Nghiên cứu ứng dụng học sâu trong phân đoạn đa lớp cho hình ảnh y tế

• Tác giả: Trinh Minh Nhat
• Người hướng dẫn: Assoc. Van-Truong Pham
• Trường học: Hanoi University of Science and Technology
• Chuyên ngành: Control Engineering and Automation
• Đề tài: Nghiên cứu ứng dụng học sâu trong phân đoạn đa lớp cho hình ảnh y tế
• Loại tài liệu: master thesis
• Năm xuất bản: 2023
• Địa điểm: Ha Noi

• ACKNOWLEDGEMENTS
• ABSTRACT
• 1. CHAPTER 1: Motivation for Participating in Medical Image Segmentation Challenges
• 1.1. Motivation for Participating in Medical Image Segmentation Challenges
• 1.2. Advancements in Medical Image Segmentation and Innovative Approaches
• 2. THE PROPOSED APPROACH
• 2.1. The ISIC-2018 Dataset
• 2.2. The PH2 Dataset
• 2.3. Automated Cardiac Diagnosis Challenge (ACDC)
• 2.4. 6-month Infant Brain MRI Segmentation (iSeg) Dataset
• 2.5. Active Focal Loss Function
• 2.6. Dice similarity coefficient (DSC)
• 2.7. Intersection-over-Union
• 2.8. Recall, Precision, Sensitivity and Specificity
• 2.9. Modified Hausdorff distance [79]
• 2.10. Average surface distance [79]
• 2.11. Results on ISIC-2018 Dataset
• 2.12. Results on PH2 Dataset
• 2.13. Results on ACDC Dataset
• 2.14. Results on iSeg-2017 Dataset
• 2.15. Performance of the Proposed Loss
• 3. SUMMARY
• LIST OF PUBLICATIONS
• REFERENCES
• LIST OF FIGURES
• LIST OF TABLES
• LIST OF SYMBOLS

I. Tổng Quan Nghiên Cứu Ứng Dụng Học Sâu trong Y Học 55 ký tự

Nghiên cứu về ứng dụng học sâu trong hình ảnh y tế đang phát triển mạnh mẽ, đặc biệt là trong lĩnh vực phân đoạn ảnh y tế. Mục tiêu là tạo ra các công cụ tự động, chính xác và hiệu quả để hỗ trợ bác sĩ trong chẩn đoán, lập kế hoạch điều trị và theo dõi tiến triển bệnh. Phân đoạn đa lớp là một kỹ thuật quan trọng, cho phép xác định và phân loại nhiều cấu trúc hoặc vùng khác nhau trong ảnh y tế, ví dụ như các cơ quan, khối u hoặc tổn thương. Sự phát triển của trí tuệ nhân tạo trong y tế đang mở ra những tiềm năng to lớn, từ việc cải thiện độ chính xác của chẩn đoán đến việc cá nhân hóa liệu pháp điều trị. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, bao gồm việc thiếu dữ liệu huấn luyện được gắn nhãn chất lượng cao và sự phức tạp của việc xử lý các biến thể trong dữ liệu ảnh y tế. Nghiên cứu này tập trung vào việc giải quyết những thách thức này thông qua việc phát triển các mô hình mạng nơ-ron tích chập (CNN) tiên tiến và các kỹ thuật huấn luyện hiệu quả.

1.1. Tầm quan trọng của phân đoạn đa lớp hình ảnh y tế

Phân đoạn đa lớp trong hình ảnh y tế đóng vai trò quan trọng trong việc hỗ trợ chẩn đoán, lập kế hoạch điều trị và theo dõi bệnh. Bằng cách xác định và phân loại nhiều cấu trúc khác nhau trong ảnh, các bác sĩ có thể hiểu rõ hơn về tình trạng bệnh của bệnh nhân. Ví dụ, trong ảnh MRI não, phân đoạn đa lớp có thể giúp phân biệt giữa các vùng não khác nhau, các khối u và các tổn thương. Điều này đặc biệt hữu ích trong việc chẩn đoán các bệnh như Alzheimer, Parkinson và ung thư não. Ngoài ra, phân đoạn đa lớp còn có thể được sử dụng để lập kế hoạch phẫu thuật và xạ trị, giúp các bác sĩ xác định chính xác vị trí và kích thước của các cấu trúc cần được điều trị. Việc sử dụng giải thuật học sâu giúp cải thiện độ chính xác và hiệu quả của quá trình này.

