Nghiên cứu: Ứng dụng mô hình Deep Learning nhận diện khối u tuyến tụy

Bài viết này trình bày một phương pháp tiên tiến ứng dụng công nghệ học sâu trong y tế để nhận diện khối u bên trong tuyến tụy, một trong những… 52 trang.

• Đề tài: Nghiên Cứu Phân Đoạn Khối U Biểu Mô Tuyến Tụy Bằng Mô Hình Deep Learning

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỤC TIÊU CỦA KHÓA LUẬN. NỘI DUNG THỰC HIỆN. GIỚI HẠN CỦA KHÓA LUẬN. TÓM TẮT NHỮNG ĐÓNG GÓP CỦA KHÓA LUẬN
• 1.1. Đóng góp về mặt khoa học
• 1.2. Đóng góp về mặt thực tiễn
• 1.3. Tổ chức khóa luận
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU UNG THƯ BIỂU MÔ TUYẾN TUỴ
• 2.1. Tổng quan các mô hình phân đoạn ảnh
• 2.2. Các mô hình phân đoạn ung thư biểu mô tuyến tụy
• 2.3. Mô hình DLU - Net trong phân đoạn khối u biểu mô tuyến tụy
• 2.4. Mô hình PGD - UNet trong phân đoạn khối u biểu mô tuyến tụy
• 2.5. Kết luận
• 3. CHƯƠNG 3: PHÂN ĐOẠN KHỐI U BIỂU MÔ TUYẾN TUỴ DỰA TRÊN PHƯƠNG PHÁP ĐỀ XUẤT
• 3.1. Phương pháp tiếp cận
• 3.2. Chuyển đổi ảnh và chọn lọc các slices. Trích xuất vùng quan tâm. Làm giàu dữ liệu
• 3.3. Mô hình U - Net cải tiến. Hàm Dice - loss. Kết quả thực nghiệm. Tiền xử lý dữ liệu
• 3.4. Phương pháp đánh giá
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM
• 5. CHƯƠNG 5: TỔNG KẾT
• DANH MỤC THUẬT NGỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC BẢNG BIỂU

Tóm tắt

I. Giải pháp nhận diện khối u tuyến tụy bằng Deep Learning

Bài viết này trình bày một phương pháp tiên tiến ứng dụng công nghệ học sâu trong y tế để nhận diện khối u bên trong tuyến tụy, một trong những loại ung thư có tiên lượng xấu nhất. Theo thống kê của WHO, ung thư tuyến tụy đứng thứ 7 về tỷ lệ tử vong, với tỷ lệ sống sau 5 năm chỉ khoảng 9.3%. Khó khăn chính nằm ở việc chẩn đoán muộn do vị trí giải phẫu đặc biệt của tuyến tụy, nằm sâu trong ổ bụng và các triệu chứng ban đầu không rõ ràng. Việc ứng dụng các mô hình trí tuệ nhân tạo trong chẩn đoán ung thư, đặc biệt là Deep Learning, mở ra một hướng đi mới đầy hứa hẹn. Công nghệ này có khả năng phân tích chẩn đoán hình ảnh y tế như ảnh CT hoặc MRI một cách tự động, nhanh chóng và chính xác. Mục tiêu của phương pháp này là xây dựng một hệ thống hỗ trợ, giúp các bác sĩ rút ngắn thời gian chẩn đoán, từ đó đưa ra phác đồ điều trị sớm và hiệu quả hơn. Các mô hình như mạng nơ-ron tích chập (CNN) đã chứng tỏ hiệu quả vượt trội trong các bài toán phân đoạn khối u, giúp xác định ranh giới của tổn thương một cách chính xác. Nghiên cứu này tập trung vào việc cải tiến các kỹ thuật hiện có để nâng cao độ chính xác của mô hình AI, đặc biệt là trên bộ dữ liệu ảnh CT, góp phần vào nỗ lực phát hiện sớm ung thư tuyến tụy và cải thiện tiên lượng cho người bệnh.

1.1. Ung thư tuyến tụy Thách thức trong việc chẩn đoán sớm

Ung thư tuyến tụy là một căn bệnh nguy hiểm với tỷ lệ tử vong cao, chủ yếu do việc phát hiện bệnh ở giai đoạn muộn. Tuyến tụy có vị trí nằm sâu sau dạ dày, khiến các triệu chứng ban đầu như đau bụng, vàng da thường bị nhầm lẫn với các bệnh lý tiêu hóa khác. Khi các triệu chứng trở nên rõ ràng, khối u thường đã phát triển lớn hoặc di căn sang các cơ quan khác. Việc chẩn đoán hình ảnh y tế qua siêu âm, CT, MRI là phương pháp chính nhưng cũng đối mặt nhiều thách thức. Kích thước nhỏ của tuyến tụy (khoảng 80 gram) và sự tương phản thấp với các mô xung quanh trên ảnh CT gây khó khăn cho việc xác định các tổn thương nhỏ. Quá trình này đòi hỏi kinh nghiệm dày dặn của bác sĩ chẩn đoán hình ảnh và tốn nhiều thời gian. Do đó, việc tìm kiếm một giải pháp tự động hóa để phát hiện sớm ung thư tuyến tụy là cực kỳ cấp thiết, nhằm tăng cơ hội điều trị thành công.

1.2. Vai trò của học sâu trong phân tích ảnh y khoa

Công nghệ học sâu trong y tế (Deep Learning) đang tạo ra một cuộc cách mạng trong lĩnh vực phân tích ảnh y khoa. Các mô hình học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), có khả năng tự động học các đặc trưng phức tạp từ dữ liệu hình ảnh mà không cần sự can thiệp của con người. Trong bài toán phân loại tổn thương tuyến tụy, các mô hình này có thể phân tích hàng trăm lát cắt từ một ảnh CT 3D, xác định các vùng bất thường với độ chính xác cao. Khác với các phương pháp truyền thống, Deep Learning có thể nhận diện các mẫu và kết cấu tinh vi mà mắt thường khó phân biệt. Các kiến trúc như U-Net đã được chứng minh là cực kỳ hiệu quả cho nhiệm vụ phân đoạn khối u, cho phép khoanh vùng chính xác vị trí và kích thước của khối u, cung cấp thông tin quan trọng cho việc lập kế hoạch phẫu thuật hoặc xạ trị. Sự ra đời của các hệ thống hỗ trợ chẩn đoán bằng máy tính (CAD) dựa trên AI hứa hẹn sẽ trở thành công cụ đắc lực cho các bác sĩ.

II. Khó khăn chính khi dùng AI để phân đoạn khối u tuyến tụy

Mặc dù sở hữu tiềm năng to lớn, việc áp dụng các mô hình Deep Learning để nhận diện khối u bên trong tuyến tụy vẫn đối mặt với nhiều rào cản kỹ thuật đáng kể. Thách thức lớn nhất xuất phát từ chính bản chất của dữ liệu y tế. Khối u tuyến tụy có hình dạng, kích thước và vị trí rất đa dạng giữa các bệnh nhân và các giai đoạn bệnh khác nhau. Sự biến đổi hình học này đòi hỏi mô hình phải có khả năng khái quát hóa cực kỳ tốt. Hơn nữa, trên các ảnh CT, ranh giới giữa khối u và mô tuyến tụy khỏe mạnh, hoặc giữa tuyến tụy và các cơ quan lân cận, thường không rõ ràng. Vấn đề nhiễu và độ phân giải của hình ảnh cũng ảnh hưởng trực tiếp đến hiệu suất của thuật toán. Một thách thức khác là sự mất cân bằng dữ liệu, khi số lượng pixel thuộc lớp 'khối u' thường ít hơn rất nhiều so với các pixel nền. Điều này có thể khiến mô hình thiên vị, dự đoán tốt trên các lớp đa số nhưng lại kém hiệu quả trong việc phát hiện các tổn thương nhỏ. Việc giải quyết các vấn đề này đòi hỏi các kỹ thuật tiền xử lý ảnh y tế phức tạp và các kiến trúc mô hình được thiết kế chuyên biệt để đảm bảo tính ổn định và độ chính xác của mô hình AI.

