phẫu bệnh (khoảng 500.000 – 1.500.000 VNĐ/ca sinh thiết) và rút ngắn thời gian chẩn đoán từ vài ngày xuống dưới 1 phút.

Hạn chế và hướng phát triển

Dù đạt được độ chính xác phân đoạn vượt trội, đề tài vẫn ghi nhận một số hạn chế kỹ thuật:

  • Hạn chế: Thuật toán phân ngưỡng Otsu dựa trên giả định biểu đồ mức xám có phân bố hai đỉnh rõ rệt (Bimodal Histogram). Khi tổn thương da có độ tương phản quá thấp so với nền da xung quanh hoặc rìa tổn thương lan tỏa mờ nhạt, ranh giới phân đoạn có thể bị co cụm hoặc lẹm nhẹ vào tâm.
  • Ràng buộc phần cứng: Quá trình tiền xử lý Morphological Closing với Structuring Element lớn trên ảnh có độ phân giải siêu cao ($>4K$) có thể làm tăng độ trễ tính toán.

Hướng nghiên cứu phát triển tiếp theo:

  1. Nghiên cứu tích hợp các mạng nơ-ron tích chập sâu chuyên sâu cho phân đoạn ảnh y tế như U-Net, Attention U-Net hoặc TransUNet để xử lý các ca bệnh ranh giới cực mờ.
  2. Mở rộng thuật toán tự động hóa hoàn toàn việc trích xuất vector đặc trưng mạng lưới sắc tố (Pigment Network) và cấu trúc chấm/vệt (Dots/Globules) để hoàn thiện trọn vẹn điểm số ABCD.
  3. Xây dựng ứng dụng di động (Mobile Health App) kết hợp ống kính soi da gắn ngoài cho điện thoại thông minh, phục vụ khám chữa bệnh từ xa (Tele-dermatology).

Đối tượng hưởng lợi

  • Sinh viên Y khoa & Kỹ thuật Y sinh: Tiếp cận tài liệu tham khảo bài bản, trực quan về quy trình xử lý ảnh y tế thực tế từ tiền xử lý, lọc không gian, phân ngưỡng đến hậu xử lý hình thái học.
  • Kỹ sư phát triển phần mềm Y tế (Software Developers): Nắm bắt cấu trúc pipeline chuẩn của thuật toán xử lý ảnh dermoscopy, có thể chuyển đổi trực tiếp sang thư viện OpenCV/Python (C++) để nhúng vào thiết bị y tế.
  • Cơ sở y tế & Bác sĩ Da liễu: Sở hữu công cụ hỗ trợ thị giác khách quan, giảm áp lực làm việc, tăng độ tin cậy trong các quyết định chỉ định phẫu thuật/sinh thiết.
  • Nhà nghiên cứu học thuật: Cung cấp bộ số liệu thực nghiệm và chỉ số đối sánh tin cậy trên tập dữ liệu chuẩn quốc tế PH2.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai hệ thống là gì?

Hệ thống yêu cầu máy tính trang bị CPU Intel Core i3 thế hệ 8 trở lên (hoặc tương đương), tối thiểu 4GB RAM và 2GB dung lượng ổ cứng khả dụng. Về mặt phần mềm, hệ thống chạy trên nền tảng Windows 10/11 hoặc Linux 64-bit, cài đặt môi trường MATLAB R2020a trở lên (kèm Image Processing Toolbox) hoặc MATLAB Runtime Engine (miễn phí) nếu triển khai dưới dạng ứng dụng thực thi độc lập .exe.

2. Giới hạn về khả năng mở rộng quy mô (Scalability) và giải pháp xử lý là gì?

Hệ thống xử lý từng ảnh đơn lẻ dưới dạng các phép toán ma trận độc lập. Khi mở rộng quy mô lên hàng chục nghìn ảnh trong các chiến dịch khám sàng lọc diện rộng, giải pháp là áp dụng kỹ thuật tính toán song song (Parallel Computing Toolbox trong MATLAB hoặc xử lý đa luồng Multi-threading trong C++) để xử lý đồng thời theo lô (Batch Processing), nâng công suất xử lý lên $> 1.200$ ảnh/phút trên máy chủ phổ thông.

3. Khả năng tích hợp với các hệ thống y tế hiện có (PACS, HIS, EMR) như thế nào?

Thông qua việc đóng gói thuật toán thành Web API (RESTful API) bằng MATLAB Production Server hoặc viết module tiếp hợp bằng C#, hệ thống có thể nhận ảnh trực tiếp từ máy soi da số, truy xuất ảnh từ hệ thống lưu trữ PACS chuẩn DICOM, xử lý phân đoạn và trả kết quả mặt nạ tổn thương cùng điểm TDS về hồ sơ bệnh án điện tử (EMR/HIS) một cách tự động.

4. Quy trình bảo trì và yêu cầu vận hành hỗ trợ kỹ thuật ra sao?

Hệ thống là giải pháp thuật toán xác định (Deterministic Algorithm), không yêu cầu huấn luyện lại hàng ngày. Quy trình bảo trì định kỳ bao gồm việc kiểm tra độ chuẩn hóa của nguồn sáng thiết bị soi da đầu vào và cập nhật các ngưỡng lọc diện tích hạt nhiễu phù hợp với độ phân giải cảm biến mới của phòng khám.

5. Dự toán chi phí triển khai và thời gian thu hồi vốn (ROI) được tính toán như thế nào?

Chi phí phát triển và triển khai phần mềm cho một phòng khám da liễu ước tính từ 15 – 30 triệu VNĐ (nếu sử dụng MATLAB Compiler/Runtime miễn phí bản quyền triển khai). Nhờ tăng tốc độ khám bệnh thêm 30% và thu hút bệnh nhân nhờ dịch vụ chẩn đoán hình ảnh kỹ thuật số hiện đại, thời gian hoàn vốn đầu tư ước tính chỉ từ 3 đến 6 tháng hoạt động.

Kết luận

Đề tài "Nghiên cứu thuật toán phân đoạn vùng tổn thương trong hỗ trợ chẩn đoán ung thư da" đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, xây dựng thành công quy trình xử lý ảnh tự động hoàn chỉnh từ tiền xử lý khử nhiễu lông tóc, tăng cường tương phản dải động đến phân đoạn tách biên vùng tổn thương bằng phương pháp Otsu và lọc hình thái học. Kết quả kiểm thử thực nghiệm trên 200 ảnh chuẩn hóa từ cơ sở dữ liệu quốc tế PH2 chứng minh tính ưu việt của thuật toán với độ chính xác toàn cục đạt 96.0%, độ nhạy 95.0% và độ đặc hiệu 96.25%, vượt trội so với nhiều công bố quốc tế cùng phân khúc.

Nghiên cứu không chỉ khẳng định tiềm năng ứng dụng to lớn của xử lý ảnh kỹ thuật số trong y học hiện đại mà còn mở ra hướng phát triển thiết thực cho các hệ thống chẩn đoán da liễu tự động chi phí thấp tại Việt Nam. Đây là tiền đề vững chắc để nhóm nghiên cứu tiếp tục tích hợp các mô hình trí tuệ nhân tạo tiên tiến, góp phần nâng cao chất lượng chăm sóc sức khỏe cộng đồng và giảm thiểu tỷ lệ tử vong do ung thư da gây ra.