1.2. Thách thức trong phân đoạn hình ảnh y tế đa lớp

Mặc dù ứng dụng học sâu trong y học có tiềm năng to lớn, nhưng vẫn còn nhiều thách thức cần vượt qua. Một trong những thách thức lớn nhất là việc thiếu dữ liệu ảnh y tế được gắn nhãn chất lượng cao. Việc tạo ra các tập dữ liệu lớn và được gắn nhãn cẩn thận đòi hỏi nhiều thời gian và công sức của các chuyên gia y tế. Ngoài ra, dữ liệu ảnh y tế thường rất phức tạp và đa dạng, với nhiều biến thể về hình dạng, kích thước và cường độ. Điều này gây khó khăn cho việc phát triển các mô hình học sâu có khả năng tổng quát hóa tốt. Các mô hình cần được huấn luyện trên nhiều loại ảnh MRI, ảnh CT, ảnh X-quang, ảnh siêu âm khác nhau để có thể hoạt động hiệu quả trong thực tế.

II. Giải Pháp Học Sâu Mạng Nơ ron cho Phân Đoạn 53 ký tự

Nhiều phương pháp học sâu đã được phát triển để giải quyết bài toán phân đoạn ảnh y tế. Trong số đó, các mô hình mạng nơ-ron tích chập (CNN), đặc biệt là mạng nơ-ron U-Net, đã chứng minh được hiệu quả vượt trội. U-Net, với kiến trúc encoder-decoder và các kết nối skip, cho phép mô hình học các đặc trưng phức tạp từ ảnh và khôi phục thông tin không gian bị mất trong quá trình downsampling. Ngoài ra, các biến thể của U-Net, như Attention U-Net, đã được phát triển để cải thiện khả năng tập trung vào các vùng quan trọng trong ảnh. Các mô hình mạng nơ-ron Fully Convolutional Network (FCN) cũng được sử dụng rộng rãi trong phân đoạn ảnh y tế, với khả năng xử lý ảnh có kích thước bất kỳ và tạo ra các bản đồ phân đoạn pixel-wise.

2.1. Kiến trúc mạng nơ ron U Net và các biến thể

Mạng nơ-ron U-Net là một kiến trúc phổ biến cho phân đoạn ảnh y tế, nổi bật với cấu trúc encoder-decoder và các kết nối skip. Encoder thu thập đặc trưng ở các mức độ khác nhau, trong khi decoder khôi phục độ phân giải không gian. Các kết nối skip cho phép mô hình truy cập thông tin chi tiết từ các lớp trước đó, cải thiện độ chính xác của phân đoạn. Các biến thể như Attention U-Net thêm cơ chế attention để tập trung vào các vùng quan trọng trong ảnh. Sự thành công của U-Net trong phân đoạn cơ quan và phân đoạn tổn thương đã khiến nó trở thành một lựa chọn hàng đầu.

2.2. Mạng Fully Convolutional Network FCN trong y học

Mạng nơ-ron Fully Convolutional Network (FCN) cũng là một lựa chọn phổ biến cho phân đoạn ảnh y tế. FCN sử dụng các lớp convolutional thay vì các lớp fully connected, cho phép nó xử lý ảnh có kích thước bất kỳ. FCN tạo ra các bản đồ phân đoạn pixel-wise, chỉ định nhãn cho mỗi pixel trong ảnh. Ưu điểm của FCN là khả năng xử lý nhanh và hiệu quả, đặc biệt là với các ảnh lớn. Ứng dụng học sâu trong y học đã chứng minh FCN hiệu quả trong các tác vụ như phân đoạn khối u và phân đoạn cơ quan.