2.1. Vấn đề biến dạng hình học của tuyến tụy và khối u

Tuyến tụy và khối u là các đối tượng có sự biến đổi lớn về hình dạng và kích thước. Khối u có thể xâm lấn vào các mô xung quanh, tạo ra các đường viền bất quy tắc và không đồng nhất. Các mô hình CNN truyền thống với các nhân tích chập cố định gặp khó khăn trong việc mô hình hóa các biến đổi hình học phức tạp này. Nhiều nghiên cứu trước đây đã đề xuất sử dụng các lớp tích chập biến dạng (Deformable Convolution) để giải quyết vấn đề này, điển hình như mô hình DLU-Net và PGD-UNet. Các lớp này cho phép mạng tự học cách điều chỉnh lưới lấy mẫu của nhân tích chập để thích ứng với hình dạng thực tế của đối tượng. Tuy nhiên, phương pháp này làm tăng độ phức tạp tính toán và đòi hỏi một lượng lớn dữ liệu để học các tham số offset một cách hiệu quả. Đây vẫn là một trong những bài toán cốt lõi cần giải quyết để cải thiện khả năng phân đoạn khối u một cách chính xác.

2.2. Sự phức tạp của ảnh CT và yêu cầu tiền xử lý dữ liệu

Dữ liệu ảnh CT ổ bụng chứa rất nhiều cơ quan nội tạng với các dải cường độ Hounsfield (HU) khác nhau. Tuyến tụy là một cơ quan nhỏ và thường bị che khuất bởi các cơ quan lớn hơn như gan, dạ dày. Điều này tạo ra một lượng lớn thông tin nhiễu, làm loãng các đặc trưng quan trọng của khối u. Do đó, giai đoạn tiền xử lý ảnh y tế đóng một vai trò sống còn. Các kỹ thuật như chuẩn hóa cường độ, lọc nhiễu, và đặc biệt là trích xuất vùng quan tâm (Region of Interest - ROI) là bắt buộc. Việc chỉ tập trung vào vùng chứa tuyến tụy và khối u giúp giảm gánh nặng tính toán cho mô hình và cho phép nó học các đặc trưng liên quan một cách hiệu quả hơn. Thêm vào đó, việc tăng cường dữ liệu (data augmentation), chẳng hạn như lật, xoay, hoặc thay đổi độ sáng, là cần thiết để làm phong phú thêm bộ dữ liệu huấn luyện, giúp mô hình chống lại hiện tượng quá khớp (overfitting) và tăng khả năng khái quát hóa trên các dữ liệu mới.

III. Phương pháp trích xuất vùng quan tâm nhận diện khối u

Để giải quyết bài toán biến dạng hình học và giảm nhiễu, nghiên cứu này đề xuất một phương pháp tiếp cận hiệu quả: trích xuất vùng quan tâm (ROI) trước khi đưa vào mô hình Deep Learning. Thay vì để mô hình xử lý toàn bộ ảnh CT ổ bụng, phương pháp này tập trung vào một cửa sổ nhỏ chỉ chứa các thông tin cần thiết nhất. Quy trình này giúp mô hình không bị phân tâm bởi các cơ quan không liên quan, từ đó cải thiện tốc độ hội tụ và độ chính xác. Quá trình bắt đầu bằng việc chuyển đổi dữ liệu ảnh CT 3D (định dạng NIFTI) thành một chuỗi các lát cắt 2D. Sau đó, dựa vào mặt nạ (mask) được gán nhãn sẵn, hệ thống sẽ tự động lọc ra những lát cắt có chứa cả tuyến tụy và khối u. Từ những lát cắt này, một thuật toán sẽ xác định tọa độ bao quanh tuyến tụy để tạo ra một cửa sổ ROI. Cửa sổ này sau đó được mở rộng một cách hợp lý để đảm bảo bao trọn cả khối u, vốn có thể xâm lấn ra ngoài ranh giới tuyến tụy. Cách tiếp cận này là một bước tiền xử lý ảnh y tế thông minh, giúp đơn giản hóa bài toán phân đoạn khối u và giảm đáng kể yêu cầu tính toán so với việc sử dụng các lớp tích chập biến dạng phức tạp.

3.1. Kỹ thuật chuyển đổi và chọn lọc các lát cắt 2D hiệu quả

Dữ liệu gốc từ máy chụp CT thường có định dạng 3D như NIFTI, chứa hàng trăm lát cắt (slices). Tuy nhiên, không phải lát cắt nào cũng chứa thông tin về khối u. Để tối ưu hóa quá trình huấn luyện, bước đầu tiên là chuyển đổi ảnh 3D và mặt nạ tương ứng thành tập hợp các ảnh 2D. Sau đó, một thuật toán sẽ duyệt qua từng lát cắt của mặt nạ. Lát cắt nào chứa các pixel được gán nhãn là 'khối u' (ví dụ, giá trị pixel bằng 2) sẽ được giữ lại cùng với lát cắt ảnh CT tương ứng. Những lát cắt chỉ chứa nền hoặc chỉ có mô tuyến tụy lành sẽ được loại bỏ. Quá trình chọn lọc này giúp giảm đáng kể khối lượng dữ liệu không liên quan, cho phép mô hình tập trung học các đặc trưng của tổn thương, đồng thời tiết kiệm tài nguyên tính toán và thời gian huấn luyện.

3.2. Cách xác định và mở rộng cửa sổ ROI chứa khối u

Sau khi đã có các lát cắt chứa khối u, bước tiếp theo là trích xuất vùng quan tâm. Dựa vào các pixel được gán nhãn 'tuyến tụy' và 'khối u' trên mặt nạ, thuật toán sẽ tính toán tọa độ nhỏ nhất và lớn nhất theo cả chiều ngang và chiều dọc để tạo ra một hộp giới hạn (bounding box). Hộp giới hạn này ban đầu chỉ bao quanh tuyến tụy. Tuy nhiên, do khối u có thể phát triển ra ngoài, nghiên cứu đề xuất mở rộng cửa sổ này ra bốn phía (trên, dưới, trái, phải) một khoảng cách nhất định. Việc mở rộng này đảm bảo rằng toàn bộ vùng tổn thương và một phần mô xung quanh được giữ lại, cung cấp ngữ cảnh cần thiết cho mô hình. Phương pháp này hiệu quả hơn việc xử lý toàn bộ ảnh 512x512, giúp mô hình tập trung vào các đặc trưng cục bộ quan trọng của bài toán phân loại tổn thương tuyến tụy.

IV. Cách mô hình U Net cải tiến phân đoạn khối u tuyến tụy

Nền tảng của giải pháp này là một mô hình thuật toán U-Net được tinh chỉnh và cải tiến. U-Net là một kiến trúc mạng nơ-ron tích chập (CNN) có cấu trúc đối xứng dạng encoder-decoder, rất nổi tiếng và hiệu quả trong các bài toán phân đoạn ảnh y tế. Phần encoder của mạng có nhiệm vụ trích xuất các đặc trưng phân cấp từ ảnh đầu vào bằng cách sử dụng các lớp tích chập và pooling, dần dần giảm kích thước không gian và tăng chiều sâu đặc trưng. Ngược lại, phần decoder sẽ khôi phục lại kích thước ban đầu của ảnh thông qua các lớp giải tích chập (up-convolutional), đồng thời tinh chỉnh lại ranh giới của đối tượng cần phân đoạn. Điểm đặc biệt của U-Net là các kết nối tắt (skip connections), giúp kết hợp thông tin đặc trưng từ các cấp độ khác nhau của encoder vào decoder. Điều này cho phép mô hình giữ lại được các chi tiết không gian bị mất trong quá trình pooling, giúp việc phân đoạn khối u trở nên chính xác hơn. Trong nghiên cứu này, mô hình U-Net gốc đã được cải tiến để phù hợp hơn với bài toán cụ thể.

