Nhận diện khối u bên trong tuyến tụy bằng mô hình deep learning

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

• 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

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.