III. Tối Ưu Hóa Hàm Mất Mát cho Phân Đoạn Đa Lớp 58 ký tự

Việc lựa chọn hàm mất mát phù hợp là rất quan trọng để huấn luyện các mô hình học sâu cho phân đoạn ảnh y tế. Các hàm mất mát phổ biến bao gồm Cross-Entropy, Dice Loss và IoU Loss. Tuy nhiên, các hàm mất mát này có thể gặp khó khăn trong việc xử lý các trường hợp mất cân bằng lớp hoặc các đối tượng có hình dạng phức tạp. Do đó, nhiều nghiên cứu đã tập trung vào việc phát triển các hàm mất mát mới, kết hợp các đặc trưng địa phương và toàn cục của ảnh để cải thiện độ chính xác của phân đoạn. Các hàm mất mát dựa trên Mumford-Shah framework cũng được sử dụng để tối ưu hóa ranh giới của các đối tượng trong ảnh, giúp tạo ra các kết quả phân đoạn mịn màng và chính xác hơn.

3.1. So sánh các hàm mất mát phổ biến Cross Entropy Dice IoU

Cross-Entropy, Dice Loss và IoU Loss là những hàm mất mát thường được sử dụng trong phân đoạn ảnh y tế. Cross-Entropy đo sự khác biệt giữa phân phối xác suất dự đoán và phân phối xác suất thực tế. Dice Loss và IoU Loss đo sự chồng lấp giữa vùng dự đoán và vùng thực tế. Mỗi hàm mất mát có những ưu điểm và nhược điểm riêng. Cross-Entropy dễ tính toán nhưng nhạy cảm với mất cân bằng lớp. Dice Loss và IoU Loss ít nhạy cảm hơn với mất cân bằng lớp nhưng có thể gặp khó khăn trong việc huấn luyện với các đối tượng nhỏ. Việc lựa chọn hàm mất mát phù hợp phụ thuộc vào đặc điểm của bài toán và dữ liệu ảnh y tế.

3.2. Hàm mất mát kết hợp đặc trưng địa phương và toàn cục

Để cải thiện độ chính xác của phân đoạn ảnh y tế, nhiều nghiên cứu đã tập trung vào việc phát triển các hàm mất mát mới, kết hợp các đặc trưng địa phương và toàn cục của ảnh. Các hàm mất mát này có thể sử dụng thông tin về hình dạng, kích thước và vị trí của các đối tượng để hướng dẫn quá trình huấn luyện. Ví dụ, một số hàm mất mát sử dụng thông tin về gradient của ảnh để tối ưu hóa ranh giới của các đối tượng. Các hàm mất mát khác sử dụng thông tin về ngữ cảnh xung quanh đối tượng để cải thiện độ chính xác của phân đoạn. Việc kết hợp thông tin địa phương và toàn cục có thể giúp mô hình học sâu hiểu rõ hơn về ảnh y tế và tạo ra các kết quả phân đoạn chính xác hơn.

IV. Đánh Giá Hiệu Suất và Kết Quả Nghiên Cứu 51 ký tự

Hiệu suất của các mô hình học sâu cho phân đoạn ảnh y tế thường được đánh giá bằng các độ đo như độ chính xác phân đoạn, độ đo Dice (DSC) và độ đo IoU. Độ đo Dice đo sự chồng lấp giữa vùng dự đoán và vùng thực tế, trong khi độ đo IoU đo tỷ lệ giữa giao và hợp của hai vùng. Các nghiên cứu thường so sánh hiệu suất của các mô hình khác nhau trên các tập dữ liệu chuẩn để xác định phương pháp nào là tốt nhất. Kết quả nghiên cứu thường được trình bày dưới dạng bảng hoặc đồ thị, cho thấy độ chính xác của phân đoạn và các độ đo khác.