4.1. Tối ưu kiến trúc U Net và vai trò của Batch Normalization

Mô hình U-Net được đề xuất có kích thước đầu vào là 128x128 pixel, được điều chỉnh từ các ROI đã trích xuất. Một cải tiến quan trọng là việc tích hợp lớp Batch Normalization (BN) sau mỗi lớp tích chập. Lớp BN có tác dụng chuẩn hóa đầu vào của mỗi lớp, giúp giải quyết vấn đề dịch chuyển hiệp phương sai nội bộ (internal covariate shift) trong quá trình huấn luyện. Điều này mang lại nhiều lợi ích: giúp mô hình hội tụ nhanh hơn, tăng tính ổn định, và cho phép sử dụng tốc độ học (learning rate) cao hơn. Việc tối ưu hóa này giúp giảm hiện tượng overfitting và cải thiện độ chính xác của mô hình AI. Kiến trúc tổng thể vẫn giữ nguyên cấu trúc encoder-decoder với 4 cấp độ, nhưng các tham số như số lượng bộ lọc đã được điều chỉnh để cân bằng giữa hiệu suất và chi phí tính toán.

4.2. Hàm Dice Loss Chìa khóa cho bài toán phân đoạn mất cân bằng

Để đánh giá và tối ưu hóa mô hình, nghiên cứu sử dụng hàm mất mát Dice Loss, một lựa chọn phổ biến và hiệu quả cho bài toán phân đoạn. Hàm mất mát này được xây dựng dựa trên hệ số tương đồng Dice (Dice Similarity Coefficient - DSC), một thước đo mức độ chồng chéo giữa vùng dự đoán và vùng thực tế. Công thức Dice Loss là 1 - DSC. So với các hàm mất mát truyền thống như Cross-Entropy, Dice Loss hoạt động tốt hơn trong các trường hợp dữ liệu mất cân bằng, khi mà số lượng pixel của đối tượng cần phân đoạn (khối u) nhỏ hơn nhiều so với nền. Bằng cách tối ưu hóa trực tiếp chỉ số DSC, mô hình được khuyến khích tập trung vào việc cải thiện sự trùng khớp về mặt không gian, từ đó tạo ra kết quả phân đoạn khối u chính xác và liền mạch hơn.

V. Đánh giá hiệu quả mô hình nhận diện khối u trên dữ liệu

Hiệu quả của phương pháp đề xuất được kiểm chứng thông qua thực nghiệm trên bộ dữ liệu công khai Medical Segmentation Decathlon (MSD). Đây là một tập dữ liệu tiêu chuẩn, được sử dụng rộng rãi để đánh giá và so sánh các thuật toán phân đoạn hình ảnh y tế. Sau khi thực hiện các bước tiền xử lý ảnh y tế và trích xuất vùng quan tâm, thu được tổng cộng 2529 lát cắt chứa khối u. Dữ liệu này được chia thành tập huấn luyện, xác thực và kiểm thử. Mô hình U-Net cải tiến được huấn luyện trong 100 epoch với các tham số tối ưu. Kết quả được đánh giá bằng hai chỉ số chính: Dice Similarity Coefficient (DSC) và Mean Intersection over Union (Mean IOU). Đây là những thước đo tiêu chuẩn để lượng hóa mức độ chính xác của một hệ thống hỗ trợ chẩn đoán bằng máy tính (CAD). Kết quả thực nghiệm không chỉ cho thấy độ chính xác của mô hình AI mà còn được so sánh trực tiếp với các nghiên cứu tiên tiến khác trên cùng bộ dữ liệu.

5.1. Phân tích kết quả qua chỉ số DSC và Mean IOU

Kết quả trên tập dữ liệu kiểm thử cho thấy hiệu suất vượt trội của phương pháp. Chỉ số DSC đo lường sự tương đồng về diện tích, trong khi Mean IOU tính toán tỷ lệ giữa phần giao và phần hợp của vùng dự đoán và vùng thực tế. Theo kết quả được báo cáo trong khóa luận, mô hình đạt được giá trị DSC trung bình trên khối u là 0.953 (95.3%). Đây là một con số rất ấn tượng, cho thấy vùng khối u do mô hình dự đoán có độ tương đồng rất cao so với nhãn thực tế do chuyên gia cung cấp. Tương tự, chỉ số Mean IOU trên khối u cũng đạt 0.914 (91.4%). Những con số này khẳng định rằng sự kết hợp giữa phương pháp trích xuất vùng quan tâm và mô hình U-Net cải tiến đã mang lại hiệu quả cao trong việc phân đoạn khối u một cách chính xác.

5.2. So sánh hiệu suất với các mô hình DLU Net và PGD UNet

Để khẳng định tính ưu việt, kết quả của phương pháp đề xuất được so sánh với các mô hình hiện đại khác đã công bố kết quả trên cùng tập dữ liệu MSD. Cụ thể, mô hình DLU-Net, sử dụng các lớp tích chập biến dạng và cấu trúc BConvLSTM, đạt được DSC trung bình là 91.12%. Mô hình PGD-UNet cũng đạt kết quả DSC trung bình cho tuyến tụy và khối u lần lượt là 81.39% và 77.12%. Trong khi đó, phương pháp đề xuất với DSC đạt 95.3% đã vượt qua các đối thủ này một cách đáng kể. Sự thành công này cho thấy rằng việc đơn giản hóa bài toán thông qua trích xuất đặc trưng thông minh và tối ưu hóa một kiến trúc nền tảng như U-Net có thể mang lại hiệu quả cao hơn so với việc sử dụng các kiến trúc phức tạp để xử lý trực tiếp ảnh gốc. Điều này chứng tỏ tiềm năng lớn của phương pháp trong các ứng dụng thực tiễn.

VI. Tiềm năng và hướng phát triển tương lai của AI chẩn đoán

Nghiên cứu này đã chứng minh thành công của việc áp dụng mô hình nhận diện khối u bên trong tuyến tụy bằng mô hình Deep Learning, với độ chính xác vượt trội so với các phương pháp trước đó. Sự kết hợp giữa kỹ thuật tiền xử lý ảnh y tế thông minh và kiến trúc U-Net được tối ưu hóa đã giải quyết hiệu quả các thách thức về biến dạng hình học và nhiễu dữ liệu. Kết quả DSC 95.3% là một minh chứng rõ ràng cho tiềm năng của trí tuệ nhân tạo trong chẩn đoán ung thư. Tuy nhiên, phương pháp vẫn còn một số hạn chế nhất định. Việc trích xuất vùng quan tâm hiện tại vẫn phụ thuộc vào mặt nạ có sẵn, tức là cần có sự can thiệp ban đầu. Hướng phát triển trong tương lai sẽ tập trung vào việc tự động hóa hoàn toàn quy trình này. Xa hơn nữa, việc tích hợp các mô hình này vào một hệ thống hỗ trợ chẩn đoán bằng máy tính (CAD) hoàn chỉnh sẽ là bước đi quan trọng để đưa công nghệ này vào ứng dụng lâm sàng, hỗ trợ đắc lực cho các bác sĩ trong cuộc chiến chống lại ung thư tuyến tụy.

6.1. Tổng kết đóng góp và hạn chế của phương pháp đề xuất

Đóng góp chính của khóa luận là đề xuất một quy trình hiệu quả và ít tốn kém tài nguyên tính toán để phân đoạn khối u tuyến tụy với độ chính xác cao. Thay vì dùng các lớp tích chập biến dạng phức tạp, phương pháp tập trung vào việc trích xuất vùng quan tâm, giúp mô hình học tốt hơn. Việc cải tiến mô hình U-Net bằng cách thêm lớp Batch Normalization cũng góp phần tăng tốc độ và sự ổn định khi huấn luyện. Tuy nhiên, hạn chế lớn nhất là sự phụ thuộc vào mặt nạ đã gán nhãn để xác định vùng quan tâm. Điều này có nghĩa là hệ thống chưa thể hoạt động hoàn toàn tự động trên một ảnh CT thô mà chưa có bất kỳ thông tin nào. Đây là một rào cản cho việc áp dụng thực tiễn và cần được cải thiện trong các nghiên cứu tiếp theo.