4.1. Các độ đo đánh giá Độ chính xác Dice IoU và ý nghĩa

Độ chính xác phân đoạn, độ đo Dice (DSC) và độ đo IoU là các độ đo phổ biến để đánh giá hiệu suất của các mô hình học sâu cho phân đoạn ảnh y tế. Độ chính xác đo tỷ lệ pixel được phân loại đúng. Độ đo Dice đo sự chồng lấp giữa vùng dự đoán và vùng thực tế. Độ đo IoU đo tỷ lệ giữa giao và hợp của hai vùng. DSC và IoU thường được ưu tiên hơn độ chính xác vì chúng ít nhạy cảm hơn với mất cân bằng lớp. Ý nghĩa của các độ đo này là cung cấp một cách định lượng để so sánh hiệu suất của các mô hình khác nhau.

4.2. So sánh kết quả nghiên cứu với các phương pháp khác

Để đánh giá hiệu quả của một phương pháp học sâu mới cho phân đoạn ảnh y tế, các nghiên cứu thường so sánh kết quả với các phương pháp khác, bao gồm cả các phương pháp truyền thống và các phương pháp học sâu khác. So sánh thường được thực hiện trên các tập dữ liệu chuẩn, sử dụng các độ đo như độ chính xác phân đoạn, độ đo Dice (DSC) và độ đo IoU. Kết quả so sánh giúp xác định xem phương pháp mới có cải thiện hiệu suất so với các phương pháp hiện có hay không. Việc so sánh cũng có thể giúp xác định các điểm mạnh và điểm yếu của phương pháp mới, từ đó đưa ra các hướng cải thiện trong tương lai.

V. Ứng Dụng Thực Tiễn và Tiềm Năng Phát Triển 53 ký tự

Các mô hình học sâu cho phân đoạn ảnh y tế có nhiều ứng dụng thực tiễn, bao gồm hỗ trợ chẩn đoán, lập kế hoạch điều trị và theo dõi bệnh. Trong chẩn đoán, các mô hình này có thể giúp bác sĩ phát hiện các dấu hiệu bệnh sớm hơn và chính xác hơn. Trong lập kế hoạch điều trị, các mô hình này có thể giúp bác sĩ xác định chính xác vị trí và kích thước của các cấu trúc cần được điều trị. Trong theo dõi bệnh, các mô hình này có thể giúp bác sĩ theo dõi sự thay đổi của các cấu trúc theo thời gian. Tiềm năng phát triển của lĩnh vực này là rất lớn, với khả năng cải thiện đáng kể chất lượng chăm sóc sức khỏe.

5.1. Ứng dụng trong chẩn đoán lập kế hoạch điều trị

Các mô hình học sâu cho phân đoạn ảnh y tế có nhiều ứng dụng quan trọng trong chẩn đoán và lập kế hoạch điều trị. Trong chẩn đoán, chúng có thể hỗ trợ phát hiện các dấu hiệu bệnh sớm hơn và chính xác hơn, giúp bác sĩ đưa ra quyết định điều trị kịp thời. Ví dụ, trong chẩn đoán ung thư, các mô hình này có thể giúp xác định vị trí và kích thước của khối u, cũng như đánh giá mức độ xâm lấn của khối u. Trong lập kế hoạch điều trị, các mô hình này có thể giúp bác sĩ xác định chính xác vị trí và kích thước của các cấu trúc cần được điều trị, giúp tối ưu hóa hiệu quả điều trị và giảm thiểu tác dụng phụ.

5.2. Tiềm năng phát triển Chẩn đoán cá nhân hóa hệ thống hỗ trợ

Tiềm năng phát triển của lĩnh vực học sâu trong phân đoạn ảnh y tế là rất lớn. Trong tương lai, các mô hình này có thể được sử dụng để phát triển các hệ thống chẩn đoán cá nhân hóa, dựa trên đặc điểm riêng của từng bệnh nhân. Các mô hình này cũng có thể được tích hợp vào các hệ thống hỗ trợ chẩn đoán, giúp bác sĩ đưa ra quyết định chính xác hơn và nhanh chóng hơn. Ngoài ra, các mô hình này có thể được sử dụng để tự động hóa các tác vụ tốn thời gian, như đo kích thước khối u, giúp bác sĩ tập trung vào các công việc quan trọng hơn. Sự phát triển của trí tuệ nhân tạo trong y tế hứa hẹn sẽ mang lại những thay đổi lớn trong lĩnh vực chăm sóc sức khỏe.

VI. Kết Luận và Hướng Nghiên Cứu Tương Lai 50 ký tự

Nghiên cứu về ứng dụng học sâu trong phân đoạn đa lớp cho hình ảnh y tế đã đạt được những tiến bộ đáng kể trong những năm gần đây. Các mô hình mạng nơ-ron tích chập (CNN), đặc biệt là mạng nơ-ron U-Net, đã chứng minh được hiệu quả vượt trội trong việc phân đoạn cơ quan, phân đoạn khối u và phân đoạn tổn thương. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, bao gồm việc cải thiện độ chính xác của phân đoạn trong các trường hợp phức tạp, giảm thiểu sự phụ thuộc vào dữ liệu ảnh y tế được gắn nhãn và phát triển các mô hình có khả năng tổng quát hóa tốt hơn. Hướng nghiên cứu tương lai bao gồm việc khám phá các kiến trúc mạng nơ-ron mới, phát triển các kỹ thuật huấn luyện hiệu quả hơn và tích hợp thông tin từ nhiều nguồn khác nhau để cải thiện hệ thống hỗ trợ chẩn đoán.

6.1. Tổng kết thành tựu và hạn chế của các phương pháp hiện tại

Các phương pháp học sâu hiện tại cho phân đoạn đa lớp trong hình ảnh y tế đã đạt được những thành tựu đáng kể, đặc biệt là trong việc tự động hóa quá trình phân đoạn và cải thiện độ chính xác so với các phương pháp truyền thống. Tuy nhiên, vẫn còn những hạn chế cần được giải quyết, bao gồm việc xử lý các trường hợp phức tạp, giảm thiểu sự phụ thuộc vào dữ liệu được gắn nhãn và cải thiện khả năng tổng quát hóa của các mô hình. Các nghiên cứu trong tương lai cần tập trung vào việc giải quyết những hạn chế này để nâng cao hiệu quả của ứng dụng học sâu trong y học.

6.2. Đề xuất hướng nghiên cứu để vượt qua thách thức

Để vượt qua các thách thức trong lĩnh vực học sâu cho phân đoạn đa lớp trong hình ảnh y tế, cần có những hướng nghiên cứu cụ thể. Một hướng là khám phá các kiến trúc mạng nơ-ron mới, như các mô hình transformer, có khả năng học các mối quan hệ phức tạp giữa các pixel trong ảnh. Một hướng khác là phát triển các kỹ thuật huấn luyện hiệu quả hơn, như học không giám sát hoặc học bán giám sát, để giảm thiểu sự phụ thuộc vào dữ liệu được gắn nhãn. Ngoài ra, cần tích hợp thông tin từ nhiều nguồn khác nhau, như thông tin lâm sàng và thông tin di truyền, để cải thiện độ chính xác và độ tin cậy của các hệ thống chẩn đoán hình ảnh.