6.2. Hướng đi tương lai Tự động hóa và ứng dụng lâm sàng

Hướng phát triển trong tương lai rất rõ ràng: xây dựng một hệ thống end-to-end hoàn toàn tự động. Điều này có thể được thực hiện bằng một quy trình hai giai đoạn: Giai đoạn một, một mô hình sẽ tự động định vị và phân đoạn toàn bộ tuyến tụy từ ảnh CT ổ bụng. Giai đoạn hai, đầu ra của mô hình thứ nhất sẽ được sử dụng làm đầu vào cho mô hình phân đoạn khối u đã được trình bày. Ngoài ảnh CT, việc mở rộng nghiên cứu trên các loại ảnh khác như ảnh cộng hưởng từ (MRI) cũng là một hướng đi tiềm năng. Cuối cùng, để có thể ứng dụng vào thực tế, cần phát triển các công cụ giải thích (explainable AI) để giúp các bác sĩ hiểu được tại sao mô hình lại đưa ra dự đoán như vậy, từ đó tăng cường sự tin cậy và hợp tác hiệu quả giữa con người và máy móc trong việc phát hiện sớm ung thư tuyến tụy.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Ung thư tuyến tụy là bệnh lý ác tính xảy ra tại các mô của tuyến tụy – cơ quan nội tiết và ngoại tiết nằm sâu trong ổ bụng, phía sau dạ dày và tiếp giáp túi mật. Tuyến tụy giữ chức năng tiết các enzyme tiêu hóa và hormone điều hòa đường huyết. Khi xuất hiện tế bào ung thư, các tế bào này nhân bản nhanh chóng và xâm lấn sang các mô xung quanh. Thống kê của Tổ chức Y tế Thế giới (WHO) cho thấy ung thư tuyến tụy đứng hàng thứ 14 về tỷ lệ mắc nhưng đứng thứ 7 về tỷ lệ tử vong trong số các bệnh ung thư. Tỷ lệ sống sót trung bình sau 5 năm của bệnh nhân chỉ đạt khoảng 9,3%. Do tỷ lệ tái phát sau phẫu thuật cao, thời gian sống trung bình của bệnh nhân sau mổ thường chỉ kéo dài 2–3 năm, và bệnh nhân phát hiện ở giai đoạn cuối thường có thời gian sống dưới 1 năm.

Về mặt bệnh học, ung thư tuyến tụy có nguồn gốc chủ yếu từ mô ngoại tuyến, bao gồm ba dạng chính:

• Ung thư biểu mô tuyến: dạng phổ biến nhất, bắt nguồn từ các tuyến tiết dịch, tiến triển âm thầm và thường chỉ được phát hiện ở giai đoạn muộn.
• Ung thư nang: bắt đầu từ tế bào nang túi quanh tuyến tụy, là dạng hiếm gặp nhưng có mức độ nguy hiểm cao khi các nang chứa dịch chuyển thành ác tính.
• Ung thư tế bào Acinar: phát triển tại các tế bào sản xuất enzyme tiêu hóa, đòi hỏi phác đồ chẩn đoán và can thiệp chuyên biệt.

Việc chẩn đoán sớm ung thư tuyến tụy qua hình ảnh cắt lớp vi tính (CT), cộng hưởng từ (MRI) hoặc siêu âm gặp nhiều trở ngại do tuyến tụy có khối lượng rất nhỏ (khoảng 80 gram), hình dạng giống cây nấm (đầu nằm bên phải, thân và đuôi nằm bên trái) và nằm ở vị trí giải phẫu rất sâu trong ổ bụng, tiếp giáp nhiều mạch máu lớn và cơ quan nội tạng khác. Hình ảnh khối u thường mờ nhạt, biến dạng phức tạp và chồng chéo lên mô tụy lành, dẫn đến thời gian chẩn đoán kéo dài và tạo áp lực lớn cho bác sĩ chẩn đoán hình ảnh. Việc ứng dụng học sâu (Deep Learning) nhằm tự động hóa phân đoạn khối u trên ảnh chụp CT là hướng đi cấp thiết để rút ngắn thời gian chẩn đoán và tăng độ chuẩn xác cho quá trình điều trị.

Khóa luận xác định các mục tiêu nghiên cứu cụ thể như sau:

1. Nghiên cứu các phương pháp trích xuất tuyến tụy và vùng chứa khối u; đề xuất giải pháp trích xuất vùng quan tâm (Region of Interest - ROI) mở rộng cửa sổ nhằm triệt tiêu các vùng nhiễu thông tin ngoài vùng bệnh học.
2. Khảo sát kiến trúc mạng U-Net trong phân đoạn ảnh y tế, thực hiện tinh chỉnh và cải tiến mô hình U-Net (bổ sung các lớp Batch Normalization, chuẩn hóa tham số đầu vào) nhằm nâng cao hệ số tương đồng Dice (DSC) và rút ngắn thời gian huấn luyện.
3. Thực nghiệm, đánh giá và đối sánh hiệu năng của mô hình đề xuất trên bộ dữ liệu ảnh y tế chuẩn quốc tế Medical Segmentation Decathlon (MSD).

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Dữ liệu ảnh CT ổ bụng 3D định dạng NIFTI và các lát cắt 2D chứa cấu trúc giải phẫu tuyến tụy cùng khối u biểu mô tuyến tụy.
• Phạm vi nghiên cứu: Giới hạn trên bộ dữ liệu công khai Medical Segmentation Decathlon (MSD) gồm 420 ca bệnh; sử dụng các chỉ số đánh giá độ tương đồng Dice (DSC) và Mean Intersection over Union (Mean IOU); việc xác định vùng quan tâm ban đầu dựa trên thông tin tọa độ của mặt nạ gán nhãn thực (ground truth mask).

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Khóa luận xây dựng trên các nền tảng lý thuyết xử lý ảnh y tế và các mô hình mạng nơ-ron tích chập (CNN):

• Đặc tính ảnh CT ổ bụng: Ảnh CT được tái tạo từ quá trình quét tia X đa góc độ thành cấu trúc 3D với kích thước không gian $(x, y, z)$. Mật độ tế bào và mô được lượng hóa qua thang đơn vị Hounsfield (HU) dựa trên hệ số hấp thụ bức xạ của nước ($0\text{ HU}$), không khí ($-1000\text{ HU}$) và xương ($3000\text{ HU}$). Dữ liệu ảnh gốc được lưu trữ theo tiêu chuẩn NIFTI (.nii hoặc .nii.gz).
• Tổng quan các mô hình phân đoạn ảnh:
  • Mạng tích chập hoàn toàn (FCN): Thay thế các lớp kết nối đầy đủ (fully connected) bằng các lớp tích chập và tích chập chuyển vị (transposed convolution), tuy nhiên còn tiêu tốn tài nguyên và hạn chế trong việc bảo toàn quan hệ không gian phức tạp.
  • Mạng U-Net tiêu chuẩn: Kiến trúc đối xứng encoder-decoder gồm 4 tầng tích chập và 4 tầng giải tích chập, kết hợp các đường truyền tắt (skip connections) giúp giữ lại thông tin không gian chi tiết từ encoder sang decoder.
  • Mạng Hyper-Pairing Network (HPN): Áp dụng tích chập 3D để kết hợp thông tin đa giai đoạn, song gặp khó khăn trong việc mô hình hóa các biến dạng lớn của tổn thương.
  • Mạng DLU-Net: Cải tiến từ U-Net bằng cách tích hợp các lớp tích chập biến dạng (deformable convolution) và khối Bidirectional Convolutional Long Short-Term Memory (BConvLSTM) tại decoder để nắm bắt đặc trưng biến đổi theo thời gian và không gian.
  • Mạng PGD-UNet: Kết hợp U-Net với tích chập biến dạng, lớp định vị phụ trợ CoordPool, CoordConv và lớp Atrous Spatial Pyramid Pooling (ASPP) nhằm trích xuất đặc trưng đa tỷ lệ và định vị cấu trúc giải phẫu.
  • Phương pháp Coarse-to-Fine: Tiếp cận hai giai đoạn gồm định vị thô toàn cục bằng CNN và phân đoạn chi tiết cục bộ bằng biến thể U-Net.