Tổng quan nghiên cứu

Trong những năm gần đây, việc ứng dụng các kỹ thuật học sâu (deep learning) trong phân đoạn ảnh y tế đã trở thành xu hướng nổi bật, góp phần nâng cao độ chính xác và hiệu quả trong chẩn đoán và điều trị bệnh. Theo báo cáo của ngành, các phương pháp truyền thống như Cross-Entropy và Dice Loss thường dựa trên các phép đo toàn cục hoặc cường độ ảnh tổng thể, tuy nhiên chúng còn hạn chế trong việc xử lý các vấn đề phức tạp như che khuất và biến đổi cường độ. Nghiên cứu này tập trung phát triển một hàm mất mát mới kết hợp đặc trưng cục bộ và toàn cục trong khuôn khổ Mumford-Shah, mở rộng cho bài toán phân đoạn đa lớp. Mục tiêu chính là xây dựng một mạng nơ-ron tích chập sâu (CNN) với kiến trúc Attention-PiDi-UNet, giúp cải thiện khả năng kết hợp thông tin ngữ cảnh và tránh hiện tượng quá khớp, từ đó đạt được kết quả phân đoạn chính xác trên nhiều bộ dữ liệu y sinh khác nhau.

Phạm vi nghiên cứu bao gồm bốn bộ dữ liệu đa dạng về hình ảnh y tế: ảnh dermoscopy (ISIC-2018, PH2), ảnh cộng hưởng từ tim (ACDC), và ảnh MRI não trẻ sơ sinh 6 tháng tuổi (iSeg-2017). Thời gian thu thập và xử lý dữ liệu trải dài trong nhiều năm gần đây, đảm bảo tính cập nhật và thực tiễn. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao các chỉ số đánh giá như Dice Similarity Coefficient (DSC) đạt trên 0.91, cải thiện độ chính xác phân đoạn và hỗ trợ đắc lực cho các ứng dụng lâm sàng trong chẩn đoán sớm và theo dõi bệnh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai nền tảng lý thuyết chính: mô hình Mumford-Shah và mạng nơ-ron tích chập sâu (CNN). Mô hình Mumford-Shah cung cấp cơ sở toán học cho việc tối ưu hóa phân đoạn ảnh dựa trên sự kết hợp giữa đặc trưng cục bộ và toàn cục, giúp xử lý hiệu quả các vùng có cường độ không đồng nhất. Bên cạnh đó, kiến trúc CNN, đặc biệt là biến thể U-Net và các module nâng cao như Compact Dilation Convolution-based Module (CDCM) và Attention module, được sử dụng để trích xuất và kết hợp đặc trưng đa cấp độ trong ảnh y tế.

Các khái niệm chuyên ngành quan trọng bao gồm:

• Dice Similarity Coefficient (DSC): chỉ số đo độ trùng khớp giữa phân đoạn dự đoán và mặt đất thật.
• Intersection-over-Union (IoU): tỷ lệ giao cắt trên hợp của hai vùng phân đoạn.
• Active Contour Model: phương pháp tối ưu đường biên đối tượng trong ảnh.
• Focal Active Contour Loss: hàm mất mát mới kết hợp trọng số lớp và điều chỉnh ảnh hưởng của các điểm khó phân loại.
• Attention Mechanism: cơ chế tập trung vào các vùng quan trọng trong ảnh để cải thiện hiệu quả học đặc trưng.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ bốn bộ dữ liệu y sinh đa dạng về loại hình và kích thước ảnh: ISIC-2018 (2594 ảnh dermoscopy), PH2 (200 ảnh dermoscopy), ACDC (100 ảnh MRI tim), và iSeg-2017 (23 ảnh MRI não 3D). Các ảnh được chuẩn hóa về kích thước và cường độ, đồng thời áp dụng kỹ thuật tăng cường dữ liệu như xoay và lật ngẫu nhiên để tăng tính đa dạng.