Phương pháp nghiên cứu thực nghiệm được triển khai theo các bước:

• Phương pháp trích xuất vùng quan tâm: Dựa trên ý tưởng mô hình nhãn có cấu trúc của Quannan Li và cộng sự, khóa luận xác định tọa độ biên nhỏ nhất và lớn nhất của tuyến tụy trên mặt nạ: $$\text{left_node} = (\min(i), \min(j)) \quad \text{và} \quad \text{right_node} = (\max(i), \max(j))$$ Sau đó, thực hiện mở rộng cửa sổ đều ra bốn phía nhằm bao trọn toàn bộ khối u và các mô xâm lấn lân cận mà không cần dùng đến các lớp tích chập biến dạng phức tạp.
• Kỹ thuật làm giàu dữ liệu (Data Augmentation): Áp dụng phép lật ngang và lật dọc đồng thời trên lát cắt ảnh và mặt nạ tương ứng nhằm khắc phục hiện tượng quá khớp (overfitting).
• Hàm mất mát và độ đo đánh giá:
  • Hệ số tương đồng Dice (DSC): $$\text{DSC} = \frac{2|A \cap B|}{|A| + |B|}$$ Trong đó $A$ là tập điểm ảnh dự đoán và $B$ là tập điểm ảnh nhãn thực tế.
  • Hàm mất mát Dice Loss: $$\text{Dice Loss} = 1 - \frac{2|A \cap B|}{|A| + |B|}$$
  • Độ đo Mean IOU: Tính trung bình tỷ lệ diện tích giao trên diện tích hợp của từng lớp dựa trên các giá trị True Positive (TP), False Positive (FP) và False Negative (FN): $$\text{IOU} = \frac{\text{TP}}{\text{TP} + \text{FP} + \text{FN}}$$

---

Thiết kế và triển khai mô hình

Hệ thống phân đoạn thực nghiệm được thiết kế và triển khai qua các giai đoạn kỹ thuật cụ thể:

[Ảnh CT 3D (NIFTI)] 
[Chuyển đổi lát cắt 2D & Lọc lát cắt chứa khối u]
[Trích xuất ROI mở rộng cửa sổ 4 phía]
[Lưu trữ ma trận NumPy (.npy)] 
[Phân chia tập: Train 64% - Val 16% - Test 20%]
[Làm giàu dữ liệu: Lật ngang, lật dọc]
[Huấn luyện mạng U-Net cải tiến (Batch Size = 32, 50 Epochs)]
[Đầu ra phân loại 3 lớp qua Softmax: Nền, Tuyến tụy, Khối u]

Kiến trúc chi tiết của mô hình U-Net cải tiến

• Đầu vào mô hình: Lát cắt ảnh đơn kênh sau trích xuất vùng quan tâm có kích thước $(128, 128, 1)$.
• Nhánh Encoder: Gồm 4 tầng giảm mẫu. Mỗi tầng gồm 2 lớp tích chập liên tiếp sử dụng nhân chập kích thước $3 \times 3$, bước trượt (stride) bằng 1, kèm theo hàm kích hoạt ReLU. Ngay sau mỗi lớp tích chập, một lớp Batch Normalization (BN) được tích hợp để chuẩn hóa phân phối dữ liệu đầu vào giữa các lớp, giảm hiện tượng triệt tiêu gradient (vanishing gradient) và tăng tính ổn định của quá trình hội tụ. Cuối mỗi tầng là lớp Max Pooling kích thước $2 \times 2$ để giảm kích thước không gian. Số lượng bộ lọc (filters) khởi đầu từ 32 ở tầng 1, sau đó nhân đôi qua từng tầng tiếp theo lần lượt là 64, 128, 256 và đạt 512 ở đáy mạng.
• Nhánh Decoder: Gồm 4 tầng tăng mẫu tương ứng. Mỗi tầng sử dụng một lớp tích chập chuyển vị (Up-convolution / Transposed Convolution) kích thước $2 \times 2$ để nhân đôi kích thước không gian, sau đó ghép nối (skip connection) trực tiếp với bản đồ đặc trưng tương ứng từ nhánh Encoder. Tiếp theo là 2 lớp tích chập $3 \times 3$ kèm BN và ReLU với số bộ lọc giảm dần một nửa qua từng tầng.
• Đầu ra mô hình: Tầng cuối cùng sử dụng hàm kích hoạt Softmax để tính toán phân phối xác suất cho 3 kênh đầu ra $(128, 128, 3)$, tương ứng với 3 lớp phân loại: nền (background - giá trị 0), tuyến tụy (pancreas - giá trị 1) và khối u (cancer - giá trị 2).

Thiết lập môi trường và quy trình huấn luyện

• Tiền xử lý dữ liệu: Từ dữ liệu NIFTI gốc kích thước lát cắt $512 \times 512$, hệ thống quét qua trục $z$ để chọn lọc các lát cắt chứa đầy đủ cả 3 nhãn. Kết quả thu được 2.529 lát cắt và mặt nạ hợp lệ, được chuyển đổi và lưu trữ dưới định dạng .npy thông qua thư viện NumPy trong môi trường Python.
• Phân chia dữ liệu: Dữ liệu được chia thành 20% cho tập kiểm thử độc lập (Test set) và 80% cho quá trình phát triển mô hình. Trong 80% này, tỷ lệ tiếp tục được phân bổ là 80% cho tập huấn luyện (Training set, tương đương 64% tổng dữ liệu) và 20% cho tập xác thực (Validation set, tương đương 16% tổng dữ liệu).
• Tham số huấn luyện: Pipeline nạp dữ liệu với kích thước lô (batch size) bằng 32; áp dụng hàm xáo trộn dữ liệu (shuffle) ở mỗi chu kỳ; mô hình được huấn luyện qua 50 lần đào tạo (epochs), tối ưu hóa trực tiếp bằng hàm mất mát Dice Loss.

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương mở đầu trình bày tổng quan về bệnh lý ung thư biểu mô tuyến tụy, các số liệu dịch tễ học của WHO và những thách thức giải phẫu trong chẩn đoán hình ảnh y tế. Tác giả xác định rõ mục tiêu nghiên cứu, nội dung thực hiện gồm 4 bước chính, các giới hạn nghiên cứu về mặt dữ liệu và phương pháp đánh giá, đồng thời nêu bật 2 đóng góp chính về mặt khoa học (đề xuất phương pháp trích xuất ROI mở rộng cửa sổ và kiến trúc U-Net cải tiến) cùng đóng góp thực tiễn (đạt độ chính xác vượt trội trên tập dữ liệu chuẩn MSD).

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

Chương 2 phân tích cơ sở lý thuyết về các kiến trúc mạng nơ-ron phân đoạn ảnh từ FCN, U-Net đến các mô hình chuyên biệt cho tuyến tụy:

• Đánh giá kiến trúc DLU-Net: Phân tích cơ chế tích hợp deformable convolution tại encoder và BConvLSTM tại decoder, đạt giá trị DSC trung bình 91,12% trên MSD.
• Đánh giá kiến trúc PGD-UNet: Làm rõ cấu trúc kết hợp CoordPool, Deformable Conv và ASPP giúp bảo toàn biến đổi hình học, đạt giá trị DSC 77,12% cho tuyến tụy và khối u.
• Khảo sát mô hình HPN và phương pháp Coarse-to-Fine (đạt DSC trung bình 63%). Chương kết luận rằng dù các nghiên cứu trước đã áp dụng tích chập biến dạng để xử lý biến đổi hình học, chi phí tính toán vẫn cao và độ chính xác vẫn còn dư địa để cải thiện.

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

Chương 3 thiết lập cơ sở phương pháp luận của đề tài:

• Trình bày nguyên lý tạo ảnh CT và cấu trúc dữ liệu 3D dựa trên thang đo Hounsfield.
• Chi tiết hóa thuật toán trích xuất vùng quan tâm: Thay vì sử dụng các lớp tích chập biến đổi hình học phức tạp, đề tài tính toán tọa độ cực trị $(\min(i), \min(j))$ và $(\max(i), \max(j))$ trên mặt nạ nhãn thực rồi mở rộng không gian 4 phía để giữ trọn vùng khối u.
• Xây dựng quy trình làm giàu dữ liệu bằng lật ảnh ngang/dọc trên các tệp .npy.
• Đặc tả kiến trúc mạng U-Net cải tiến: Cấu hình đầu vào $(128, 128, 1)$, bổ sung lớp Batch Normalization sau mỗi tầng tích chập $3 \times 3$, cấu hình bộ lọc từ 32 đến 512 và đầu ra 3 kênh Softmax $(128, 128, 3)$ kết hợp hàm mục tiêu Dice Loss.

Chương 4: Kết quả thực nghiệm

Chương 4 mô tả toàn bộ quá trình thực nghiệm và lượng hóa kết quả:

• Tiền xử lý 420 ca bệnh từ MSD, trích xuất 2.529 lát cắt 2D chuẩn định dạng .npy, phân chia tập Train/Val/Test theo tỷ lệ $64% - 16% - 20%$.
• Huấn luyện mô hình với batch size 32 trong 50 chu kỳ; giá trị Dice Loss trên tập xác thực đạt mức tối ưu 0,0944 (sau 50 chu kỳ mô hình đạt trạng thái bão hòa).
• Đánh giá trên tập kiểm thử: Ghi nhận phân tích trên 10 lát cắt liên tiếp, chỉ số Mean IOU của một lát cắt ngẫu nhiên đạt 0,93; giá trị DSC trung bình trên khối u đạt 95,3% (0,953).
• Lập bảng so sánh đối sánh hiệu năng với DLU-Net, PGD-UNet và Coarse-to-Fine.

Chương 5: Tổng kết

Chương 5 tổng kết toàn bộ các kết quả đạt được, phân tích ưu điểm của việc kết hợp trích xuất ROI và U-Net tối ưu tham số. Tác giả thẳng thắn chỉ ra điểm hạn chế cốt lõi là quá trình trích xuất ROI vẫn phụ thuộc vào mặt nạ gán nhãn thực; từ đó vạch ra các hướng phát triển trong tương lai như tự động hóa hoàn toàn định vị tuyến tụy hai giai đoạn, mở rộng sang dữ liệu ảnh MRI và xây dựng công cụ giải thích mô hình (Explainable AI).

---

Kết quả và đóng góp

Kết quả thực nghiệm chính

Quá trình huấn luyện mô hình U-Net cải tiến với dữ liệu sau trích xuất vùng quan tâm cho thấy tốc độ hội tụ nhanh. Tại chu kỳ thứ 50, hàm mất mát Dice Loss trên tập xác thực giảm xuống mức 0,0944. Trên tập kiểm thử độc lập, mô hình đạt được hiệu năng phân đoạn vượt trội với giá trị DSC trung bình của khối u đạt 95,3% (tương đương 0,953).

Phương pháp nghiên cứu	Cơ chế xử lý chính	Giá trị DSC trung bình của khối u (%)
Coarse-to-Fine (Wang Zhisheng và cs., 2020)	CNN thô kết hợp U-Net tinh chỉnh hai giai đoạn	63,00%
PGD-UNet (Ziqiang Li và cs., 2020)	U-Net kết hợp CoordPool, Deformable Conv, ASPP	77,12%
DLU-Net (Feng Jiang và cs., 2020)	U-Net kết hợp Deformable Conv và BConvLSTM	91,12%
Phương pháp đề xuất của khóa luận	Trích xuất ROI mở rộng cửa sổ + U-Net bổ sung Batch Normalization	95,30%

Đóng góp về mặt khoa học

• Đề xuất quy trình tiền xử lý trích xuất vùng quan tâm (ROI) dựa trên cấu trúc nhãn thực và kỹ thuật mở rộng cửa sổ bốn phía. Giải pháp này thay thế hiệu quả các khối tích chập biến dạng phức tạp, loại bỏ phần lớn thông tin nhiễu từ các cơ quan không liên quan trong ổ bụng mà vẫn bảo toàn đầy đủ ranh giới khối u.
• Tinh chỉnh cấu trúc mạng U-Net truyền thống bằng cách thu gọn kích thước ảnh đầu vào về $128 \times 128 \times 1$, tích hợp lớp Batch Normalization đồng bộ sau mỗi lớp tích chập và tối ưu hóa số lượng bộ lọc. Cải tiến này giúp ổn định phân phối tín hiệu truyền qua các tầng, triệt tiêu hiện tượng vanishing gradient, giảm tải số lượng tham số tính toán và nâng cao tốc độ hội tụ.

Đóng góp về mặt thực tiễn

• Kiểm chứng thành công phương pháp trên bộ dữ liệu chuẩn quốc tế Medical Segmentation Decathlon (MSD) với kết quả DSC đạt 95,3%, cao hơn các công bố quốc tế tiêu biểu trên cùng tập dữ liệu (DLU-Net đạt 91,12%, PGD-UNet đạt 77,12%).
• Cung cấp mô hình phân đoạn tự động có độ tin cậy cao, hỗ trợ giảm áp lực thời gian và sai sót thị giác cho bác sĩ trong công tác sàng lọc khối u tuyến tụy trên ảnh chụp CT.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của khóa luận

• Quá trình trích xuất vùng quan tâm (ROI) để huấn luyện và kiểm thử vẫn dựa trên tọa độ tính toán từ mặt nạ nhãn thực (ground truth mask) do chuyên gia y tế gán nhãn, chưa thể tự động định vị tuyến tụy trực tiếp từ ảnh CT ổ bụng thô chưa có nhãn.
• Nghiên cứu mới chỉ thực nghiệm trên một tập dữ liệu duy nhất là Medical Segmentation Decathlon (MSD), chưa đánh giá trên các nguồn dữ liệu đa trung tâm khác.
• Phạm vi đánh giá thuật toán giới hạn ở phương thức chụp cắt lớp vi tính (CT), chưa mở rộng kiểm thử trên các dạng ảnh y tế khác như ảnh cộng hưởng từ (MRI) hay PET-CT.

Hướng phát triển tiếp theo

• Xây dựng mô hình học sâu hai giai đoạn hoàn chỉnh: giai đoạn 1 tự động định vị và phân đoạn toàn bộ tuyến tụy từ ảnh CT thô, giai đoạn 2 tự động cắt vùng quan tâm và phân đoạn chi tiết khối u bên trong.
• Thu thập và mở rộng kiểm thử mô hình trên các tập dữ liệu CT và MRI đa dạng từ nhiều cơ sở y tế nhằm tăng cường tính tổng quát hóa.
• Phát triển các công cụ hỗ trợ phân tích và kỹ thuật học sâu có thể giải thích (Explainable AI - XAI), giúp trực quan hóa cơ chế ra quyết định của mạng nơ-ron nhằm tăng độ tin cậy khi triển khai trong môi trường lâm sàng thực tế.

---

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo hữu ích cho các nhóm đối tượng và định hướng nghiên cứu sau:

• Sinh viên và học viên chuyên ngành Khoa học máy tính, Công nghệ thông tin và Kỹ thuật Y sinh: Cung cấp tài liệu tham khảo chi tiết về quy trình xử lý dữ liệu ảnh y tế 3D NIFTI, kỹ thuật chuyển đổi lát cắt 2D và cách cấu hình pipeline huấn luyện học sâu bằng Python/NumPy.
• Người nghiên cứu bài toán phân đoạn ảnh y tế: Đáng tham khảo ở giải pháp tiền xử lý dữ liệu thực dụng (trích xuất ROI mở rộng cửa sổ thay cho deformable convolution) và cách tinh chỉnh kiến trúc U-Net (thêm Batch Normalization, cấu hình hàm Dice Loss) để giải quyết bài toán mất cân bằng dữ liệu lớp nghiêm trọng trong phân đoạn khối u.
• Các kỹ sư phát triển hệ thống CAD (Computer-Aided Diagnosis): Tham khảo các chỉ số thực nghiệm đối sánh rõ ràng giữa các kiến trúc mạng (U-Net, DLU-Net, PGD-UNet, Coarse-to-Fine) trên tập dữ liệu chuẩn MSD.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng bộ dữ liệu nào và quy mô dữ liệu sau tiền xử lý là bao nhiêu?

Khóa luận sử dụng bộ dữ liệu công khai Medical Segmentation Decathlon (MSD) gồm 420 bệnh nhân mắc ung thư biểu mô tuyến tụy với ảnh chụp CT ổ bụng định dạng NIFTI kích thước $512 \times 512$. Sau khi quét lọc các lát cắt chứa đầy đủ cả 3 thành phần (nền, tuyến tụy và khối u), tác giả thu được 2.529 lát cắt 2D và mặt nạ tương ứng dưới định dạng .npy.