Phương pháp phân tích sử dụng mạng CNN với kiến trúc Attention-PiDi-UNet, kết hợp các module CDCM và Attention để nâng cao khả năng trích xuất đặc trưng. Hàm mất mát Focal Active Contour được đề xuất nhằm giải quyết vấn đề mất cân bằng lớp và cải thiện tối ưu đường biên. Mô hình được huấn luyện trên GPU Tesla P100 với 300 epochs, sử dụng bộ tối ưu Nadam và kỹ thuật giảm tốc độ học khi không cải thiện trên tập validation. Cỡ mẫu batch là 8 cho các bộ dữ liệu 2D và 3D. Quá trình huấn luyện và đánh giá được thực hiện bằng PyTorch, với các chỉ số đánh giá chính gồm DSC, IoU, Modified Hausdorff Distance (MHD), và Average Surface Distance (ASD).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phân đoạn trên ISIC-2018: Mô hình đạt DSC trung bình 0.9174, vượt trội hơn các phương pháp phổ biến khác như U-Net, DeepLabV3, và các biến thể Attention U-Net, với mức cải thiện từ 2-5% so với các baseline.
2. Kết quả trên PH2 dataset: Đạt DSC khoảng 0.92, thể hiện khả năng phân đoạn chính xác các tổn thương da với kích thước và hình dạng đa dạng, vượt trội so với các phương pháp truyền thống.
3. Phân đoạn cấu trúc tim trên ACDC: Mô hình phân đoạn chính xác các vùng thất phải (RV), cơ tim (Myo), và thất trái (LV) với DSC trung bình trên 0.90, cải thiện đáng kể so với các phương pháp trước đó.
4. Phân đoạn não trẻ sơ sinh iSeg-2017: Đạt kết quả tốt trên ảnh MRI 3D với các chỉ số MHD và ASD thấp, cho thấy khả năng xử lý dữ liệu đa chiều hiệu quả.

Thảo luận kết quả

Nguyên nhân chính dẫn đến hiệu quả vượt trội là sự kết hợp hài hòa giữa kiến trúc Attention-PiDi-UNet và hàm mất mát Focal Active Contour, giúp mô hình tập trung vào các vùng quan trọng và xử lý tốt các vùng có cường độ không đồng nhất. So với các nghiên cứu trước, việc áp dụng CDCM và Attention module giúp cải thiện khả năng trích xuất đặc trưng đa quy mô và giảm hiện tượng quá khớp. Các biểu đồ học tập (learning curves) minh họa sự ổn định và tăng trưởng liên tục của DSC qua các epoch trên cả bốn bộ dữ liệu, chứng minh tính tổng quát và khả năng ứng dụng rộng rãi của mô hình. Kết quả này có ý nghĩa quan trọng trong việc phát triển các công cụ hỗ trợ chẩn đoán tự động, góp phần nâng cao chất lượng chăm sóc sức khỏe.

Đề xuất và khuyến nghị

1. Triển khai mô hình trong hệ thống chẩn đoán lâm sàng: Áp dụng mô hình Attention-PiDi-UNet với hàm mất mát Focal Active Contour để tự động phân đoạn ảnh y tế, nhằm nâng cao độ chính xác và giảm thời gian xử lý, ưu tiên trong vòng 12 tháng tới, do các bệnh viện và trung tâm y tế thực hiện.
2. Phát triển phần mềm hỗ trợ bác sĩ da liễu và tim mạch: Tích hợp mô hình vào các ứng dụng phân tích ảnh dermoscopy và MRI tim, giúp bác sĩ nhanh chóng xác định vùng tổn thương, dự kiến hoàn thành trong 18 tháng, do các công ty công nghệ y tế đảm nhiệm.
3. Mở rộng nghiên cứu sang các loại hình ảnh y tế khác: Áp dụng và điều chỉnh mô hình cho các dữ liệu như CT, X-quang, nhằm đa dạng hóa ứng dụng, tiến hành trong 24 tháng, do các nhóm nghiên cứu và viện công nghệ thực hiện.
4. Tăng cường đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo chuyên sâu về deep learning và phân đoạn ảnh y tế cho cán bộ y tế và nhà nghiên cứu, nhằm nâng cao năng lực ứng dụng, triển khai liên tục, do các trường đại học và viện nghiên cứu phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật y sinh: Nắm bắt kiến thức chuyên sâu về ứng dụng deep learning trong phân đoạn ảnh y tế, phục vụ phát triển đề tài nghiên cứu và luận văn.
2. Bác sĩ chuyên khoa da liễu và tim mạch: Hiểu rõ các phương pháp tự động phân đoạn ảnh, hỗ trợ chẩn đoán chính xác và nhanh chóng các bệnh lý liên quan.
3. Chuyên gia phát triển phần mềm y tế: Áp dụng kiến trúc mạng và hàm mất mát mới để xây dựng các công cụ phân tích ảnh y tế tiên tiến, nâng cao hiệu quả sản phẩm.
4. Quản lý và hoạch định chính sách y tế: Đánh giá tiềm năng ứng dụng AI trong y tế, từ đó xây dựng chiến lược phát triển công nghệ và đầu tư phù hợp.