2. Mô hình U-Net cải tiến trong khóa luận có những điểm khác biệt kỹ thuật nào so với U-Net truyền thống?

Mô hình U-Net cải tiến có kích thước đầu vào được chuẩn hóa về $128 \times 128 \times 1$, khởi tạo với 32 bộ lọc ở tầng đầu và tăng dần lên 512 ở đáy mạng. Điểm cải tiến quan trọng là bổ sung một lớp Batch Normalization (BN) ngay sau mỗi lớp tích chập $3 \times 3$ kèm hàm kích hoạt ReLU để ổn định phân phối dữ liệu, giảm hiện tượng vanishing gradient. Tầng đầu ra sử dụng hàm kích hoạt Softmax để phân loại xác suất cho 3 kênh màu/lớp đối tượng riêng biệt (nền, tuyến tụy, khối u).

3. Phương pháp trích xuất vùng quan tâm (ROI) của tác giả hoạt động như thế nào để thay thế tích chập biến dạng?

Phương pháp xác định tọa độ cực trị nhỏ nhất $(\min(i), \min(j))$ và lớn nhất $(\max(i), \max(j))$ của tuyến tụy trên mặt nạ lát cắt, sau đó mở rộng cửa sổ đều ra bốn phía. Kỹ thuật này bao hàm trọn vẹn tuyến tụy cùng khối u biến dạng lân cận, loại bỏ tối đa các vùng ảnh nhiễu ngoài ổ bụng, giúp giảm khối lượng tính toán mà không cần sử dụng các lớp tích chập biến dạng (deformable convolution) phức tạp.

4. Kết quả phân đoạn khối u của mô hình đề xuất đạt bao nhiêu và cao hơn các nghiên cứu trước như thế nào?

Mô hình U-Net cải tiến kết hợp trích xuất ROI đạt hệ số tương đồng Dice (DSC) trung bình của khối u là 95,3% (0,953) trên tập kiểm thử MSD. Kết quả này vượt trội hơn các mô hình công bố trước đó trên cùng tập dữ liệu gồm DLU-Net (91,12%), PGD-UNet (77,12%) và phương pháp Coarse-to-Fine (63,00%).

5. Hạn chế kỹ thuật lớn nhất mà tác giả tự nhìn nhận trong khóa luận là gì?

Hạn chế lớn nhất là phương pháp trích xuất vùng quan tâm vẫn phụ thuộc vào việc tính toán tọa độ từ mặt nạ nhãn thực (ground truth mask) có sẵn. Mô hình chưa thực hiện được việc tự động phát hiện và khoanh vùng tuyến tụy từ ảnh CT ổ bụng ban đầu một cách hoàn toàn tự động khi không có nhãn hỗ trợ.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Đinh Trọng Luận đã giải quyết thành công bài toán phân đoạn tự động khối u biểu mô tuyến tụy trên ảnh CT ổ bụng thông qua việc kết hợp kỹ thuật trích xuất vùng quan tâm mở rộng cửa sổ và kiến trúc U-Net cải tiến tích hợp Batch Normalization. Kết quả thực nghiệm trên bộ dữ liệu chuẩn Medical Segmentation Decathlon (MSD) đạt chỉ số DSC ấn định ở mức 95,3%, vượt qua các nghiên cứu đối sánh như DLU-Net và PGD-UNet. Công trình đã phản ánh quy trình nghiên cứu thực nghiệm chặt chẽ, đóng góp giải pháp tiền xử lý tối ưu hóa tài nguyên tính toán và đặt nền tảng phương pháp luận rõ ràng cho các hướng phát triển hệ thống chẩn đoán y tế tự động hai giai đoạn trong tương lai.

Trích đoạn nội dung tài liệu

Chương 1. Mục tiêu của khóa luận. Nội dung thực hiện. Giới hạn của khóa luận.

Tóm tắt những đóng góp của khóa luận 13 1. Đồng góp về mặt khoa hoc. Đóng góp về mặt thực tiển. Tổ chức khóa luậi ¬ 14 Chương 2.

Các nghiên cứu ung thư biểu mô tuyến tụy. Téng quan các mô hình phân đoạn ảnh. Các mô hình phân đoạn ung thư biểu mô tuyển tụy. Mô hình DLU - Net trong phân đoạn khối u biểu mô tuyến: tụ 2.

Mô hình PGD ~ UNet trong phân đoạn khối u biểu mô tuyến tụy 2. Kết luận 23 Chương3. Phân đoạn khối u biểu mô tuyến tụy dựa trên phương pháp đề xuắt. Anh CT6 bung 3.

Phương pháp tiếp cận 3. Chuyên đổi ảnh và chọn lọc các slices. Trích xuất vùng quan tâm. Làm giàu dữ liệu 3.

Mô hình U - Net cải tiến. Hàm Dice - loss. Kết quả thực nghiệm. Tiên xử lý dữ liệu 4.

Phương pháp đánh giá và 4. Phương pháp đánh giá 39 4. lẻ 47 Danh mục thuật ngữ viết tắt “Thuật ngữ tiếng anh World Health Organization ‘Computed Tomography Magnetic Resonance Imaging Artificial Intelligence Convolutional neural network Dice Similarity Coefficient Medical Segmentation Decathlon Bidirectional Convolutional Long Short ~ Term Memory BConvLSTM Fally Convolutional neural network FCN Batch Normalization BN Rectified Linear Unit Relu Hyper ~ Pairing Network Atrous Spatial Pyramid Pooling Hounsficld Neuroimaging Informatics Technology Initiative Danh mục các hình vẽ Hình 2.1- Mô hình mạng Fully convolutional neural network [7].2- Mô hìnhU - Net [3] 18 Hình 2.3- Kiến trúc DLU - Net [2].4- Mô hình PGD - UNet [4] Hình 3.1- Quá trình tạo ảnh CT.2- Tông quan về phương pháp đề xuất.3- Chuyển đổi ảnh và chọn các slices có khối u Hình 3.4- Slice và mặt nạ tương ứng khi chưa mở rộng cửa số.5- Slice và mặt nạ tương ứng sau khi mở rộng cửa sổ.6- Ảnh và mặt nạ tương ứng trước khi làm giàu dữ liệu „31 Hình 3.7- Ảnh và mặt nạ của nó sau khi làm giàu dữ liệu.8- Mô hình U — Net cải tié Hinh 4.1- Slice va mat na chi có nên Hinh 4.2- Slice va mat na bao gồm nên, tuyến tụy và khối u.3- Slice và mặt nạ bao gồm nền và tuyến tụy.4- Kết quả sau 50 lần đảo tạo.5- Kết quả sau 100 lần đào tạo.6- Kết quả của một slice ngẫu nhiên và mặt nạ tương ứng của nó với Mean IOU =0.93 42 Danh mục các bảng biểu Bảng 4.1- Giá trị Mean IOU của tuyến tụy và khối u trong 10 sỈi liên tiếp.2- Giá trị DSC của tuyến tụy và khối u của 10 slices liên tiếp 43 Bảng 4.3- So sánh giá trị DSC (%) với các phương pháp khác. Giới thiệu Ung thư tuyến tụy là một đạng ung thư liên quan đến các mô ở tuyến tụy, một cơ quan nội tiếp nằm phía sau dạ dày và gần túi mật.

Tuyển tụy có vai trò quan trọng trong việc tiết ra các enzyme hỗ trợ tiêu hóa và các hóc môn giảm. Ở dạng ung thư, các tế bảo ung thư xuất phát từ mô tuyển tụy và lẳn lượt nhân lên lan rộng ra các mô xung quanh, hình thành khối u ác tính cho. người bệnh. Theo thông kê của WHO, ung thư tuyến tụy chỉ đứng thứ 14 vẻ tỉ lệ nhưng lại đứng hàng thử 7 về tỉ lệ tử vong do ung thư.

Điễu này cho thấy tiên lượng của ung thư tuyến tụy rắt xắu, trên thực tế tí lệ sống trung bình sau 5 nãm của ung thư tụy chỉ khoảng9,3% |1]. Vì tỉlệ tái phát ung thư khả lớn nên những bệnh nhân sau phẫu thuật thường chỉ sống được 2-3 năm, những bệnh nhân mic chứng ung thư giai đoạn cuồi thì thời gian sống không quá l năm. Ung thư tuyển tụy thường có nguồn gốc từ các mô ngoại tuyến, các loại ung thư thưởng thấy bao gầm: Một là ung thư biểu mô tuyến, nó là một loại ung thư bắt nguồn từ các tuyến tiết ra hoặc tiết dịch trong cơ thể. Ung thư biểu mô tuyến phát triển khi các Ea i dstosguieiid 3o chía khối s tạo thành khối u ác tính.

Ung thư biểu mô tuyến tụy thường gây ra triệu chứng ở giai đoạn sớm và thường phát hiện khi đã phát triển đến giai đoạn muộn. Việc chuẩn đoán ung thư tuyến tụy sớm thông qua hình ảnh siêt âm, MRI, CT đã và đang được nghiên cứu rit nhié i gian gan day bệnh của bệnh nhân. Hai là ung thư ở nang tức là túi chứa đây chất lỏng hình thành trong tuyển tụy. Hầu hết các u nang tuyến tụy lả lảnh tỉnh nhưng một số lại là ung thư.

Đây là ung thư hiểm gặp và rất nguy hiểm, loại ung thư này bắt đầu phát triển từ tế bào nang túi, một thành phần cúa tuyến tụy. Nang túi là một tế bào nhó bao quanh các uy, tạo ra một hóa được trao đối giữa các bộ phận của tiêu hóa một cách hiệu quả. Tuy nhiên, nang túi cũng có thé trở nên bắt thưởng và phát triển thành khối u ác tính, gây ra ung thư nang túi tuyển tụy. Ba là ở các ibabào *Aeinar”, lại lụng thư này phát triển trong các tế bào.

‘TE bao Acinar la stig tế bào sản xuất enzyme tiêu hóa, giúp phi đàn thức ăn và lêu hóa. Loại ung thư nảy cũng. lần cc va ci anh didu trí của bệnh nh: Đề chuẩn đ tuyển tụy loại Acinar, thuật như siêu âm, chupCT hoặc MRI, hoặc thực hiện xét nghiệm tế bào và mô. Việc xác định nay ri bai hác đồ điể: hợp cho bệnh nhân trong quá trình điều trị.

Sở đĩ,ung thưtuyển tụy có tiên lượng xấu hơn so với các loại ung thư tiêu hóa khác là đo tuyển tụy có vị trí đặc biệt ở rất sâu trong ô bụng. Triệu chứng bệnh ở giai đoạn đầu thường nhằm lẫn với các loại bệnh khác nên người bệnh thường được chuẩn đoán ớ giai đoạn muộn. Ung thư tuyến tụy sẽ không được phát hiện cho đến khi tế bảo ung thư ở các mô của nó lan rộng đến các cơ quan khác. Thời gian mắc bệnh càng dài thì triệu chứng cảng rồ rằng nhưng tỉ lệ chữa trị khỏi sẽ giảm dẫn.

Việc chuẩn đoán ung thư tuyến tụy thưởng diễn ra khi các bệnh nhân tìm đến bác sĩ với các triệu chứng đau bụng, ngửa vàng đa, sụt cân. Qua thăm khám, bắc sĩ sẽ yÊ 'CT (chụp cắt lớp vi tính) h công hưởng từ) hoặc siêu âm để chuẩn đoán bệnh rõ hơn qua hình ảnh. Việc chuẩn đoán ung thư tuyển tụy qua hình ảnh là một khó khăn, thách thức lớn với bac si vi vj trí đặc biệt của tuyển tụy và kích thước rắt nhỏ của nó (chỉ khoảng 80 gram) trong ô bụng. Thêm vào đó đây lả một vấn đề nhạy cảm vì nó liên quan đến tính mạng của người bệnh, quá trình chuẩn đoán của các bác sĩ phải hết sức kĩ cảng, Điều này khiển cho quá trình chuẩn đoán mắt rất nhiễu thời gian, vì vậy sức khỏe của bệnh nhân cũng bị ảnh hướng trong thời gian chuẩn đoán bệnh (do khối u càng ngày càng phát triển, xâm lấn đến các mô xung quanh).

Việc cấp thiết là phải rút ngắn thời gian chuẩn đoán nhưng vẫn đảm bảo độ chính xác cho phác đỗ điều trị của các bệnh nhân. Rút ngắn thời gian chuẩn đoán bệnh dựa vào hình ảnh đã được nghiên cứu rất nhiều trong những năm gần đây trong cộng đồng AI. Đặc biệt trong lĩnh vực DeepL ột Ìĩn 6 AI) đã nghiên cứ 6 đáng kẻ về vấn dé phát hiện ung thư biểu mô tuyến tụy (loại ung thư phổ biến nhất trong các dạng ung thư tuyển tụy). Những nghiên cứu này nhằm hỗ trợ các bác sĩ chuân đoán khối u cho bệnh nhân một cách nhanh chóng.

Từ đỏ giúp bệnh à tăng tỉ lệ số biểu mô tuyến tụy. Cụ thể là Feng Jiang và cộng sự của ông ấy dé xuất mô hình DLU - Net I2] cho phân đoạn ung thư của tuyển tụy, kiến trúc này là sự kết hợp giữa mô hình U - Net, các mô đun tích chập có thẻ biến dạng va cau tric Bidirectional 'Convolutuonal Long Short - Term Memory (BConvLSTM). Mô hình LÍ - Net [3] là một mô hình mạng nơ - ron sâu được sử dụng để phân đoạn ảnh. Nó có cấu tnic encoder ~ decoder với các lớp tích chập và lớp pooling được sử dụng để thu nhỏ kích thước ánh đầu vào, các lớp upsampling được sử dụng để phục hồi kích thước ảnh đầu ra, kiến trúc này được chứng minh là rất hiệu quả trong việc phân đoạn ảnh.

Các mô đun biển dạng và cấu trúc BConvLSTM là một kĩ thuật được sử dụng để kết hợp các đặc trưng ở các tằng sâu của mạng nơ — ron, kỹ thuật này được sử dụng để giải quyết vấn để mắt mát thông tin khi thông tin ở các tằng sâu bị mắt đi do quả trình tích chập va pooling. Diéu này giúp cải thiện khả năng. phân đoạn ảnh của mô hình và đưa ra kết quả chính xác hơn, Ziqiang Li và cộng sự của ông ấy đã để xuất mô hình PGD ~ UNet [4] cho phân đoạn tuyến tụy và khối u tuyến, mô hình này kết hợp hai kiến trúc chính là Ư— Net và khả năng khai thác không gian biến đổi của tích chập dưới dạng biển đổi Inh học của tuyến tụy và khối u. Mô hình PGD ~ UNet là một phương pháp thông tin biến đổi không gian giữa tuyến tụy và khối u, mô hình bảo toàn được thông tin vị trí các đặc trưng bị mắt trong quá trình tổng hợp của lớp pooling, 10 điều này lảm tăng tính ôn định vả đạt được kết quả tốt hơn trong quá trình phân đoạn.

Các tẳng của mô hình sẽ được thêm dẫn vào trong quá trình huắn luyện và được huấn luyện giảm nhiễu trong ảnh đầu vào. Mô hình PGD - UNet kết hợp kiến trúc Ư ~ Net với phương pháp khai thác thông tin biến đổi đã tạo ra một mô š ‘ cgi inh gy _ i0iEhYES ính ổn đụ inh, khi đó kiế Net giúpmô hình học được cá ắ ảnh và phân đoạn chính xác các vùng trong ảnh. 'Wang Zhisheng và cộng sự của anh ấy đã áp dụng phương pháp Coarse to Eine [5] để phân đoạn khối u tuyến tụy, phương pháp này bao gồm hai giai đoạn để giải quyết thách thức trong việc phân đoạn tế bào ung thư trong anh CT. Giai mang CNN, mô hình CNN được huấn luyện phân đoạn trên tập dữ liệu lớn, từ đỏ học được các đặc trưng của tế bảo ung thư tuyến tụy và phân loại chúng với các vùng khác trong ảnh.