Câu hỏi thường gặp

1. Mô hình Attention-PiDi-UNet có ưu điểm gì so với U-Net truyền thống?
   Mô hình này kết hợp Attention module giúp tập trung vào vùng quan trọng và CDCM để trích xuất đặc trưng đa quy mô, từ đó cải thiện độ chính xác phân đoạn và giảm hiện tượng quá khớp, vượt trội hơn U-Net cơ bản.

2. Hàm mất mát Focal Active Contour giải quyết vấn đề gì?
   Hàm mất mát này kết hợp trọng số lớp và điều chỉnh ảnh hưởng của các điểm khó phân loại, giúp cân bằng dữ liệu mất cân bằng và tối ưu hóa đường biên đối tượng, nâng cao hiệu quả phân đoạn.

3. Các bộ dữ liệu sử dụng trong nghiên cứu có đặc điểm gì?
   Bộ dữ liệu đa dạng về loại ảnh (2D dermoscopy, MRI tim, MRI não 3D), kích thước ảnh và số lượng mẫu, giúp đánh giá toàn diện khả năng tổng quát của mô hình trên nhiều ứng dụng y tế.

4. Mô hình có thể áp dụng cho các loại ảnh y tế khác không?
   Có, kiến trúc và hàm mất mát có thể điều chỉnh để phù hợp với các loại ảnh khác như CT, X-quang, giúp mở rộng ứng dụng trong y học.

5. Thời gian huấn luyện và yêu cầu phần cứng như thế nào?
   Mô hình được huấn luyện trên GPU Tesla P100 với 300 epochs, batch size 8, sử dụng PyTorch, phù hợp với các trung tâm nghiên cứu và bệnh viện có trang bị phần cứng tương đương.

Kết luận

• Đã phát triển thành công mô hình Attention-PiDi-UNet kết hợp hàm mất mát Focal Active Contour, nâng cao hiệu quả phân đoạn ảnh y tế đa lớp.
• Mô hình đạt kết quả vượt trội trên bốn bộ dữ liệu y sinh đa dạng, với DSC trung bình trên 0.91 và các chỉ số khoảng cách biên thấp.
• Kiến trúc mạng và hàm mất mát mới giúp xử lý tốt các vấn đề như mất cân bằng lớp và biến đổi cường độ ảnh.
• Nghiên cứu mở ra hướng phát triển các công cụ hỗ trợ chẩn đoán tự động trong y tế, góp phần cải thiện chất lượng chăm sóc bệnh nhân.
• Đề xuất triển khai ứng dụng trong thực tế lâm sàng và mở rộng nghiên cứu sang các loại ảnh y tế khác trong các bước tiếp theo.

Hành động tiếp theo: Khuyến khích các nhà nghiên cứu và chuyên gia y tế áp dụng và phát triển mô hình trong các dự án thực tế, đồng thời tiếp tục cải tiến để nâng cao hiệu quả và tính ứng dụng rộng rãi.